Emma Hallstan Emmha584
|
|
- Sara Andersson
- för 5 år sedan
- Visningar:
Transkript
1 LINKÖPING UNIVERISTET SIFT AIBOs ögon Emma Hallstan Emmha584
2 Innehållsförteckning Inledning... 3 Syfte... 3 SIFT- Scale Invariant Feature Transform... 3 Historien om SIFT... 4 SIFT algoritmen Scale-space extrema detection Keypoint localization Orientation assignment Keypoint descriptor... 7 Diskussion... 8 Referens
3 Inledning AIBO är en 30 centimeter hög och lång robot hund som Sony började sälja redan Genom åren har flera generationer/utvecklade versioner av AIBO framkommit. Namnet AIBO är en förkortning av Artificial Intelligence robot och utvecklades utifrån ett forskningsprojekt om just artificiell intelligens. Robothunden har funktioner som bland annat röstigenkänning och kan förstå röstkommandon samt har förmågan att lära sig nya beteenden. Den kan lära sig av sin omgivning som kan bestå av till exempel andra AIBO hundar. För att AIBO ska efterlikna en riktig hund så mycket som möjligt så är den även programmerad att då och då ignorera röstkommandon även om de förstår dem[1]. Utöver att kunna anpassa sig till sin miljö har AIBO fler kanaligt hörsel (in stereo) och färg seende. Figure 1 AIBO AIBO utmärker sig från andra mer traditionella artificiella robotar då den samordnar en dator, syn system (vision system) och artikulator (articulators) in en och samma förpackning[1]. Syfte Mitt syfte med detta arbete är att fördjupa mig i Scale Invariant Feature Transform algoritmen (SIFT) som även kan kallas för AIBOs ögon. Hunden använder sig av algoritmen för att exempelvis hitta tillbaka till sin laddare. Jag önskar med detta arbete presentera algoritmens historia och visa dess grunder. SIFT- Scale Invariant Feature Transform SIFT är en algoritm som kan läsa av och tolka ett objekts särdrag. Den utgår ifrån ett objekts utseende och speciella drag. Yttre faktorer som störningar och mindre förändringar i dess synfält påverkar inte tolkningsförmågan[2]. SIFT-algoritmen behöver minst tre särdrag för att kunna göra en tillräcklig beräkning av ett objekts position. Kvantiteten av särdrag är väldgit viktiga vid objektigenkänning[3]. Varje ny bild (image) matchas genom att individuellt jämföra alla särdragen med en databas och hitta en matchning med någon bild som är lagrad där. Matchning är resultatet av en bild som totalt har flest kompatibla särdrag. De ska stämma överens med bildens placering, skala 3
4 och position[3]. Historien om SIFT Denna slags forskning då man matchar bilder med hjälp av nyckelpunkter kan spåras tillbaka till 1981 och Maravecs arbete om användningen av stereo matchning genom hans corner detector [3]. Matchningen kallas The Moravec operator och definierar intressanta punkter hos en bild där intensiteten varierar stort i varje riktning. Av denna anledning kallas matchningen för corner detector då de intressanta punkterna ofta blir hörn (corner). Moravec var själv intresserad av att hitta specifika delar av en bild som kunde användas för att registrera på varandra följande bildpunkter och inte isynnerhet hörnen av en bild[5]. Denna detektor förbättrades så att den skulle klara av mindre bildvariationer samt närliggande kanter bättre. Harris och Stephen stod för denna utveckling[3]. De intresserade sig för användning av teknik för rörelse analys för att tolka omgivningen. Maravecs arbete begränsades med att matchningarna endast definierade hörn, detta har Harris och Stephen försökt korrigera genom att fokusera både hörn och kanter[6]. Deras resultat har legat till grund för flera andra bildmatchningar[3]. Zhang introducerade korrelationsfönster kring varje hörn för att på så sätt finna trovärdiga matchningar[3]. Tanken är att använda en heuristisk teknik för att finna matchningar[7]. Samtidigt utvecklade Torr en rörelse matchning som liknade Zhangs detektor[3]. Schmid och Mohr var de som var banbrytare med sin forskning. De visade att en oföränderlig matchning (local feature matching) kunde expanderas till generella bilder och dess igenkänning. På så sätt kunde bildens särdrag matchas med en existerande databas. För att finna intressanta nyckelpunkter användes Harris corner detector som grund, men utvecklade