Unik4590/Unik9590/TTK Mønstergjenkjenning
|
|
- Kjersti Simensen
- 7 år siden
- Visninger:
Transkript
1 Sammendrag og eksempler Universitetssenteret på Kjeller Høsten 2016 (17. august 2016)
2 Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter til én av flere mulige klasser eller kategorier (klassifisering) Beskrive sammensatte objekter eller hele scener består av mange objekter/delobjekter.
3 Hva er mønstergjenkjenning? Eksempler på anvendelser Fjernanalyse (vegetasjonstyper, overvåking) Automatisk inspeksjon (f.eks. flaskeautomater) Medisin (EEG, EKG, blodlegemer, kromosomer) Seismisk analyse (oljeleting, kjernefysiske prøver) Talegjenkjenning Karaktergjenkjenning (f.eks. lesing av håndskrift) Maskinsyn (robotsyn) Overvåkingssensorer Økonomi, Psykologi (gjenkjenning av tilstander) Arkeologi...
4 Hva er mønstergjenkjenning? Inngangsdata Digitale bilder Tidsrekker (éndimensjonale signaler) Enkle (manuelle) målinger.
5 Hva er mønstergjenkjenning? Metoder Beslutningsteoretiske (statistiske) metoder: Bayesisk beslutningsteori (desisjonsteori) Klassifisering (tilordning av objekter til én av flere mulige klasser) Numerisk informasjon. Strukturelle (syntaktiske) metoder: Syntaktisk angrepsmåte Beskrivelse og klassifisering Symbolsk informasjon, hierarkisk beskrivelse, grammatikk.
6 Metoder Statistiske metoder - eksempel Tallmessig representasjon av objekter basert på f.eks.: Kamera lysstyrke farge form Samlebånd Tilordning av objekter til et endelig antall mulige klasser. Eksempel på bruk av bildeanalyse og mønstergjenkjenning til å skille mellom to typer produkter i en produksjonsprosess, dvs. diskriminering mellom to klasser.
7 Metoder Strukturelle metoder - eksempel Syntaktisk beskrivelse av skipskontur i form av en streng av primitiver (til venstre), hierarkisk beskrivelse (øverst til høyre) og regelverket (grammatikken) som angir hvilke sammenhenger som er tillatt mellom de ulike elementene (nederst til høyre).
8 Klassifiseringsproblemet Klassifisering - eksempel på klassifiseringssystem Eksempel på klassifiseringssystem for å skille mellom trestykker fra de to klassene bjørk og ask.
9 Klassifiseringsproblemet Egenskapsvektor, egenskapsrom og desisjonsgrenser Egenskapsrom: Egenskapsvektor: 2 x 1 x 2 x = x d 3 R 1 R 3 R 2 Egenskapsvektor med d komponenten (t.v.) og todimensjonalt egenskapsrom (t.h.) inndelt i desisjonsregioner R 1,R 2 og R 3 for et problem med tre klasser. Det ukjente objektet (svart kvadrat) blir her klassifisert til klasse 2.
10 Klassifiseringsproblemet Metodikk - Ledet læring Treningssett X Trening Beslutningsregel Treningsfasen Bruksfasen Ukjent objekt x Klassifisering Klasse Illustrasjon av prinsippet for ledet læring. I treningsfasen (analysefasen) brukes et sett av sampler med kjent klassetilhørighet (treningssettet) som input til en av mange mulige treningsmetoder for å generere en beslutningsregel. Denne regelen inngår i klassifikatoren som i bruksfasen (gjenkjenningsfasen) foretar klassifisering av ukjente sampler til (forhåpentligvis) riktig klasse.
11 Klassifiseringsproblemet Klassifiseringssystem Sensor Egenskapsuttrekker Klassifikator i Typisk klassifiseringssystem. En sensor henter inn rådata fra objekter i omverdenen. Egenskapsuttrekkeren bearbeider rådataene og henter ut informasjon om de ukjente objektene i form av et sett av egenskaper for hvert objekt. Egenskapsvektorene sendes deretter til klassifikatoren, som tilordner objektene til én av flere mulig klasser. Systemet foretar en stor grad av datareduksjon på veien fra rådata til klasse.
12 Grunnleggende begreper Beslutningsteori - grunnleggende begreper Objekter skal tilordnes klasser/tilstander: w 1,w 2,...,w c der c er antall klasser i problemet. Til hver klasse hører en ápriorisannsynlighet: P(w 1 ),P(w 2 ),...,P(w c ) som er sannsynligheten for at hver klasse skal opptre (før målinger er foretatt). Til hver klasse hører også klassebetingede sannsynlighetstetthetsfunksjoner: p(x w i ), i = 1,...,c. Her er vektoren: x =[x 1,x 2,...,x d ] t en målt egenskapsvektor for det aktuelle objektet.
