BİLGİSAYARLA GÖRÜYE GİRİŞ
Dersi Final Sınavı
13.01.2016
Ad Soyad
Numara
İmza
:
:
:
CEVAP ANAHTARI
-
1 (25p)
2 (15p)
3 (20p)
4 (20p)
5 (20p)
 Kitap ve notlar kapalıdır. Yalnızca kalem, silgi, sınav kağıdı bulundurulacaktır.
Toplam
Süre: 80dk
SORULAR
1) Öznitelik Çıkarımı ve SIFT
a) Bir öznitelik çıkarımı yönteminin başarısı açısından önem taşıyan dört öznitelik özelliğini açıklayınız.
(10p)
- Tekrarlanabilirlik: Geometrik ve fotometrik dönüşümlere rağmen aynı özniteliğin tespit edilebilmesi
- Ayırt Edicilik: Her özniteliğin diğer özniteliklerden ayırt edilebilir bir tanımlaması olması
- Verimlilik: Öznitelik sayısının görüntüdeki piksel sayısından çok daha az olması
- Yerellik: Bir özniteliğin görüntünün göreceli olarak küçük bir alanını kaplaması ve oklüzyon vb. etkilere
gürbüz olması
b) SIFT yöntemi ölçek uzayında uç nokta tespitini nasıl gerçekleştirmektedir? (10p)
1. Görüntü, farklı ölçeklerde Gauss süzgeçler ile konvolüsyona sokulur: L(x, y, σ) = G(x, y, σ) * I(x, y)
2. Süzgeçlenmiş görüntülerden DoG ile anahtar noktalar çıkarılır: D(x, y, σ) = L(x, y, kσ) - L(x, y, σ)
3. D’deki her nokta, aynı ölçekteki 8 komşusu ve farklı ölçeklerdeki 9’ar komşusu ile karşılaştırılır.
Nokta, komşularına göre en büyük veya en küçük nokta ise uç nokta olarak alınır.
c) Bir görüntüde bir öznitelik için, diğer görüntüdeki en iyi eşlenecek özniteliği nasıl buluruz? (5p)
İki özniteliği / tanımlayıcıyı karşılaştıracak bir uzaklık / benzerlik ölçütü belirlenir (örneğin SSD). Birinci
görüntüdeki her öznitelik için, ilgili öznitelik ikinci görüntüdeki henüz eşlenmemiş olan tüm öznitelikler
ile karşılaştırılır ve en düşük uzaklığı / en yüksek benzerliği veren öznitelik seçilerek eşlenir.
2) RANSAC: RANSAC yöntemi ile doğru oturtma algoritmasının ana hatlarını özetleyiniz. (15p)
1. Rastgele olarak s adet nokta alt-kümesi seçilir. Doğru için s = 2.
2. Seçilen noktalara bir doğru oturtulur.
3. Kalan noktalar arasında bu doğruya uzaklığı bir t eşiğinden küçük olan noktalar tespit edilir.
4. Uzaklığı t eşiğinden küçük olan nokta sayısı d eşik sayısından daha fazla ise doğru, bu yakın
mesafedeki noktalar da hesaba katılarak tekrar oluşturulur. Aksi halde 1. adıma dönülür.
3) Stereo Görüntüleme
a) Stereo eşlemenin genel aşamalarını açıklayınız. (Not: Stereo eşlemede önemli olan iki parametreyi
açıklamayı unutmayınız.) (10p)
Görüntülerden öznitelikler çıkarıldıktan sonra, birinci görüntüdeki her öznitelik için, dönüşüm matrisi ile
ikinci görüntüde ilgili epipolar doğru bulunarak, bu doğru üzerinde komşuluk tabanlı benzerlik / uzaklık
hesaplanır. En düşük uzaklığı (veya en yüksek benzerliği, örneğin korelasyon değeri) veren öznitelik, ilk
görüntüdeki özniteliğin eşi olarak atanır. Bu aşamadaki iki önemli parametre, komşuluk pencere boyutu
ve arama ayrılığıdır. Komşuluk pencere boyutu, ikinci görüntüde benzerlik / uzaklık hesabına dahil
edilecek piksel sayısını belirlemektedir. Arama uzaklığı ise, ikinci görüntüde, epipolar doğru üzerinde ilk
görüntüdeki öznitelik konumundan ne kadar uzaklığa kadar tarama yapılacağı belirlemektedir.
