INTRODUCTION IN 384, H-2001 SEGMENTATION METHODS 21/ Fritz Albregtsen. Automatic versus Interactive. Parametric versus Non-parametric
|
|
- Herman Hjelle
- 7 år siden
- Visninger:
Transkript
1 IN 384, H-001 SEGMENTATION METHODS 1/ Fritz Albregtsen INTRODUCTION Automatic thresholding is important in applications where speed or the physical conditions prevent human interaction. In bi-level thresholding, the histogram of the image is usually assumed to have one valley between two peaks, the peaks representing objects and background, respectively. Thresholding is usually a pre-process for various pattern recognition techniques. Thresholding may also be a pre-process for adaptive filtering, adaptive compression etc. Parametric versus Non-parametric Automatic versus Interactive Parametric techniques: Estimate parameters of two distributions from given histogram. Difficult or impossible to establish a reliable model. Non-parametric case: Separate the two gray level classes in an optimum manner according to some criterion between-class variance divergence entropy conservation of moments. Nonparametric methods are more robust, and usually faster. Automatic means that the user does not have to specify any parameters. There are no truly automatic methods, always built-in parameters. Distinction between automatic methods and interactive methods. Distinction between supervised (with training) and unsupervised (clustering).
2 Global and Non-contextual? Global methods use single threshold for entire image Local methods optimize new threshold for a number of blocks or sub-images. Global methods put severe restrictions on the gray level characteristics of objects and background the uniformity in lighting and detection The fundamental framework of the global methods is also applicable to local sub-images. Non-contextual methods rely only on the gray level histogram of the image. Contextual methods make use of the geometrical relations between pixels. Bi-level thresholding The histogram is assumed to be twin-peaked. Let P 1 og P betheaprioriprobabilities of background and foreground. (P 1 +P =1). The two distributions are given by b(z) and f(z). The complete histogram is given by p(z) =P 1 b(z)+p f(z) The probabilities of mis-classifying a pixel, given a threshold t: E 1 (t) = t f(z)dz E (t) = b(z)dz t The total error is : E(t) =P 1 b(z)dz + P t t f(z)dz Differentiate with respect to the threshold t E t =0 P 1 b(t)=p f(t) Bi-level thresholding For Gaussian distributions P 1 e (T µ 1 ) σ 1 = P e (T µ ) σ πσ1 πσ We get a quadratic equation: (σ1 σ ) T +(µ 1 σ µ σ1) T +σ1µ σµ 1 +σ1σ ln P 1σ =0 P σ 1 Two thresholds may be necessary! If the two variances are equal σ B = σ F = σ T = (µ 1 + µ ) σ + (µ 1 µ ) ln P P 1 If the aprioriprobabilities P 1 og P are equal T = (µ 1 + µ ) The method of Ridler and Calvard The initial threshold value, t 0, is set equal to the average brightness. The threshold value for the k + 1-th iteration is given by t k+1 = µ 1(t k )+µ (t k ) = 1 t k z=0 zp(z) G 1 t k z=0 p(z) + z=t k +1 zp(z) G 1 t k +1 p(z) µ 1 (t k ) is the mean value of the gray values below the previous threshold t k,andµ (t k ) is the mean value of the gray values above the previous threshold. Note that µ 1 (t) andµ (t) are the a posteriorimean values, estimated from overlapping and truncated distributions. The aprioriµ 1 and µ are unknown to us. The correctness of the estimated threshold depends on the extent of the overlap, as well as on the correctness of the P 1 P -assumption.
3
4 Entropy-based methods Kapur et al. proposed a thresholding algorithm based on Shannon entropy. For two distributions separated by a threshold t the sum of the two class entropies is ψ(t) = t p(z) p(z) ln P 1 (t) P 1 (t) G 1 p(z) p(z) ln 1 P 1 (t) 1 P 1 (t) Using z=0 z=t+1 H t = t p(z)ln(p(z)) z=0 H G = G 1 z=0 p(z)ln(p(z)) the sum of the two entropies may be written as ψ(t) =ln [P 1 (t)(1 P 1 (t))] + P 1 (t) + H G H t 1 P 1 (t). The discrete value T of t which maximizes ψ(t)isnow the selected threshold. H t Preservation of moments Gives threshold without iteration or search. The observed image f may be seen as blurred version of the thresholded image g with gray levels z 1 and z. The method selects a threshold T such that if all belowthreshold values in f are replaced by z 1, and all abovethreshold values are replaced by z, then the first three moments are preserved. The i-th moment m i of the image f may be computed from the normalized histogram p(z) by m i = G 1 p j (z j ) i, i =1,,3. j=0 Let P 1 (t) andp (t) denote the a posteriori fractions of the below-threshold and above-threshold pixels in f. Then the moments of g are given by m i = P j (t)(z j ) i, i =1,,3. j=1 We want to preserve the moments j=1 P j (t)(z j ) i = m i = m i = G 1 and we have j=0 P 1 (t)+p (t)=1 p j (z j ) i, i =1,,3. Solving these four equations will give the threshold T. Solving the equations In the bi-level case, the equations are solved as follows c d = c 0 =(1/c d ) c 1 =(1/c d ) m 0 m 1 m 1 m m m 1 m 3 m m 0 m m 1 m 3 z 1 =(1/) [ c 1 (c 1 4c 0) 1/] z =(1/) [ c 1 +(c 1 4c 0 ) 1/] P d = P 1 =(1/P d ) 1 1 z 1 z 1 1 m z Exponential convex hull Convex deficiency is obtained by subtracting the histogram from its convex hull. This may work even where no valley exists. Upper concavity of histogram tail regions can often be eliminated by considering ln{p(z)} instead of the histogram p(z). In the ln{p(z)}-domain, upper concavities can be produced by bimodality and by shoulders, but not by the tail of normal or exponential, nor by extension of histogram. Transform histogram p(z) byln{p(z)}, compute convex hull, and transform convex hull back to histogram domain by h e (k) =exp(h(k)). Threshold is found by sequential search for maximum exponential convex hull deficiency. The optimal threshold, T, is then chosen as the P 1 -tile (or the gray level value closest to the P 1 -tile) of the histogram of f.