13 Grunnleggende begreper Sannsynlighetstetthetsfunksjoner (klassebetingede) Klassebetingede tetthetsfunksjoner for to klasser. Det grønne arealet tilsvarer sannsynligheten for at et vilkårlig sample fra (i dette tilfellet) w 2 skal opptre med egenskapsverdi x i intervallet mellom a og b.
14 Grunnleggende begreper Bayes regel Bayes regel for áposteriorisannsynlighet: P(w i x)= p(x w i)p(w i ) c p(x w j )P(w j ) Â j=1, i = 1,...,c knytter sammen á priori sannsynligheter og klassebetingede tetthetsfunksjoner. P(w i x) er sannsynligheten for at klasse w i skal opptre, gitt den målte egenskapsvektoren x.
15 Desisjonsregler Áposteriorisannsynlighet-minimumfeilrateklassifisering 0.5 Optimal desisjonsgrense (x 0 ) der de á posteriori sannsynlighetene for klassene er like (P(w 1 x)=p(w 2 x)=0,5).
16 Desisjonsregioner Univariat toklasseproblem - optimale desisjonsregioner Tetthetsfunksjoner for to klasser, veiet med á priori sannsynlighet. Den stiplede linjen markerer terskelen der de veiede tetthetene er like.
17 Desisjonsregioner Univariat toklasseproblem - minimum feilrate Tetthetsfunksjoner for to klasser, veiet med á priori sannsynlighet. Det grønne arealet viser feilraten med den optimale desisjonsgrensen (stiplet linje).
18 Desisjonsregioner Feilrate med suboptimal desisjonsgrense Tetthetsfunksjoner for to klasser, veiet med á priori sannsynlighet. Det røde arealet tilsvarer den ekstra feilraten ved et suboptimalt valg av desisjonsgrense.
19 Normalfordelingen - eksempler på diskriminantfunksjoner Univariat normalfordeling Klassebetinget normalfordeling for klasse w i, der forventningsverdien er µ i og standardavviket er s i.
20 Handlinger, kostnader og risiko Handlinger Handlinger (events): a 1,a 2,...,a a er noe som utføres på bakgrunn av den målte egenskapsvektoren. Hvor mange handlinger? Vanligvis er a = c, dvs. én-til-én sammenheng mellom klasser og handlinger (handlingen a i består i å klassifisere til klasse w i ), Generelt er a 6= c, f.eks. a = c + 1derhandlinga c+1 tilsvarer forkasting (ingen klassifisering). Desisjonsfunksjonen: a(x)! a 1,a 2,...,a a er en funksjon av egenskapsvektoren x, som har én av de mulige handlingene som utfall.
21 Handlinger, kostnader og risiko Kostnader knyttet til handlinger Kostfunksjonen: l(a i w j ), der i = 1,...,a og j = 1,...,c, angir kostnaden (tapet) ved å velge handlingen a i når w j er sann klasse. Det kan f.eks. være et større tap forbundet ved å klassifisere bjørk som ask enn omvendt, slik at kostnadene for disse tilfellene kan være: l(velg bjørk ask)=1 l(velg ask bjørk)=10 mens kostnadene for riktig valg av handling som oftest vil settes til null, dvs. l(velg bjørk bjørk)=l(velg ask ask)=0.
22 Handlinger, kostnader og risiko Risiko knyttet til handlinger Betinget risk (forventet tap) er kostnaden forbundet ved en gitt handling, gitt en måling (dvs. egenskapsvektoren for et ukjent objekt): Total risk er gitt ved: R(a i x)= c  j=1 l(a i w j )P(w j x), i=1,...,a. Z R = R(a(x) x)p(x)dx R d for en gitt desisjonsfunksjon a(x) med utfallene a 1,a 2,...,a a. Den totale risken skal minimaliseres ved å velge a i slik at den betingede risken R(a(x) x) er minimum for enhver x.
