Computer Vision

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

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)
Wollte die lange Formel fuer E nicht wissen. Bei L = d^2P/(dw*dA*cos(Theta)) wurde speziell nach dw und Theta gefragt → Skizze
inklusive allgemeine Beschreibung was die Begriffe bedeuten

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
Skizzen der Gausssummen (war aber wohl nicht noetig)

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
Daher wird Suchproblem auf 1D eingeschraenkt
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}
Und wenn man nun die selbe Kamera nimmt und zwei Bilder macht (inklusive verschieben) → K = K'

optical flow (2D, subjektive warhnehmung) vs. motion field (projektion der eigentlichen bewegung): definition und unterschied
Wollte nicht ins Detail gehen, Barber Pole war schon zu viel :)

Kalman Filters

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)
prediction step → innovation step (→ update step) mit den Matrixmult + Noise Formeln
Posterior p(x_k|z_(1:k)) ~ N(x_k, P_k) wird maximiert, ist normalverteilt ⇒ Max bei Mittelwert (Posterior Formel nicht verlangt)

Particle Filters

erkläre im Gegensatz dazu Particle Filters (welche Voraussetzungen machen diese?) → sehr allgemein, arbeitet mit einem bayesian framework
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)
Gewichte, da p() != q()
kleine Skizze zu moeglichen p() und q() inklusive Gewichte
Posterior wird durch x_k^i angenaehert, wobei zugehoeriges Gewicht zum Partikel i w_k^i = max(w_k)