====== Computer Vision ======
  * **Datum:** August 2012
  * **Prüferin:** Elli Angelopoulou
  * **Beisitzer:** Wilhelm Haas
  * **Art der Prüfung:** Benoteter Schein über 5 ECTS
  * **Note:** 1.0

Prozedere wie gehabt, Fragen werden auf Englisch gestellt, antworten kann man Deutsch/Englisch/Griechisch. Prüfungsklima war sehr locker.

== Image Formation: ==
  * zeichne und erkläre eine pinhole camera -> spiegelverkehrte, auf dem Kopf stehende Bilder der Szene
  * (echte pinhole cameras weisen Probleme auf -> Linsen verwenden) \\ schreibe das thin-lens-law auf -> 1/z + 1/Z = 1/f
  * schreibe die Formeln von radiance und irradiance auf und erkläre beide (am besten anhand von Zeichnungen) -> siehe Skript (wichtig ist denke ich: radiance richtungsabhängig, irradiance nicht)

== Filtering: ==
  *  (eine wichtige Art von Filtern sind linear shift-invariant filters) erkläre linear und shift-invariant mithilfe von Formeln -> siehe Skript
  * -> LSI-Filter kann man mit Faltung (convolution) anwenden: schreibe die Formel für die Faltung auf


== Textures: ==
  * es werden spot und bar filters verwendet, wie werden die ausgedrückt -> gewichtete Summe von Normalverteilungen, einmal symmetrisch, einmal lang gezogen über unterschiedliche Varianzen in x/y
  * Formel für 2D-Normalverteilung mit unterschiedlichem sigma_x und sigma_y und nicht-0 mean

== Multi-View Geometry: ==
  * zeichne und erkläre die epipolar geometry -> epipolar plane aufgespannt durch O, O‘ und P; epipolar lines Schnitt der epipolar plane mit Bildebenen; epipole Schnitt der epipolar line mit der baseline; epipolar constraint: die Bilder eines Punktes müssen auf den entsprechenden epipolar lines liegen
  * gib die analytische Beschreibung der epipolar geometry an -> essential / fundamental matrix
  * schreib die Formeln für beide hin -> p^TEp‘=0, F=K^{-T}E(K‘)^{-1}
  * wie kann man die fundamental matrix bestimmen? -> 8-point-algorithm
  * erläutere den Algorithmus -> mind. 8 Punktkorrespondenzen, Gleichungssystem bilden, SVD, Spalte zum Singulärwert 0 ist eigentlich Lösung F, wegen Rauschen etc. jedoch i.d.R. kein Wert gleich 0. Deshalb Spalte zu niedrigstem Singulärwert nehmen, darauf nochmal SVD, dort niedrigsten Singulärwert von D auf 0 setzen und wieder mit U und V multiplizieren (F „künstlich“ singulär machen)

== State Estimation: ==
  * erkläre das Framework eines Kalman-Filters -> linear dynamic system mit gaussian noise
  * schreibe die state transition Formeln dafür auf -> siehe Skript (die Formeln vom Kalman-Filter selbst waren nicht gefragt)
  * erkläre im Gegensatz dazu Particle Filters (welche Voraussetzungen machen diese?) -> sehr allgemein, arbeitet mit einem bayesian framework
  * was wird geschätzt und schreibe die Wahrscheinlichkeit dafür -> posterior belief p(x_k|z_{1:k}) (= aktueller Zustand in Abhängigkeit von allen bisherigen Messungen einschließlich der neuesten)
  * wie wird posterior bestimmt -> nicht explizit, sondern über samples (-> particles) aus einer anderen Verteilung q(x), Gewichte w_i = p(x_i) / q(x_i)

== SIFT: ==
  * **Hinweis:** Ich habe die Fragen zu den obigen Themen recht kurz und bündig beantwortet, deshalb war noch Zeit übrig für Fragen zu SIFT. Elli meinte, so weit kommt sie normalerweise nicht.
  * was sind die 4 Schritte zur Bestimmung eines SIFT descriptors -> scale-space extrema, localization + filtering, orientation assignment, keypoint creation, jeden Schritt sehr grob beschreiben