TEK5020/TEK Mønstergjenkjenning
Sammendrag og eksempler Innledning UiO : Institutt for teknologisystemer Høsten 2018 (18. august 2018) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter
DetaljerUnik4590/Unik9590/TTK Mønstergjenkjenning
Sammendrag og eksempler UiO : Institutt for teknologisystemer Høsten 2017 (14. august 2017) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning ˆ Gjenkjenne objekter - tilordne objekter til én
DetaljerInnledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt
Oversikt Innhold i kurset Beslutningsteori (desisjonsteori) Parametriske metoder Ikke-parametriske metoder Lineære og generaliserte diskriminantfunksjoner Feilrateestimering og evaluering av klassifikatorer
DetaljerGeneralisering til mange klasser - feilrettingsmetodene
Mange klasser Generalisering til mange klasser - feilrettingsmetodene Kesslers konstruksjon - omskriving av c-klasseproblemet til et toklasseproblem. Her innføres en sammensatt vektvektor a og et sett
DetaljerDimensjonalitetsproblemer (3)
Dimensjonalitetsproblemer Dimensjonalitetsproblemer (3) Ved å inkludere flere uavhengige egenskaper der µ i1 6= µ i2 i egenskapsvektoren vil r 2 øke og P(e) avta, slik at: P d+1 (e) apple P d (e). Dette
DetaljerInnledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt
Oversikt Innhold i kurset Beslutningsteori (desisjonsteori) Parametriske metoder Ikke-parametriske metoder Lineære og generaliserte diskriminantfunksjoner Feilrateestimering og evaluering av klassifikatorer
DetaljerNormalfordelingen. Univariat normalfordeling (Gaussfordelingen): der µ er forventningsverdien og σ 2 variansen. Multivariat normalfordeling:
Normalfordelingen Univariat normalfordeling (Gaussfordelingen): p(x µ,σ 2 ) = 1 µ)2 (x e 2σ 2 = N(µ,σ 2 ) 2πσ der µ er forventningsverdien og σ 2 variansen. Multivariat normalfordeling: [ 1 p(x µ,σ) =
DetaljerUnik4590/Unik9590/TTK Mønstergjenkjenning
Sammendrag og eksempler Universitetssenteret på Kjeller Høsten 2016 (15. oktober 2016) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter til én av flere
DetaljerBayesisk estimering. Tettheten i punkt x er her gitt ved: der p(q X ) er áposterioriparameterfordelinggitt ved: p(q X )=
Bayesisk estimering Bayesisk estimering Tettheten i punkt x er her gitt ved: Z p(x X )= p(x q)p(q X )dq der p(q X ) er áposterioriparameterfordelinggitt ved: p(q X )= p(x q)p(q) R p(x q)p(q)dq og p(x q)
DetaljerFFI-RAPPORT. Teknologiske muligheter for Tolletaten. mønstergjenkjenning og maskinlæring
FFI-RAPPORT 17/17026 Teknologiske muligheter for Tolletaten mønstergjenkjenning og maskinlæring - Idar Dyrdal Lars Aurdal Kristin Hammarstrøm Løkken Thor Engøy Teknologiske muligheter for Tolletaten mønstergjenkjenning
DetaljerTEK5020/TEK Mønstergjenkjenning
Sammendrag og eksempler Lineære diskriminantfunksjoner (Gradientsøk, perceptronmetoden) UiO : Institutt for teknologisystemer Høsten 2018 (22. oktober 2018) Diskriminantfunksjoner Utvidet egenskapsrom
DetaljerDiskrete egenskaper. Egenskapsvektoren x antar kun diskrete verdier: v 1,v 2,...,v m. Endringer fra det kontinuerlige tilfellet er at:
Iledig Beslutigsteori Parametriske metoder Ikke-parametriske metoder Diskrimiatfuksjoer Evaluerig Ikke-ledet lærig Klygeaalyse Diskrete egeskaper Diskrete egeskaper Egeskapsvektore x atar ku diskrete verdier:
DetaljerIkke-separable problemer
Feilrettingsmetoder Ikke-separable problemer Feilrettingsmetodene konvergerer under gitte betingelser til løsningsvektorer for lineært separable problemer, men kan også gi gode resultater på ikke-separable
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Kapittel 7: Utvalgsfordeling Bo Lindqvist Institutt for matematiske fag 2 Fra kapittel 1: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg
DetaljerEKSAMEN. EMNEANSVARLIG: Terje Bokalrud og Hans Petter Hornæs. TILLATTE HJELPEMIDLER: Kalkulator og alle trykte og skrevne hjelpemidler.
KANDIDATNUMMER: EKSAMEN EMNENAVN: EMNENUMMER: Kvalitetsledelse med Statistikk. SMF2121 EKSAMENSDATO: 1. juni 2010 KLASSE: Ingeniørutdanning TID: kl. 9.00 13.00. EMNEANSVARLIG: Terje Bokalrud og Hans Petter
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Fra første forelesning: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg En delmengde av
DetaljerKapittel 3: Studieopplegg
Oversikt over pensum Kapittel 1: Empirisk fordeling for en variabel o Begrepet fordeling o Mål for senter (gj.snitt, median) + persentiler/kvartiler o Mål for spredning (Standardavvik s, IQR) o Outliere
DetaljerDenne uken: kap : Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans
Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans VG 25/9 2011 Statistisk inferens Mål: Trekke konklusjoner
DetaljerEksamen - INF 283 Maskinlæring
Eksamen - INF 283 Maskinlæring 23 feb. 2016 Tid: 3 timer Eksamen inneholder 15 oppgaver, som vil bli vektet likt ved evaluering. 1 Table 1 attributt antall personer forsørget av låntaker månedlig inntekt
DetaljerEKSAMEN. TILLATTE HJELPEMIDLER: Kalkulator. Hornæs: Formelsamling statistikk HiG. John Haugan: Formler og tabeller.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. BtG207 EKSAMENSDATO: 1. juni 2010. KLASSE: HIS 08 11. TID: kl. 8.00 13.00. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 3 (innkl. forside)
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2100 - FASIT Eksamensdag: Torsdag 15. juni 2017. Tid for eksamen: 09.00 13.00. Oppgavesettet er på 5 sider. Vedlegg: Tillatte
DetaljerHøgskolen i Gjøviks notatserie, 2001 nr 5
Høgskolen i Gjøviks notatserie, 2001 nr 5 5 Java-applet s for faget Statistikk Tor Slind Avdeling for Teknologi Gjøvik 2001 ISSN 1501-3162 Sammendrag Dette notatet beskriver 5 JAVA-applets som demonstrerer
DetaljerLøsningsforslag Eksamen S2, høsten 2016 Laget av Tommy Odland Dato: 27. januar 2017
Løsningsforslag Eksamen S, høsten 016 Laget av Tommy Odland Dato: 7. januar 017 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = x 3 5x, og vi kommer til å få bruk for reglene (ax n ) = anx
DetaljerTerningkast. Utfallsrommet S for et terningskast med en vanlig spillterning med 6 sider er veldefinert 1, 2, 3, 4, 5, 6
Terningkast Halvor Aarnes, UiO, 2014 Innhold Ett terningkast og utfallsrom... 1 Union og snitt... 4 Betinget sannsynlighet... 5 Forventningsverdi E(X) og varianse Var(X)... 5 Konfidensintervall for proporsjoner...