5 SEGMENTERING Segmentering er ett av de viktigste elementene i et komplett bilde-analyse system. I segmenteringen får vi fram regioner og objekter som senere skal beskrives og gjenkjennes. Vi omtaler to kategorier av metoder, basert på to egenskaper ved piksler i bilder, nemlig likhet og diskontinuitet Ved region-basert segmentering (terskling, groing, split-and-merge) får vi fram de pikslene som ligner hverandre. Dermed har vi alle pikslene i objektet. I kant-basert segmentering finner vi basalelementer kant-, linje-, hjørne-punkter,... I neste steg: Tynner og kjeder sammen til kanter, linjer, hjørner,... Dermed har vi omrisset av objektene. Region-basert segmentering Segmentering deler et bilde opp i regioner. Vi kan finne (deler av) omrisset til regionene i et bilde ved kant-deteksjon. Vi kan segmentere ved terskling. Vi skal nå finne regionene direkte. La R være hele bildet, og anta at det består av regionene R i,i {1,..., n} Regionene danner tilsammen hele bildet Regionene er disjunkte n i=1r i = R R i R j = φ, i j Et predikat P er tilfredsstilt av alle pikslene i hver region P (R i )=TRUEfori {1,..., n} To nabo-regioner er forskjellige mht predikatet P P (R i R j )=FALSEfori j der P (R) er et predikat over pikslene i mengden R og φ er den tomme mengde. FA-in384-edge1- FA/IN384/region-01 Groing Så noen frø-punkter i bildet, og gro regioner ved å ta med nabo-piksler inn i regionen dersom de har egenskaper (gråtone, farge, tekstur, etc.) som faller innenfor en gitt toleranse. Problemer: - Valg av frø-punkter - Valg av egenskaper og toleranser - Stopp-kriterier Lag et histogram over egenskapene. Velg punkter som har en hyppig forekommende egenskaps-vektor. Gitt a priori kunnskap: bruk den! Metoden er ofte applikasjons-avhengig. Teksturerte objekter blir homogene hvis vi bruker passende tekstur-egenskap. Split and merge Gitt en region R i og et predikat P. Split = del en region i to disjunkte regioner. merge = slå sammen to regioner. Split hvis P (R i )=FALSE Merge R j og R k hvis P (R j R k ) =TRUE Stopp når det ikke kan splittes eller merges mer. Spesialtilfelle: - splitt i fire kvadranter hvis P (R i )=FALSE - merge nabo-regioner hvis P (R j R k )=TRUE FA/IN384/region-0 FA/IN384/region-03
6 Merging of regions Gitt to regioner R 1 og R med perimetre P 1 og P. C = lengden av grenselinjen D = lengde av C der δ(ampl.) <ɛ 1 Merge hvis D min(p 1,P ) >ɛ, ɛ 1/ Dette forhindrer merging av like store regioner. Videre merging hvis D C >ɛ 3, ɛ 3 3/4 Fungerer for intensitets-bilder med få objekter og lite tekstur. Teksturerte regioner blir homogene hvis vi bruker passende tekstur-egenskap. Bruk region-groing i tekstur-egenskaps bilder. Hough-transform Anta at vi har foretatt en kantdeteksjon og en terskling av resultat-bildet. Dermed har vi n punkter som f.eks. beskriver et objekt. Vi vil finne delmengder av disse punktene som ligger på rette linjer. Betrakt et punkt (x i,y i ) og en rett linje y i = ax i + b Hvert punkt (x i,y i ) i bilde-domenet svarer til en rett linje gitt ved b = x i a + y i i parameter-domenet (ab-planet) FA/IN384/region-04 FA/IN384/hough-01 Hough-transform II Del opp ab-planet i akkumulator-celler A [a, b],a [a min,a max ];b [b min,b max ] sett alle A[a,b] := 0; for hvert punkt (x,y) der grad(x,y) > T for alle mulige verdier av a b = -xa + y; A[a,b] := A[a,b] + 1; end end En verdi A [i, j] =M svarer til at M punkter i x, y-planet ligger på linjen y = a i x + b j Denne representasjonen håndterer ikke vertikale linjer! Hough-transform III Benytter normal-representasjonen for en rett linje, gitt ved x cos θ + y sin θ = ρ Hvert punkt (x i,y i ) i xy-planet gir nå opphav til en sinusoid i ρθ-planet. M ko-lineære punkter som ligger på linjen x cos θ j +sinθ j =ρ i gir M kurver som skjærer hverandre i punktet (ρ i,θ j ) i parameter-planet. Lokale maksima => signifikante linjer FA/IN384/hough-0 FA/IN384/hough-03
