Klausur Sommer 2008 Aufgabe 6 Vision - Face Detection

[Red*Star]

Abgesehen von der 6.2 komme ich irgendwie überhaupt nicht mit dieser Aufgabe klar... alles außer der 6.2 ist total schwammig:
Bei 6.2 hätte ich geantwortet "Sliding Window-Verfahren bei Benutzung verschiedener Bild- (bzw. Fenster-) Größen". So. Aber was ist bei 6.1 und 6.3 und 6.4 verlangt?
@6.1: Haben wir irgendwo eine "offizielle" Liste von wichtigen Aspekten der FaceDetection in Farbbildern? Ich hab sie zumindest in den Folien nicht gefunden. Sprich: Wir dürften uns hier (wenn es Klausuraufgabe würde) irgendwas aus den Fingern saugen, und hoffen, dass unser Gott namens Korrektor einen guten Tag hat?
6.3 ist ähnlich seltsam: "Wie können Sie diese kombinieren?" Ich nehme an, es ist verlangt, dass wir schreiben: So, dass ein Graustufenwert herauskommt - aber auf die Frage kann ich auch antworten, ohne die Korrektheit zu gefährden: "So wie ich will." Denn ich kann sie in der Tat so kombinieren wie ich will... es macht halt nur keinen Sinn dann.
Bei 6.4 schließlich frage ich mich, was das noch mit Computer Vision zu tun haben soll... im Prinzip sind wir doch schon wieder bei Statistik, oder? Abgesehen davon hab ich keine Ahnung, wieso die Körpergröße von männlichen Europäern gleichverteilt sein sollten... sprich es gibt auch Zwerge mit 1 cm Körpergröße? Hä?

Hat irgendwer eine Idee, wie die "korrekten" Antworten lauten könnten, sofern sie im Nimbus der HCS-Hölle irgendwo existieren?

Vielen Dank schonmal

[fl0]

Hi du,

also hier meine Antworten (diese Stehen auch so im Skript).

6.1 3-Aspekte
Representation von Objekte
-lokale Merkmale
-globale Anordnung der Merkmale
Trainingsdaten
-sowohl Positive
-als auch negative Beipsiele
KLassifikation und Lernmethoden

6.2
Sliding-Window Verfahren

6.3
KOmbiniert werden können diese mittels dem Naive Bayes Klassifikator. Dabei gehen wir davon aus, das alle Merkmale xi statistiche unabhängig sind (Falsche Annahme aber besseres Ergebnis)

Formel: P(Ck |x1,........xd)= Produkt........ steht auch im Skript schau mal nach


6.4
Stichproben umfang zu gering.
Je größer die Stichprobe (Gesetz der Großen Zahlen) desto eher trifft man im Mittel den Erwartungsweert mü
Je größer die Stichprobe desto eher is die Mittelwertschätzung normalverteilt (zentraler Grenzwertsatz) --> central limit theorem


Zur Zeichnung:

Zeichne 2 Glockenkurven, die eine ist breiter wie die andere und hat eine größer Fläche die sie einschließt

[Red*Star]

Hi du,

also hier meine Antworten (diese Stehen auch so im Skript).

In welchem Skript?

6.1 3-Aspekte
Representation von Objekte
-lokale Merkmale
-globale Anordnung der Merkmale
Trainingsdaten
-sowohl Positive
-als auch negative Beipsiele
KLassifikation und Lernmethoden

6.2
Sliding-Window Verfahren

6.3
KOmbiniert werden können diese mittels dem Naive Bayes Klassifikator. Dabei gehen wir davon aus, das alle Merkmale xi statistiche unabhängig sind (Falsche Annahme aber besseres Ergebnis)

Formel: P(Ck |x1,........xd)= Produkt........ steht auch im Skript schau mal nach


6.4
Stichproben umfang zu gering.
Je größer die Stichprobe (Gesetz der Großen Zahlen) desto eher trifft man im Mittel den Erwartungsweert mü
Je größer die Stichprobe desto eher is die Mittelwertschätzung normalverteilt (zentraler Grenzwertsatz) --> central limit theorem


Zur Zeichnung:

Zeichne 2 Glockenkurven, die eine ist breiter wie die andere und hat eine größer Fläche die sie einschließt

Hm, also das mit der Zeichnung hätte ich intuitiv auch so gemacht. Vielen Dank auch für den Rest... ich hoffe, dass er mir morgen irgendwas nützt ^^

Glück auf, wie die Bergleute sagen .

[Natchen]

Foliensatz zu Computer Vision.
Aspekte sind hier auf Folie 49

[Red*Star]

Gut, aber Folien sind kein Skript.