DetaljerSannsynligheten for en hendelse (4.2) Empirisk sannsynlighet. ST0202 Statistikk for samfunnsvitere
2 Sannsynligheten for en hendelse (4.2) Sannsynligheten for en hendelse sier oss hvor ofte vi forventer at hendelsen inntreffer, dvs. den forventede relative frekvens av hendelsen. ST0202 Statistikk for
DetaljerHøgskolen i Telemark. Institutt for økonomi og informatikk FORMELSAMLING Statistikk I. Til bruk ved eksamen. Per Chr. Hagen
Høgskolen i Telemark Institutt for økonomi og informatikk FORMELSAMLING 6005 Statistikk I Til bruk ved eksamen Per Chr. Hagen . Sannsynlighetsregning. Regneregler Komplementsetningen: Addisjonssetningen:
DetaljerHMM-tagging INF4820 H2008. Jan Tore Lønning. 30. september. Institutt for Informatikk Universitetet i Oslo
INF4820 H2008 Institutt for Informatikk Universitetet i Oslo 30. september Outline 1 2 3 4 5 Outline 1 2 3 4 5 Flertydighet Example "" "fisk" subst appell mask ub fl @løs-np "fisker" subst appell
DetaljerEKSAMEN I TMA4285 TIDSREKKEMODELLER Fredag 7. desember 2012 Tid: 09:00 13:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 8 Bokmål Faglig kontakt under eksamen: John Tyssedal 73593534/41645376 EKSAMEN I TMA4285 TIDSREKKEMODELLER Fredag
DetaljerFasit for tilleggsoppgaver
Fasit for tilleggsoppgaver Uke 5 Oppgave: Gitt en rekke med observasjoner x i (i = 1,, 3,, n), definerer vi variansen til x i som gjennomsnittlig kvadratavvik fra gjennomsnittet, m.a.o. Var(x i ) = (x
DetaljerEcon 2130 uke 16 (HG)
Econ 213 uke 16 (HG) Hypotesetesting I Løvås: 6.4.1 6, 6.5.1-2 1 Testing av µ i uid modellen (situasjon I Z-test ). Grunnbegreper. Eksempel. En lege står overfor følgende problemstilling. Standardbehandling
DetaljerOppgaver til INF 5110, kapittel 5
Oppgaver til INF 5110, kapittel 5 Fra boka: 5.3 Vi har sett litt på denne på en forelesning 5.11 Vi har tidligere sett på: -> ) a 5.18 Forsøk også sette alternativet -> til slutt Utvid grammatikken på
DetaljerSnøtetthet. Institutt for matematiske fag, NTNU 15. august Notat for TMA4240/TMA4245 Statistikk
Snøtetthet Notat for TMA424/TMA4245 Statistikk Institutt for matematiske fag, NTNU 5. august 22 I forbindelse med varsling av om, klimaforskning og særlig kraftproduksjon er det viktig å kunne anslå hvor
DetaljerUtvalgsfordelinger. Utvalg er en tilfeldig mekanisme. Sannsynlighetsregning dreier seg om tilfeldige mekanismer.