7 Hough-transform IV Del opp ρθ-planet i akkumulatorceller A [ρ, θ],ρ [ρ min,ρ max ];θ [θ min,θ max ] Range for θ er ±90 o fra x-aksen horisontal linje har θ =90 o,ρ 0 vertikal linje har θ =90 o,ρ 0 eller θ = 90 o,ρ 0 Range for ρ er ±D der D er lengden av sidekanten i bildet. Hough-transform, problemer Lengde og posisjon til et linjesegment kan ikke finnes. Ko-lineære linjesegmenter kan ikke skilles fra hverandre. Hvordan skal vi finne lokale maksima i parameter-planet, som svarer til sammen hengende linjestykker i bildeplanet? Høy terskel => korte linjestykker går tapt Lav terskel => deteksjon av ikkesammenhengende piksler. Løsning: Lokal terskling. Traverser de piksler som svarer til et maksimum i parameter-planet. Sjekk at gap < toleranse. FA/IN384/hough-04 FA/IN384/hough-05 Hough-transform, lokal gradient Hough-transform, sirkler Gitt et gradient-magnitude bilde g(x, y) som inneholder et linjesegment. Enkel algoritme: for alle g(x i,y i )>T do for alle θ do ρ := x i cos θ + y i sin θ inkrementér A(ρ, θ) FORENKLET: Gitt gradient-magnituden g(x, y) og gradient-komponentene g x and g y, eller φ g (x, y) = arctan ( ) g y g x Algoritme: for alle g(x i,y i )>T do ρ := x i cos(φ g (x, y)) + y i sin(φ g (x, y)) inkrementér A(ρ, φ g (x, y)) Parametrisering av sirkel i xy-planet (x a) +(y b) =c Vi få r altså et 3-dimensjonalt parameter-rom å søke i. Enkel prosedyre, gitt akkumulator A[i, j, k] : sett alle A[a,b,c] := 0; for hvert punkt (x,y) der grad(x,y) > T for alle mulige a og b c = sqrt((x-a)** + (y-b)**); A[a,b,c] := A[a,b,c] + 1; end; end; Andre, mer elegante forslag? FA/IN384/hough-06 FA/IN384/hough-07
SEGMENTERING IN 106, V-2001 BILDE-SEGMENTERING DEL I 26/ Fritz Albregtsen SEGMENTERING SEGMENTERING
SEGMENTERING IN 106, V-2001 Segmentering er en prosess som deler opp bildet i meningsfulle regioner. I det enkleste tilfelle har vi bare to typer regioner BILDE-SEGMENTERING DEL I Forgrunn Bakgrunn Problemet
DetaljerSlope-Intercept Formula
LESSON 7 Slope Intercept Formula LESSON 7 Slope-Intercept Formula Here are two new words that describe lines slope and intercept. The slope is given by m (a mountain has slope and starts with m), and intercept
DetaljerMathematics 114Q Integration Practice Problems SOLUTIONS. = 1 8 (x2 +5x) 8 + C. [u = x 2 +5x] = 1 11 (3 x)11 + C. [u =3 x] = 2 (7x + 9)3/2
Mathematics 4Q Name: SOLUTIONS. (x + 5)(x +5x) 7 8 (x +5x) 8 + C [u x +5x]. (3 x) (3 x) + C [u 3 x] 3. 7x +9 (7x + 9)3/ [u 7x + 9] 4. x 3 ( + x 4 ) /3 3 8 ( + x4 ) /3 + C [u + x 4 ] 5. e 5x+ 5 e5x+ + C
DetaljerLevel Set methods. Sandra Allaart-Bruin. Level Set methods p.1/24
Level Set methods Sandra Allaart-Bruin sbruin@win.tue.nl Level Set methods p.1/24 Overview Introduction Level Set methods p.2/24 Overview Introduction Boundary Value Formulation Level Set methods p.2/24
DetaljerOppgave 1a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet.
TDT445 Øving 4 Oppgave a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet. Nøkkel: Supernøkkel: Funksjonell avhengighet: Data i en database som kan unikt identifisere (et sett
DetaljerGraphs similar to strongly regular graphs
Joint work with Martin Ma aj 5th June 2014 Degree/diameter problem Denition The degree/diameter problem is the problem of nding the largest possible graph with given diameter d and given maximum degree
DetaljerHva er segmentering? INF Fritz Albregtsen. Tema: Segmentering av bilder Del 1: - Ikke-kontekstuell terskling
Hva er segmentering? IN 160-80003 ritz Albregtsen Tema: Segmentering av bilder Del 1: - Ikke-kontekstuell terskling Litteratur: Efford, DIP, kap 101-10 Segmentering er en prosess som deler opp bildet i
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Exam: ECON320/420 Mathematics 2: Calculus and Linear Algebra Eksamen i: ECON320/420 Matematikk 2: Matematisk analyse og lineær algebra Date of exam: Friday, May
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT2400 Analyse 1. Eksamensdag: Onsdag 15. juni 2011. Tid for eksamen: 09.00 13.00 Oppgavesettet er på 6 sider. Vedlegg: Tillatte
DetaljerPhysical origin of the Gouy phase shift by Simin Feng, Herbert G. Winful Opt. Lett. 26, (2001)
by Simin Feng, Herbert G. Winful Opt. Lett. 26, 485-487 (2001) http://smos.sogang.ac.r April 18, 2014 Introduction What is the Gouy phase shift? For Gaussian beam or TEM 00 mode, ( w 0 r 2 E(r, z) = E
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON20/420 Matematikk 2: Matematisk analyse og lineær algebra Exam: ECON20/420 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Fredag 2. mai
DetaljerUniversitetet i Bergen Det matematisk-naturvitenskapelige fakultet Eksamen i emnet Mat131 - Differensiallikningar I Onsdag 25. mai 2016, kl.