detta med möjligheten att rotera sina objekt. Med dessa framsteg kunde alltså en blid med en position matchas med en bild som har en annan position[3]. Harris modellen var väldigt känslig för förändring vad gäller bildens skala och visade sig därför inte vara en bra bas för att matcha bilder i olika skalor. För att uppnå en större varians i skalan utökade Lowe i sina tidigare arbeten ansatsen om lokala särdrag samt presenterade en ny local descriptor som hanterade andra särdrag utan att vara lika känslig för bildens förändringar[3]. SIFT algoritmen SIFT algoritmen består av totalt fyra steg: Scale-space extrema detection, Keypoint localization, Orientations assignment och Keypoint descriptor. 1. Scale- space extrema detection Det fösta steget i SIFT algoritmen lokaliserar punkter, nyckelpunkter, hos en bild. Dessa nyckelpunkter utmärker sig genom att var exempelvis mörkare eller ljusare än andra delar av bilden[2]. Processen börjar med en sökning av stabila nyckelpunkter[3] ifrån olika vinklar på ett och samma bild. De vinklade sökningsbilderna och nyckelpunkterna jämförs med varandra 4
5 med hjälp av funktionen Difference-off Gaussian (DoG) som kan räkna ut differensen mellan två punkter på två olika bilder[2]. Bildens skala definieras som, L(x,y,σ), som är en produkt av konvolutionen mellan Gaussians variabelskala, G(x,y,σ), och input från bilden, I(x,y) [3]. L(x,y,σ) = G(x,y,σ)*I(x,y) DoG identifierar de nyckelpunkter som har stor potential då de inte påverkas av skala eller vinkel, utan förblir oföränderliga. För att effektivt hitta dessa nyckelpunkter föreslår Lowe att man använder scale-space extrema hos DoG funktionens konvolverad med bilden, D(x,y,σ). Genom att beräkna skillnaden mellan två närliggande skalor som separeras av en konstant multiplikativ faktor, k[3], som visas nedan. D(x,y,σ) = (G(x,y,kσ) G((x,y,σ)) * I (x,y) = L(x,y,kσ) L(x,y,σ). Denna funktion gör väldigt snabba uträkningar, oberoende bland annat skala. Den skapar även ett närmevärde till the scale-normalized Laplacian of Gaussian, σ² normaliseringen av Laplacian med σ² behövs för en sann skala.[3] ²G. Man har visat att Relationen mellan D och σ² ²G kan förstås utifrån spridningsekvationen!"!" =!! G. Detta visar att! G kan räknas ut utifrån den begränsade skillnadsapproximationen till!"/!". Detta görs genom att använda skillnaden från närliggande skalor som kσ och σ [3].!! G = G G x, y, kσ G(x, y, σ) σ kσ σ Vilket innebär G(x,y,kσ) G(x,y,σ) (k 1) σ² ²G. Detta visar att DoG funktionen har skalor som skiljer genom en konstant faktor som redan är förenat med σ² normaliserings skala som behövs för Laplacian [3]. Figure 2Visar hur differensen räknas ut med hjälp av funktionen DoG. [3] 5
6 Figur 2 visar hur den initiala bilden stegvis slås samman med DoG för att producera bilder uppdelade utifrån en konstant faktor, k [3]. 2. Keypoint localization Då Scale-space extrema detection lokaliserar många förslag till nyckelpunkter, varav flera ostabila, är nästa steg i algoritmen att sortera dem genom att hitta närliggande passande data. Exempel på dessa data är lokalisering, skala och förhållandet till kurvaturen (ratio principal curvatures). Ursprungligen skulle man endast lokalisera nyckelpunkten men detta utvecklades för att stärka matchningen och öka stabiliteten. Punkter som har en dålig placering eller med låg kontrast blir exkluderade, då de är mer känsliga för störningar[2]. Beräkningarna görs genom Taylors kvadratiska expansion (the quadratic Taylor expansion) av DoG funktionen, D(x,y,σ). DoG funktionen ger en stark respons vad gäller kanter samt om nyckelpunkten är känslig mot störning, dessa behöver avlägsnas för att kunna öka den tidigare nämnda stabiliteten [3].!! =! +!"!!"! + 1 2!!!!!!!!! D och dess derivata utvärderas vid nyckelpunkten och x=(x, y, σ) T är motvikten till denna punkt. Placeringen av det störta värdet,!, bestäms genom att funktionens derivata i förhållande till x och återställa det till noll. Detta resulterar i [3]:! =!!!!!!"!"