Utvalgsfordelinger Vi har sett at utvalgsfordelinger til en statistikk (observator) er fordelingen av verdiene statistikken tar ved mange gjenttatte utvalg av samme størrelse fra samme populasjon. Utvalg
DetaljerEKSAMEN. Flexibel ingeniørutdanning, 2kl. Bygg.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. REA 1081F REA1081) EKSAMENSDATO: 1. juni 2010. KLASSE: Flexibel ingeniørutdanning, 2kl. Bygg. TID: kl. 9.00 12.00. FAGLÆRER: Hans Petter Hornæs ANTALL
DetaljerKonfidensintervall for µ med ukjent σ (t intervall)
Forelesning 3, kapittel 6 Konfidensintervall for µ med ukjent σ (t intervall) Konfidensintervall for µ basert på n observasjoner fra uavhengige N( µ, σ) fordelinger når σ er kjent : Hvis σ er ukjent har
DetaljerKlassisering. Insitutt for matematiske fag, NTNU 21. august Klassiseringsproblemet. Notat for TMA4240/TMA4245 Statistikk
Klassisering Notat for TMA4240/TMA4245 Statistikk Insitutt for matematiske fag, NTNU 21. august 2012 Innen maskinlæring studerer man algoritmer som tillater datamaskiner å utvikle atferd på grunnlag av
DetaljerSuffisient observator
Iledig Beslutigsteori Parametriske metoder Ikke-parametriske metoder Diskrimiatfuksjoer Evaluerig Ikke-ledet lærig Klygeaalyse Suffisiete observatorer Suffisiet observator Statistisk størrelse s som ieholder
DetaljerForskningsmetoder. Data: Måling og målefeil. Frode Svartdal. UiTø 16.01.2014 FRODE SVARTDAL 1 V-2014. Frode Svartdal
Forskningsmetoder Data: Måling og målefeil Frode Svartdal UiTø V-2014 Frode Svartdal 16.01.2014 FRODE SVARTDAL 1 Variabler Variabel noe (av psykologisk interesse) som varierer Motsatt: Konstant Eksempler:
DetaljerFra første forelesning:
2 Fra første forelesning: ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag opulasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg En delmengde av populasjonen
DetaljerAlpha 2. GSM- SMS alarm. alpha-2 SYSTEM OK INGEN ALARMER. Høgliveien 30, 1850 Mysen Tlf: 69890660 E-post: post@aspn.no
Alpha 2 GSM- SMS alarm alpha-2 GSM /SMS SYSTEM OK INGEN ALARMER 1 Innhold INTRODUKSJON... 4 HOVEDMENY... 5 Statusfelt... 5 Visning av alarm... 5 Lesing av temperatur... 5 Reset alarm... 5 Betjening...
DetaljerSTK Oppsummering
STK1100 - Oppsummering Geir Storvik 6. Mai 2014 STK1100 Tre temaer Deskriptiv/beskrivende statistikk Sannsynlighetsteori Statistisk inferens Sannsynlighetsregning Hva Matematisk verktøy for å studere tilfeldigheter
DetaljerOppgave 1. X 1 B(n 1, p 1 ) X 2. Vi er interessert i forskjellen i andeler p 1 p 2, som vi estimerer med. p 1 p 2 = X 1. n 1 n 2.
Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 17 november 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk Tapir
DetaljerHøgskoleni østfold EKSAMEN. ITD33506 Bildebehandling og monstergjenkjenning. Dato: Eksamenstid: kl 9.00 til kl 12.00
Or Høgskoleni østfold EKSAMEN Emnekode: Emne: ITD33506 Bildebehandling og monstergjenkjenning Dato: 25.11.2013 Eksamenstid: kl 9.00 til kl 12.00 Hjelpemidler: Læreboken, ett A4-ark skrevet på begge sider
DetaljerTilpasning av bilder. Enkel bildebehandling
Tilpasning av bilder Her skal vi vise hvordan du enkelt kan tilpasse bilder til bruk på web eller i presentasjoner ved hjelp av Office Picture Manager. Vi skal vise hvordan du kan lage bilder i fire ulike
DetaljerSTK1100 våren 2019 Mere om konfidensintevaller
STK1100 våren 2019 Mere om konfidensintevaller Svarer til avsnitt 8.2 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i Oslo 1 Konfidensintervall for µ i store utvalg Anta at de stokastiske
DetaljerMULTICOM 112. Muntlig innvirkning A1: Ingen krav
MULTICOM 112 Brukerveiledning Formål Denne MULTICOM112 CD-ROM har som mål å hjelpe alarmsentralpersonell med å utvikle grunnleggende språkkunnskaper til det nivået hvor de kan identifisere et fremmende
DetaljerTo-dimensjonale kontinuerlige fordelinger
To-dimensjonale kontinuerlige fordelinger Noen resultater for diskrete fordelinger Vi har tidligere definert punktsannsynligheten p(x, y) for en todimensjonal variabel (X, Y ) som p(x, y) = P ({X = x}
DetaljerSampling av bilder. Romlig oppløsning, eksempler. INF Ukens temaer. Hovedsakelig fra kap. 2.4 i DIP
INF 2310 22.01.2008 Ukens temaer Hovedsakelig fra kap. 2.4 i DIP Romlig oppløsning og sampling av bilder Kvantisering Introduksjon til pikselmanipulasjon i Matlab (i morgen på onsdagstimen) Naturen er
DetaljerMerke objekt Kapittel 3. Merke objekt Kapittel 3
DDS-CAD 10 Merke objekt Kapittel 3 1 Innhold Side Kapittel 3 Merke objekt... 3 Endre parametre for merket objekt... 3 Merke objekt innenfor og som berøres av et rektangel... 5 Merke alle objekt innenfor
DetaljerGrunnleggende om Digitale Bilder (ITD33515)
Grunnleggende om Digitale Bilder (ITD33515) Lars Vidar Magnusson January 13, 2017 Delkapittel 2.2, 2.3, 2.4 og 2.5 Lys og det Elektromagnetiske Spektrum Bølgelengde, Frekvens og Energi Bølgelengde λ og
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlige stokastiske variabelen X ha fordelingsfunksjon (sannsynlighetstetthet
DetaljerHalvårsplan i norsk 3.trinn våren 2018 Karuss skole
Ord for farge Ord for tid: månedene og årstidene Lureord: Ord med o for å 1 Mål fra kunnskapsløftet Læringsmål Læringsressurser Vurdering Skrive enkle fortellende, beskrivende og argumenterende tekster.