1 MAT131 Bokmål Universitetet i Bergen Det matematisk-naturvitenskapelige fakultet Eksamen i emnet Mat131 - Differensiallikningar I Onsdag 25. mai 2016, kl. 09-14 Oppgavesettet er 4 oppgaver fordelt på
DetaljerNeural Network. Sensors Sorter
CSC 302 1.5 Neural Networks Simple Neural Nets for Pattern Recognition 1 Apple-Banana Sorter Neural Network Sensors Sorter Apples Bananas 2 Prototype Vectors Measurement vector p = [shape, texture, weight]
DetaljerUnit Relational Algebra 1 1. Relational Algebra 1. Unit 3.3
Relational Algebra 1 Unit 3.3 Unit 3.3 - Relational Algebra 1 1 Relational Algebra Relational Algebra is : the formal description of how a relational database operates the mathematics which underpin SQL
DetaljerUNIVERSITY OF OSLO DEPARTMENT OF ECONOMICS
UNIVERSITY OF OSLO DEPARTMENT OF ECONOMICS Postponed exam: ECON420 Mathematics 2: Calculus and linear algebra Date of exam: Tuesday, June 8, 203 Time for exam: 09:00 a.m. 2:00 noon The problem set covers
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON30/40 Matematikk : Matematisk analyse og lineær algebra Exam: ECON30/40 Mathematics : Calculus and Linear Algebra Eksamensdag: Tirsdag 0. desember
DetaljerDynamic Programming Longest Common Subsequence. Class 27
Dynamic Programming Longest Common Subsequence Class 27 Protein a protein is a complex molecule composed of long single-strand chains of amino acid molecules there are 20 amino acids that make up proteins
DetaljerStationary Phase Monte Carlo Methods
Stationary Phase Monte Carlo Methods Daniel Doro Ferrante G. S. Guralnik, J. D. Doll and D. Sabo HET Physics Dept, Brown University, USA. danieldf@het.brown.edu www.het.brown.edu Introduction: Motivations
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON3120/4120 Mathematics 2: Calculus an linear algebra Exam: ECON3120/4120 Mathematics 2: Calculus an linear algebra Eksamensag: Tirsag 3. juni 2008
DetaljerSVM and Complementary Slackness
SVM and Complementary Slackness David Rosenberg New York University February 21, 2017 David Rosenberg (New York University) DS-GA 1003 February 21, 2017 1 / 20 SVM Review: Primal and Dual Formulations
DetaljerGeneralization of age-structured models in theory and practice
Generalization of age-structured models in theory and practice Stein Ivar Steinshamn, stein.steinshamn@snf.no 25.10.11 www.snf.no Outline How age-structured models can be generalized. What this generalization
DetaljerTrigonometric Substitution
Trigonometric Substitution Alvin Lin Calculus II: August 06 - December 06 Trigonometric Substitution sin 4 (x) cos (x) dx When you have a product of sin and cos of different powers, you have three different
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Utsatt eksamen i: ECON420 Matematikk 2: Matematisk analyse og lineær algebra Postponed exam: ECON420 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Mandag
DetaljerFYSMEK1110 Eksamensverksted 23. Mai :15-18:00 Oppgave 1 (maks. 45 minutt)
FYSMEK1110 Eksamensverksted 23. Mai 2018 14:15-18:00 Oppgave 1 (maks. 45 minutt) Page 1 of 9 Svar, eksempler, diskusjon og gode råd fra studenter (30 min) Hva får dere poeng for? Gode råd fra forelesere
DetaljerKneser hypergraphs. May 21th, CERMICS, Optimisation et Systèmes
Kneser hypergraphs Frédéric Meunier May 21th, 2015 CERMICS, Optimisation et Systèmes Kneser hypergraphs m, l, r three integers s.t. m rl. Kneser hypergraph KG r (m, l): V (KG r (m, l)) = ( [m]) l { E(KG
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON320/420 Matematikk 2: Matematisk analyse og lineær algebra Exam: ECON320/420 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Tirsdag 7. juni
DetaljerSecond Order ODE's (2P) Young Won Lim 7/1/14
Second Order ODE's (2P) Copyright (c) 2011-2014 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or
DetaljerMoving Objects. We need to move our objects in 3D space.
