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