DetaljerNotat 2, ST Sammensatte uttrykk. 27. januar 2006
Notat 2, ST1301 27. januar 2006 1 Sammensatte uttrykk Vi har sett at funksjoner ikke trenger å bestå av annet enn ett enkeltuttrykk som angir hva funksjonen skal returnere uttrykkt ved de variable funksjonen
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Tilfeldige variable (5.2) Dersom vi til hvert utfall av eksperimentet tilordner et tall, har vi laget en tilfeldig variabel.
DetaljerGrunnleggende brukerveiledning
Grunnleggende brukerveiledning for Akershus fylkeskommunes statistikkverktøy http://statistikk.akershus-fk.no Utarbeidet av Cathrine Bergjordet, analysestaben, AFK Sist oppdatert 31/8 2012 Finne riktig
DetaljerHØGSKOLEN I BERGEN Avdeling for ingeniørutdanning
HØGSKOLEN I BERGEN Avdeling for ingeniørutdanning Eksamen i SOD 165 Grafiske metoder Klasse : 3D Dato : 15. august 2000 Antall oppgaver : 4 Antall sider : 4 Vedlegg : Utdrag fra OpenGL Reference Manual
DetaljerForelesning 7 Statistiske beskrivelser av enkeltvariabler. Mål for sentraltendens
Forelesning 7 Statistiske beskrivelser av enkeltvariabler Statistiske mål for univariate fordelinger: Sentraltendens Verdien for fordelingens tyngdepunkt Spredning Hvor nært opp til tyngdepunktet ligger
DetaljerNotat 2, ST januar 2005
Notat 2, ST1301 25. januar 2005 1 Sammensatte uttrykk Vi har sett at funksjoner ikke trenger å bestå av annet enn ett enkeltuttrykk som angir hva funksjonen skal returnere uttrykkt ved de variable funksjonen
DetaljerGalton-brett og sentralgrenseteorem
Halvor Aarnes, IBV, 2014 Galton-brett og sentralgrenseteorem På et Galton-brett (Sir Francis Galton) beveger kuler for eksempel erter eller klinkekuler seg som følge av tyngdekraften på et skråstilt brett
DetaljerDenne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans
Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans VG 25/9 2011 Statistisk inferens Mål: Trekke konklusjoner
Detaljer1 Sec 3-2: Hvordan beskrive senteret i dataene. 2 Sec 3-3: Hvordan beskrive spredningen i dataene
1 Sec 3-2: Hvordan beskrive senteret i dataene 2 Sec 3-3: Hvordan beskrive spredningen i dataene Todeling av statistikk Deskriptiv statistikk Oppsummering og beskrivelse av den stikkprøven du har. Statistisk
Detaljer1 Section 4-1: Introduksjon til sannsynlighet. 2 Section 4-2: Enkel sannsynlighetsregning. 3 Section 5-1: Introduksjon til sannsynlighetsfordelinger
1 Section 4-1: Introduksjon til sannsynlighet 2 Section 4-2: Enkel sannsynlighetsregning 3 Section 5-1: Introduksjon til sannsynlighetsfordelinger 4 Section 5-2: Tilfeldige variable 5 Section 5-3: Binomisk
DetaljerAnalog til digital omformer
A/D-omformer Julian Tobias Venstad ED-0 Analog til digital omformer (Engelsk: Analog to Digital Converter, ADC) Forside En rask innføring. Innholdsfortegnelse Forside 1 Innholdsfortegnelse 2 1. Introduksjon
Detaljerfilosofien bak tilstandskontroll
filosofien bak tilstandskontroll av arnstein holm the pulse of your machinery 20.01.2012 maskindynamikk as - the pulse of your machinery 1 tilstandskontroll er ikke noe nytt... de siste 20 årene har tk
DetaljerGruvedrift. Institutt for matematiske fag, NTNU. Notat for TMA4240/TMA4245 Statistikk
Gruvedrift Notat for TMA/TMA Statistikk Institutt for matematiske fag, NTNU I forbindelse med planlegging av gruvedrift i et område er det mange hensyn som må tas når en skal vurdere om prosjektet er lønnsomt.