Transformations Moving Objects We need to move our objects in 3D space. Moving Objects We need to move our objects in 3D space. An object/model (box, car, building, character,... ) is defined in one position
DetaljerDatabases 1. Extended Relational Algebra
Databases 1 Extended Relational Algebra Relational Algebra What is an Algebra? Mathematical system consisting of: Operands --- variables or values from which new values can be constructed. Operators ---
DetaljerGradient. Masahiro Yamamoto. last update on February 29, 2012 (1) (2) (3) (4) (5)
Gradient Masahiro Yamamoto last update on February 9, 0 definition of grad The gradient of the scalar function φr) is defined by gradφ = φr) = i φ x + j φ y + k φ ) φ= φ=0 ) ) 3) 4) 5) uphill contour downhill
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF 3230 Formell modellering og analyse av kommuniserende systemer Eksamensdag: 4. april 2008 Tid for eksamen: 9.00 12.00 Oppgavesettet
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF 3230 Formell modellering og analyse av kommuniserende systemer Eksamensdag: 4. juni 2010 Tid for eksamen: 9.00 12.00 Oppgavesettet
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Utsatt ksamen i: ECON3120/4120 Matematikk 2: Matematisk analyse og lineær algebra Postponed exam: ECON3120/4120 Mathematics 2: Calculus and linear algebra Eksamensdag:
DetaljerIN2010: Algoritmer og Datastrukturer Series 2
Universitetet i Oslo Institutt for Informatikk S.M. Storleer, S. Kittilsen IN2010: Algoritmer og Datastrukturer Series 2 Tema: Grafteori 1 Publisert: 02. 09. 2019 Utvalgte løsningsforslag Oppgave 1 (Fra
DetaljerEKSAMENSOPPGAVE I FAG TKP 4105
EKSAMENSOPPGAVE I FAG TKP 4105 Faglig kontakt under eksamen: Sigurd Skogestad Tlf: 913 71669 (May-Britt Hägg Tlf: 930 80834) Eksamensdato: 08.12.11 Eksamenstid: 09:00 13:00 7,5 studiepoeng Tillatte hjelpemidler:
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON320/420 Matematikk 2: Matematisk analyse og lineær algebra Exam: ECON320/420 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Onsdag 6. desember
DetaljerMa Flerdimensjonal Analyse Øving 1
Ma1203 - Flerdimensjonal Analyse Øving 1 Øistein Søvik Brukernavn: Oistes 23.01.2012 Oppgaver 10.1 6. Show that the triangle with verticies (1, 2, 3), (4, 0, 5) and (3, 6, 4) has a right angle. z y x Utifra
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON320/420 Matematikk 2: Matematisk analyse og lineær algebra Exam: ECON320/420 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Mandag 8. desember
DetaljerTrust region methods: global/local convergence, approximate January methods 24, / 15
Trust region methods: global/local convergence, approximate methods January 24, 2014 Trust region methods: global/local convergence, approximate January methods 24, 2014 1 / 15 Trust-region idea Model
DetaljerSTILLAS - STANDARD FORSLAG FRA SEF TIL NY STILLAS - STANDARD
FORSLAG FRA SEF TIL NY STILLAS - STANDARD 1 Bakgrunnen for dette initiativet fra SEF, er ønsket om å gjøre arbeid i høyden tryggere / sikrere. Både for stillasmontører og brukere av stillaser. 2 Reviderte
DetaljerAndrew Gendreau, Olga Rosenbaum, Anthony Taylor, Kenneth Wong, Karl Dusen
Andrew Gendreau, Olga Rosenbaum, Anthony Taylor, Kenneth Wong, Karl Dusen The Process Goal Definition Data Collection Data Preprocessing EDA Choice of Variables Choice of Method(s) Performance Evaluation
DetaljerSpeed Racer Theme. Theme Music: Cartoon: Charles Schultz / Jef Mallett Peanuts / Frazz. September 9, 2011 Physics 131 Prof. E. F.
September 9, 2011 Physics 131 Prof. E. F. Redish Theme Music: Speed Racer Theme Cartoon: Charles Schultz / Jef Mallett Peanuts / Frazz 1 Reading questions Are the lines on the spatial graphs representing
DetaljerEmneevaluering GEOV272 V17
Emneevaluering GEOV272 V17 Studentenes evaluering av kurset Svarprosent: 36 % (5 av 14 studenter) Hvilket semester er du på? Hva er ditt kjønn? Er du...? Er du...? - Annet PhD Candidate Samsvaret mellom
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON3120/4120 Matematikk 2: Matematisk analyse og lineær algebra Exam: ECON3120/4120 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Tirsdag
DetaljerSolutions #12 ( M. y 3 + cos(x) ) dx + ( sin(y) + z 2) dy + xdz = 3π 4. The surface M is parametrized by σ : [0, 1] [0, 2π] R 3 with.
Solutions #1 1. a Show that the path γ : [, π] R 3 defined by γt : cost ı sint j sint k lies on the surface z xy. b valuate y 3 cosx dx siny z dy xdz where is the closed curve parametrized by γ. Solution.