b) İki kameralı bir sistemde üstten bakıldığında kamera konumları ve bakış doğrultuları aşağıda
görüldüğü şekilde ise, epipolar çizgileri çiziniz. (10p)
4) Yüz Tespiti / Tanıma (20p)
a) Viola-Jones ve Adaboost kullanılarak yüz tanıma yaklaşımının aşamalarını açıklayınız.
İntegral görüntüler oluşturulur. İntegral görüntü, görüntünün her pikseli için, pikselin solunda ve üstünde
kalan tüm piksel değerlerinin toplamı ile hesaplanır.
İntegral görüntülere, yüz özelliklerini temsil eden doğrusal dikdörtgenel süzgeçler arasından seçilen
szügeçler uygulanır ve zayıf sınıflandırma ile görüntüde yüz olup olmadığı kararı verilir.
Tüm eğitim görüntüleri için, çıkarılan integral görüntüler üzerinden ağırlıklandırılmış eğitim hatasına
bakılarak en iyi dikdörtgenel süzgeç ve eşik değeri seçilir.
En iyi süzgeç ve eşik değerine göre başarısız olan örneklerin ağırlıkları artırılır. Bu yaklaşımın amacı,
süzgecin başarısız olduğu örneklerin ağırlıklarının artırılarak bu örneklerin bir sonraki süzgeç adımında
doğru şekilde tespit edilme ihtimallerinin artırılmasıdır. Boosting’in bir sonraki adımı için seçilen
dikdörtgenel süzgeçler ile birlikte bir önceki adıma dönülür.
Ayrıca, “attentional cascade” ile, boosting’in her aşamasında negatif alt-pencerelerin çoğu reddedilerek
bir sonraki sınıflandırıcının öncekinden daha kompleks yapıda olması tetiklenir. Böylece yüksek hatalı
pozitif oranlarından düşük hatalı pozitif oranlı tespit süreci elde edilir.
5) Kümeleme
a) k – ortalamalar kümeleme yönteminin aşamalarını açıklayınız (10p)
1. Uzayda dağılmış durumdaki veri noktaları üzerinden rastgele olarak k adet nokta belirlenir ve bu
noktalar ilk küme merkezleri olarak alınır.
2. Tüm veri noktaları, kendilerine en yakın küme merkezine atanır.
3. k adet küme merkezi, kendilerine atanan noktaların ortalamaları olarak güncellenir.
4. Küme merkezleri değişmez hale gelmediyse veya maksimum yineleme sayısına ulaşılmadıysa 2. adıma
dönülür. Aksi halde süreç tamamlanır.
b) Mean shift algoritmasını açıklayınız. (Not: Mean shift adımının anlamını / yapısını açıklamayı
unutmayınız). (10p)
1. Görüntüden öznitelikler çıkarılır.
2. Her öznitelik konumuna veya istenen sayıda konuma pencere merkezleri yerleştirilir.
3. Her pencere merkezi için, seçilen boyuttaki pencere içinde kalan öznitelik noktalarının ortalamaları
alınır. Pencere merkezi öznitelik uzayında yeni ortalama noktasına kaydırılarak güncellenir. Bu işlem
pencere merkezi değişmez hale gelene kadar tekrarlanır.
4. Bir sonraki özniteliğe geçilir ve 3. adıma dönülür. Tüm öznitelikler tamamlandıktan sonra 5. adıma
geçilir.
5. Yakın tepe noktalarına yakınsayan pencereler birleştirilir.
6. Son durumda kalan pencereler kümelerdir.
Download

indir