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 9.6: Prediksjonsintervall 9.8: To utvalg, differanse µ 1 µ 2 Mette Langaas Foreleses mandag 18.oktober, 2010 2 Prediksjonsintervall for fremtidig observasjon,
DetaljerOppgaver til INF 5110, kapittel 5 Fullt svar på oppgave 5.4, og en del andre oppgaver med svar
Oppgaver til INF 5110, kapittel 5 Fullt svar på oppgave 5.4, og en del andre oppgaver med svar Fra boka: 5.3, 5.4, 5.11, 5.12, 5.13. Oppgave 2 fra Eksamen 2006 (se undervisningsplanen 2008). Utvid grammatikken
DetaljerLøsningsforslag Eksamen S2, høsten 2017 Laget av Tommy O. Sist oppdatert: 26. november 2017
Løsningsforslag Eksamen S, høsten 017 Laget av Tommy O. Sist oppdatert: 6. november 017 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = x 4x 3. Vi bruker regelen samt regelen (x n ) = nx
DetaljerMønstergjenkjenning i bildesekvenser
1 Mønstergjenkjenning i bildesekvenser Mønstergjenkjenning i bildesekvenser Line Eikvil og Ragnar Bang Huseby Kveldsseminar i bildeanalyse, 6. mai 00 : Ønsker å se på bildesekvenser i sammenheng for å:
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : Onsdag. juni Tid for eksamen : 4:3 8:3 Oppgavesettet er på : 5 sider Vedlegg : Ingen
DetaljerCommunicate SymWriter: R1 Lage en tavle
Communicate SymWriter: R1 Lage en tavle I denne delen beskrives egenskaper som kan brukes for å lage en tavle til å skrive med. Stort sett vil du bare ha bruk for en del av dette når du lager skrivemiljøer.
DetaljerHeuristiske søkemetoder III
Heuristiske søkemetoder III Lars Aurdal Intervensjonssenteret Lars.Aurdal@labmed.uio.no 14. september 2003 Plan Eksempel: Bildebehandling, segmentering: Hva er segmentering? Klassisk metode, terskling.
Detaljerting å gjøre å prøve å oppsummere informasjonen i Hva som er hensiktsmessig måter å beskrive dataene på en hensiktsmessig måte.
Kapittel : Beskrivende statistikk Etter at vi har samlet inn data er en naturlig første ting å gjøre å prøve å oppsummere informasjonen i dataene på en hensiktsmessig måte. Hva som er hensiktsmessig måter
DetaljerDa vil summen og gjennomsnittet være tilnærmet normalfordelte : Summen: X 1 +X X n ~N(nµ,nσ 2 ) Gjennomsnittet: X 1 +X
Me me me me metallic hvit 4.4: Tilnærming til normalfordeling Tilnærming til normalfordeling: binomisk og Poisson kan tilnærmes v.h.a. normalfordeling under bestemte forhold (ved "mange" delforsøk/hendelser)
DetaljerStatistikk for språk- og musikkvitere 1
Statistikk for språk- og musikkvitere 1 Mitt navn: Åsne Haaland, Vitenskapelig databehandling USIT Ikke nøl, avbryt med spørsmål! Hva oppnår en med statistikk? Få oversikt over data: typisk verdi, spredning,
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 Ei bedrift produserer elektriske komponentar. Komponentane kan ha to typar
DetaljerDenne uken: kap : Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans
Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans VG 25/9 2011 Statistisk inferens Mål: Trekke konklusjoner
DetaljerEksamensoppgave i TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4245 Statistikk Faglig kontakt under eksamen: Gunnar Taraldsen a, Torstein Fjeldstad b Tlf: a 464 32 506, b 962 09 710 Eksamensdato: 23. mai 2018 Eksamenstid
DetaljerST1101/ST6101 Sannsynlighetsregning og statistikk Vår 2019
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag ST111/ST611 Sannsynlighetsregning og statistikk Vår 219 Løsningsforslag Øving 12 22. mars 219 Side 1 av 18 Løsningsforslag
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig
DetaljerMØNSTERGJENKJENNING. Forelesningsnotater til kurset Unik4590/Unik9590/TTK4205
MØNSTERGJENKJENNING Forelesigsotater til kurset Uik4590/Uik9590/TTK4205 Idar Dyrdal Uiversitetsseteret på Kjeller idar@uik.o Høste 2016 (oppdatert 15. oktober 2016) Faget møstergjekjeig deles valigvis
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig
DetaljerERTMS Driver Interface Simulering. Testrapport
ERTMS Driver Interface Simulering Testrapport FORORD Denne rapporten inneholder testrapport laget i forbindelse med hovedprosjekt i Bachelorstudium i informasjonsteknologi ved Høgskolen i Oslo, våren 2010.
