Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 5 » Computer Vision   (Übersicht)

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