DetaljerTFY4170 Fysikk 2 Justin Wells
TFY4170 Fysikk 2 Justin Wells Forelesning 5: Wave Physics Interference, Diffraction, Young s double slit, many slits. Mansfield & O Sullivan: 12.6, 12.7, 19.4,19.5 Waves! Wave phenomena! Wave equation
DetaljerTMA4240 Statistikk Høst 2013
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 6, blokk I Løsningsskisse Oppgave 1 Vi antar X er normalfordelt, X N(3315, 575 2 ). Ved bruk av tabell A.3 finner
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON360/460 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Exam: ECON360/460 - Resource allocation and economic policy Eksamensdag: Fredag 2. november
DetaljerDen som gjør godt, er av Gud (Multilingual Edition)
Den som gjør godt, er av Gud (Multilingual Edition) Arne Jordly Click here if your download doesn"t start automatically Den som gjør godt, er av Gud (Multilingual Edition) Arne Jordly Den som gjør godt,
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Utsatt eksamen i: ECON420 Matematikk 2: Matematisk analyse og lineær algebra Postponed exam: ECON420 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Mandag
Detaljer1. Explain the language model, what are the weaknesses and strengths of this model?
Øving 2 Task 1 Language Model 1. Explain the language model, what are the weaknesses and strengths of this model? En language model er en model som brukes til å forenkle spørringer etter ord i dokumenter.
DetaljerHvordan føre reiseregninger i Unit4 Business World Forfatter:
Hvordan føre reiseregninger i Unit4 Business World Forfatter: dag.syversen@unit4.com Denne e-guiden beskriver hvordan du registrerer en reiseregning med ulike typer utlegg. 1. Introduksjon 2. Åpne vinduet
DetaljerContinuity. Subtopics
0 Cotiuity Chapter 0: Cotiuity Subtopics.0 Itroductio (Revisio). Cotiuity of a Fuctio at a Poit. Discotiuity of a Fuctio. Types of Discotiuity.4 Algebra of Cotiuous Fuctios.5 Cotiuity i a Iterval.6 Cotiuity
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSIEE I OSLO ØKONOMISK INSIU Eksamen i: ECON320/420 Mathematics 2: Calculus and Linear Algebra Exam: ECON320/420 Mathematics 2: Calculus and Linear Algebra Eksamensdag:. desember 207 Sensur kunngjøres:
DetaljerTMA4329 Intro til vitensk. beregn. V2017
Norges teknisk naturvitenskapelige universitet Institutt for Matematiske Fag TMA439 Intro til vitensk. beregn. V17 ving 4 [S]T. Sauer, Numerical Analysis, Second International Edition, Pearson, 14 Teorioppgaver
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT BOKMÅL Utsatt eksamen i: ECON2915 Vekst og næringsstruktur Eksamensdag: 07.12.2012 Tid for eksamen: kl. 09:00-12:00 Oppgavesettet er på 5 sider Tillatte hjelpemidler:
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON1910 Poverty and distribution in developing countries Exam: ECON1910 Poverty and distribution in developing countries Eksamensdag: 1. juni 2011 Sensur
Detaljer2018 ANNUAL SPONSORSHIP OPPORTUNITIES
ANNUAL SPONSORSHIP OPPORTUNITIES MVP SPONSORSHIP PROGRAM CALLING ALL VENDORS! Here is your chance to gain company exposure while strengthening your dealer Association at the same time. Annual Sponsorship
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 6, blokk I Løsningsskisse Oppgave 1 Fremgangsmetode: P X 1 < 6.8 Denne kan finnes ved å sette opp integralet over
DetaljerECON3120/4120 Mathematics 2, spring 2004 Problem solutions for the seminar on 5 May Old exam problems
Department of Economics May 004 Arne Strøm ECON0/40 Mathematics, spring 004 Problem solutions for the seminar on 5 May 004 (For practical reasons (read laziness, most of the solutions this time are in
DetaljerOppgave. føden)? i tråd med
Oppgaver Sigurd Skogestad, Eksamen septek 16. des. 2013 Oppgave 2. Destillasjon En destillasjonskolonne har 7 teoretiske trinn (koker + 3 ideelle plater under føden + 2 ideellee plater over føden + partielll
DetaljerNO X -chemistry modeling for coal/biomass CFD
NO X -chemistry modeling for coal/biomass CFD Jesper Møller Pedersen 1, Larry Baxter 2, Søren Knudsen Kær 3, Peter Glarborg 4, Søren Lovmand Hvid 1 1 DONG Energy, Denmark 2 BYU, USA 3 AAU, Denmark 4 DTU,
DetaljerEN Skriving for kommunikasjon og tenkning
EN-435 1 Skriving for kommunikasjon og tenkning Oppgaver Oppgavetype Vurdering 1 EN-435 16/12-15 Introduction Flervalg Automatisk poengsum 2 EN-435 16/12-15 Task 1 Skriveoppgave Manuell poengsum 3 EN-435
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Utsatt eksamen i: ECON320/420 Matematikk 2: Matematisk analyse og lineær algebra Postponed exam: ECON320/420 Mathematics 2: Calculus and Linear Algebra Eksamensdag:
DetaljerWindlass Control Panel
SIDE-POWER 86-08955 Windlass Control Panel v1.0.2 Windlass Systems Installasjon manual SLEIPNER MOTOR AS P.O. Box 519 N-1612 Fredrikstad Norway Tel: +47 69 30 00 60 Fax: +47 69 30 00 70 w w w. s i d e
DetaljerInformation search for the research protocol in IIC/IID
Information search for the research protocol in IIC/IID 1 Medical Library, 2013 Library services for students working with the research protocol and thesis (hovedoppgaven) Open library courses: http://www.ntnu.no/ub/fagside/medisin/medbiblkurs
DetaljerCall function of two parameters
Call function of two parameters APPLYUSER USER x fµ 1 x 2 eµ x 1 x 2 distinct e 1 0 0 v 1 1 1 e 2 1 1 v 2 2 2 2 e x 1 v 1 x 2 v 2 v APPLY f e 1 e 2 0 v 2 0 µ Evaluating function application The math demands
DetaljerSplitting the differential Riccati equation
Splitting the differential Riccati equation Tony Stillfjord Numerical Analysis, Lund University Joint work with Eskil Hansen Innsbruck Okt 15, 2014 Outline Splitting methods for evolution equations The
DetaljerOppgave 1. ( xφ) φ x t, hvis t er substituerbar for x i φ.