DetaljerForskningsmetoder. Måling, målefeil. Frode Svartdal. UiTø V-2011. Frode Svartdal 26.01.2011 FRODE SVARTDAL 1
Forskningsmetoder Måling, målefeil Frode Svartdal UiTø V-2011 Frode Svartdal 26.01.2011 FRODE SVARTDAL 1 Variabler Variabel noe (av psykologisk interesse) som varierer Motsatt: Konstant Eksempler: Kjønn,
DetaljerDataanalyse. Hva er en dataanalyse og hvordan gå frem for å gjennomføre en dataanalyse av det innsamlede datagrunnlaget fra en feltundersøkelse?
Hva er en dataanalyse og hvordan gå frem for å gjennomføre en dataanalyse av det innsamlede datagrunnlaget fra en feltundersøkelse? Skrevet av: Kjetil Sander Utgitt av: estudie.no Revisjon: 1.0 (Sept.
DetaljerMETODEBESKRIVELSE OPTISK TELEVIEWER (OPTV)
METODEBESKRIVELSE OPTISK TELEVIEWER (OPTV) Optisk televiewer kan benyttes til inspeksjon av grunnvannsbrønner, grunnvarmebrønner, forundersøkelser for fjellanlegg (tunneler, fjellrom), og er i mange tilfeller
DetaljerGeoGebra-opplæring i Matematikk 1P
GeoGebra-opplæring i Matematikk 1P Emne Underkapittel Perspektivtegning I 3.8 Perspektivtegning II 3.8 Regulære mangekanter 3.9 Flislegging I 3.9 Flislegging II 3.9 Flislegging III 3.9 Terningkast 4.1
DetaljerLæringsmål og pensum. if (be): else (not_to_be):
1 TDT4110 Informasjonsteknologi grunnkurs: Tema: Betingelser og logiske uttrykk - 3rd edition: Kapittel 3 Professor Alf Inge Wang 2 if (be): else (not_to_be): 3 Læringsmål og pensum Mål Lære å bruke og
DetaljerOppgave 1 (samlet 15%)
2 Du kan svare på norsk, dansk, svensk eller engelsk. Du skal svare på alle spørsmålene. Vekten på de ulike spørsmålene er oppgitt. Du bør lese gjennom hele settet slik at du kan stille spørsmål til faglærerne
DetaljerEksamensoppgåve i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgåve i TMA4240 Statistikk Fagleg kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerStatistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere
2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Analysere en observator for å finne ut noe om korresponderende
DetaljerPython: Valg og betingelser. TDT4110 IT Grunnkurs Professor Guttorm Sindre
Python: Valg og betingelser TDT4110 IT Grunnkurs Professor Guttorm Sindre Læringsmål og pensum Mål Kunne forstå og bruke if-setninger sammenlikning av strenger nøstede beslutningsstrukturer betingelser
DetaljerNormal- og eksponentialfordeling.
Ukeoppgaver i Statistikk, uke 8 : Normal- og eksponentialfordeling. 1 Høgskolen i Gjøvik Avdeling for teknologi, økonomi og ledelse. Statistikk Ukeoppgaver uke 8 I løpet av uken blir løsningsforslag lagt
DetaljerSPESIALISERING I ØKONOMISTYRING DST 9535 VERDI AV TILLEGGSINFORMASJON A) HVA KJENNETEGNER GODE BESLUTNINGSMODELLER?
SPESIALISERING I ØKONOMISTYRING HVA KJENNETEGNER GODE BESLUTNINGSMODELLER? DST 9535 VERDI AV TILLEGGSINFORMASJON.. Forelesningsnotet 3. Hva kjennetegner gode beslutningsmodeller? B) Når har informasjon
DetaljerHvordan hente ut listen over et hagelags medlemmer fra Hageselskapets nye portal
Hvordan hente ut listen over et hagelags medlemmer fra Hageselskapets nye portal Av Ole Petter Vik, Asker Versjon 2.3 20.03.2012 Beskrivelsene for hvert enkelt skritt er over hvert skjermbilde. Via Hageselskapets
DetaljerStatistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere
2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Å analysere en utvalgsobservator for å trekke slutninger
DetaljerØstCom Mobil Skyveport Feilsøking og Funksjonskontroll Motor BX-246
ØstCom Mobil Skyveport Feilsøking og Funksjonskontroll Motor BX-246 Komplett funksjonssjekk Figur 1 Figur 2 Figur 3 Åpne luken for manuell utløsning nede på motoren. Låsehaken på denne går gjennom ett
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 0, blokk II Løsningsskisse Oppgave Surhetsgrad i ferskvann Eksamen august 00, oppgave av 3 a) En god estimator
Detaljer