Oppgave 1 Beviskalklen i læreboka inneholder sluttningsregelen QR: {ψ φ}, ψ ( xφ). En betingelse for å anvende regelen er at det ikke finnes frie forekomste av x i ψ. Videre så inneholder beviskalklen
DetaljerHvor mye praktisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye)
INF247 Er du? Er du? - Annet Ph.D. Student Hvor mye teoretisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye) Hvor mye praktisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen,
Detaljerbuildingsmart Norge seminar Gardermoen 2. september 2010 IFD sett i sammenheng med BIM og varedata
buildingsmart Norge seminar Gardermoen 2. september 2010 IFD sett i sammenheng med BIM og varedata IFD International Framework for Dictionaries Hvordan bygges en BIM? Hva kan hentes ut av BIM? Hvordan
DetaljerGir vi de resterende 2 oppgavene til én prosess vil alle sitte å vente på de to potensielt tidskrevende prosessene.
Figure over viser 5 arbeidsoppgaver som hver tar 0 miutter å utføre av e arbeider. (E oppgave ka ku utføres av é arbeider.) Hver pil i figure betyr at oppgave som blir pekt på ikke ka starte før oppgave
DetaljerSmart High-Side Power Switch BTS730
PG-DSO20 RoHS compliant (green product) AEC qualified 1 Ω Ω µ Data Sheet 1 V1.0, 2007-12-17 Data Sheet 2 V1.0, 2007-12-17 Ω µ µ Data Sheet 3 V1.0, 2007-12-17 µ µ Data Sheet 4 V1.0, 2007-12-17 Data Sheet
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON320/420 Mathematics 2: Calculus and linear algebra Exam: ECON320/420 Mathematics 2: Calculus and linear algebra Eksamensdag: Tirsdag 30. mai 207
Detaljer5 E Lesson: Solving Monohybrid Punnett Squares with Coding
5 E Lesson: Solving Monohybrid Punnett Squares with Coding Genetics Fill in the Brown colour Blank Options Hair texture A field of biology that studies heredity, or the passing of traits from parents to
DetaljerNorsk (English below): Guide til anbefalt måte å printe gjennom plotter (Akropolis)
Norsk (English below): Guide til anbefalt måte å printe gjennom plotter (Akropolis) 1. Gå til print i dokumentet deres (Det anbefales å bruke InDesign til forberedning for print) 2. Velg deretter print
DetaljerEKSAMENSOPPGAVE I BI2034 Samfunnsøkologi EXAMINATION IN: BI Community ecology
Norges teknisk-naturvitenskapelige universitet Institutt for Biologi EKSAMENSOPPGAVE I BI2034 Samfunnsøkologi EXAMINATION IN: BI2034 - Community ecology - Faglig kontakt under eksamen/contact person/subject
DetaljerExercise 1: Phase Splitter DC Operation
Exercise 1: DC Operation When you have completed this exercise, you will be able to measure dc operating voltages and currents by using a typical transistor phase splitter circuit. You will verify your
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2310 Digital bildebehandling Eksamensdag: Onsdag 28. mai 2014 Tid for eksamen: 09:00 13:00 Oppgavesettet er på: 6 sider Vedlegg:
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: KJB 492 Bioinformatikk Eksamensdag: Fredag 14. desember 2001 Tid for eksamen: Kl.: 9.00 13.00 Oppgavesettet er på 7 sider. Vedlegg:
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON20 Forbruker, bedrift og marked, høsten 2004 Exam: ECON20 - Consumer behavior, firm behavior and markets, autumn 2004 Eksamensdag: Onsdag 24. november
DetaljerMA2501 Numerical methods
MA250 Numerical methods Solutions to problem set Problem a) The function f (x) = x 3 3x + satisfies the following relations f (0) = > 0, f () = < 0 and there must consequently be at least one zero for
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF 3230/4230 Formell modellering og analyse av kommuniserende systemer Eksamensdag: 24. mars 2006 Tid for eksamen: 13.30 16.30
DetaljerMaple Basics. K. Cooper
Basics K. Cooper 2012 History History 1982 Macsyma/MIT 1988 Mathematica/Wolfram 1988 /Waterloo Others later History Why? Prevent silly mistakes Time Complexity Plots Generate LATEX This is the 21st century;
DetaljerKONTINUASJONSEKSAMEN I EMNE TDT4195 BILDETEKNIKK LØRDAG 15. AUGUST 2009 KL LØSNINGSFORSLAG - GRAFIKK
Side 1 av 8 KONTINUASJONSEKSAMEN I EMNE TDT4195 BILDETEKNIKK LØRDAG 15. AUGUST 2009 KL. 09.00 13.00 LØSNINGSFORSLAG - GRAFIKK OPPGAVE 1 Grafikk diverse spørsmål a) Fargeoppslagstabeller brukes for å minimere
Detaljer0:7 0:2 0:1 0:3 0:5 0:2 0:1 0:4 0:5 P = 0:56 0:28 0:16 0:38 0:39 0:23
UTKAST ENGLISH VERSION EKSAMEN I: MOT100A STOKASTISKE PROSESSER VARIGHET: 4 TIMER DATO: 16. februar 2006 TILLATTE HJELPEMIDLER: Kalkulator; Tabeller og formler i statistikk (Tapir forlag): Rottman: Matematisk
DetaljerEstimating Peer Similarity using. Yuval Shavitt, Ela Weinsberg, Udi Weinsberg Tel-Aviv University
Estimating Peer Similarity using Distance of Shared Files Yuval Shavitt, Ela Weinsberg, Udi Weinsberg Tel-Aviv University Problem Setting Peer-to-Peer (p2p) networks are used by millions for sharing content
DetaljerTMA4245 Statistikk. Øving nummer 12, blokk II Løsningsskisse. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
Vår 205 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 2, blokk II Løsigsskisse Oppgave a - β agir biles besiforbruk i liter/mil - Rimelig med α 0 fordi med x 0 ige
DetaljerMID-TERM EXAM TDT4258 MICROCONTROLLER SYSTEM DESIGN. Wednesday 3 th Mars Time:
Side 1 av 8 Norwegian University of Science and Technology DEPARTMENT OF COMPUTER AND INFORMATION SCIENCE MID-TERM EXAM TDT4258 MICROCONTROLLER SYSTEM DESIGN Wednesday 3 th Mars 2010 Time: 1615-1745 Allowed
DetaljerC13 Kokstad. Svar på spørsmål til kvalifikasjonsfasen. Answers to question in the pre-qualification phase For English: See page 4 and forward
C13 Kokstad Svar på spørsmål til kvalifikasjonsfasen Answers to question in the pre-qualification phase For English: See page 4 and forward Norsk Innhold 1. Innledning... 2 2. Spørsmål mottatt per 28.11.12...
DetaljerTDT4117 Information Retrieval - Autumn 2014
TDT4117 Information Retrieval - Autumn 2014 Assignment 1 Task 1 : Basic Definitions Explain the main differences between: Information Retrieval vs Data Retrieval En samling av data er en godt strukturert
DetaljerMotion segmentation separating background and foreground
Motion segmentation separating background and foreground Tomáš Svoboda, svoboda@cmp.felk.cvut.cz Czech Technical University in Prague, Center for Machine Perception http://cmp.felk.cvut.cz Last update:
DetaljerDu må håndtere disse hendelsene ved å implementere funksjonene init(), changeh(), changev() og escape(), som beskrevet nedenfor.
6-13 July 2013 Brisbane, Australia Norwegian 1.0 Brisbane har blitt tatt over av store, muterte wombater, og du må lede folket i sikkerhet. Veiene i Brisbane danner et stort rutenett. Det finnes R horisontale
DetaljerOPPA European Social Fund Prague & EU: We invest in your future.
OPPA European Social Fund Prague & EU: We invest in your future. Talk Outline appearance based tracking patch similarity using histogram tracking by mean shift experiments, discussion Mean shift Tomáš
DetaljerLøsningsførslag i Matematikk 4D, 4N, 4M
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 6 Løsningsførslag i Matematikk 4D, 4N, 4M Oppgave (Kun før 4D Vi har f(x, y x + y x y, for x y. Dette gir For (x, y
DetaljerFilter-egenskaper INF Fritz Albregtsen
Filter-egenskaper INF 60-04.03.2002 Fritz Albregtsen Tema: Naboskaps-operasjoner Del 2: - Lineær filtrering - Gradient-detektorer - Laplace-operatorer Linearitet H [af (x, y) + bf 2 (x, y)] ah [f (x, y)]
DetaljerA Benchmark of Selected Algorithmic. Machine Learning and Computer Vision
A Benchmark of Selected Algorithmic Differentiation Tools on Some Problems in Machine Learning and Computer Vision FILIP SRAJER ZUZANA KUKELOVA ANDREW FITZGIBBON AD2016 11.9.2016 Version for public release
DetaljerMotion segmentation separating background and foreground. The Goal. Scenario. Applications
Motion segmentation separating background and foreground Tomáš Svoboda, svoboda@cmp.felk.cvut.cz Czech Technical University in Prague, Center for Machine Perception http://cmp.felk.cvut.cz Last update:
DetaljerEksamensoppgave i TMA4320 Introduksjon til vitenskapelige beregninger
Institutt for matematiske fag Eksamensoppgave i TMA432 Introduksjon til vitenskapelige beregninger Faglig kontakt under eksamen: Anton Evgrafov Tlf: 453 163 Eksamensdato: 8. august 217 Eksamenstid (fra
DetaljerOPPA European Social Fund Prague & EU: We invest in your future.
OPPA European Social Fund Prague & EU: We invest in your future. Talk Outline appearance based tracking patch similarity using histogram tracking by mean shift experiments, discussion Mean shift Tomáš
Detaljer