!!" Det 3x3 linjära system som detta resulterar i kan lösas relativt enkelt. Om motvikten till! är större än 0.5 i någon dimension så ligger det störta värdet närmare någon annan nyckelpunkt. Om så är fallet så kommer värde tilldelas en annan nyckelpunkt. Den slutliga motvikten av! läggs till den placering som aktuell nyckelpunkt[3]. Funktionens värde av det största värdet, D(!), är användbar för att eliminera ostabila värden men svag kontrast. Detta uppnås på följande sätt [3]: 3. Orientation assignment!! =! + 1!!! 2!"! Genom att koppla samman nyckelpunkter, baserat på vilka egenskaper de har, med en riktning kan beskrivningen av dem vara konstant oberoende av hur bilden roteras. I detta steg skapas en konstant form av bilden och dess nyckelpunkter som förblir oföränderliga oavsett vinkel. Detta leder till att objektet får en position, en skala och en riktning/lutning[3]. Nyckelpunkternas skala används för att välja den bild som Gaussians slätat till, L, med den som ligger närmast i skala. Detta görs så att beräkningarna genomförs med likvärdig skala. 6
7 För varje testbild, L(x, y) så är lutningens magnitud, m(x, y), och riktning, beräknat: [3] m(x,y) =!! + 1,!!! 1.! )! + (!!,! + 1!(!,! 1 )!!!,! = tan!! (!!,! 1 /(!! + 1,!!! 1,! )) (x, y), i förväg Ett histogram formas från nyckelnyckelpunktens värdens lutning. Histogrammet har en räckvidd på 360 grader. Allt som läggs till i histogrammet påverkas bland annat av lutningens magnitud. Histogrammet toppar överensstämmer med den dominanta lutningen. 4. Keypoint descriptor Det fjärde och sista steget förhåller sig relativt lika med det tidigare steget, Orientation assignment. Här gör uträkningar så att beskrivningen av objektet och dess nyckelpunkter är så karakteristiska och konstanta att den klarar av andra versioner av bilden, som till exempel en illustration eller bilden i 3D [2]. Tidigare har man utsett bildens plats, skala och riktning utifrån varje nyckelpunkt [3]. Edelman, Intrator och Poggio baserar sin ansats på biologins neuroner. Dessa komplexa neuroner svarar till lutningens av specifika riktningar och spatiala frekvenser. Men lutningens plats på näthinnan kan variera istället för att vara precis. Man menar att neuronernas funktion tillåter matchning och igenkänning av 3D objekt som finns i synfältet. [3] 7
8 Diskussion AIBO visar upp forskningen och dess möjligheter på ett väldigt bra sätt. Bara utseendet lockar alla åldrar och vad den kan göra ökar nyfikenheten anser jag. Kombinationen att visa upp forskning på ett mer lekfullt sätt är bra och kan leda till att man vill veta mer. Jag har tidigare stött på AIBO, men haft absolut ingen kunskap om hur hunden fungerar. Visst förstod jag att det legat mycket arbete bakom denna lilla varelse, men detta arbete har gett mig en djupare förståelse och uppskattning för detta arbete. 8
9 Referens [1] den 19 augusti 2009 [2] den 19 augusti 2009 [3] Lowe, D G (2004). Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision. [4] den 19 augusti 2009 [5] den 19 augusti [6] den 19 augusti 2009 [7] Zhang,Z. Deriche, R. Faugeras, O. och Loung, QT (1995) A robust technique for matchning two uncalibrated images trough the recovery of the unknown epipolar geometry, Artificial Intelligence 78:
3D - syn för räddningsrobotar att kartlägga ett område i 3D
3D - syn för räddningsrobotar att kartlägga ett område i 3D Kognitionsvetenskapliga programmet, 729G50 HT 2007 Ann-Sofie Larsson, 830806-2925 Sammanfattning Den här uppsatsen handlar om en av de nya metoderna
Läs merMartin Burström [dit02mbm] Robert Eriksson [dit02ren] Filip Sjögren [dit02fsn] Handledare: Therese Edvall Daniel Ölvebrink 2009-07-06 22:13
Artificiell intelligens I, 5p Laboration 2 Fördjupning i perception och objektigenkänning Martin Burström [dit02mbm] Robert Eriksson [] Filip Sjögren [dit02fsn] Handledare: Therese Edvall Daniel Ölvebrink
Läs merHierarchical Temporal Memory Maskininlärning
Hierarchical Temporal Memory Maskininlärning Innehåll Sammanfattning... 3 Inledning... 4 Vad är HTM?... 4 Hur fungerar HTM?... 4 Hierarchical... 4 Temporal... 5 Memory... 5 Hitta orsaker i världen... 5
Läs merStatistisk mönsterigenkänning
Statistisk mönsterigenkänning Jonas Sandström Artificiell intelligens II Linköpings universitet HT 2011 Innehållsförteckning 1. Innehållsförteckning sid 2 2. Inledning sid 3 3. Statistisk mönsterigenkänning
Läs merFöreläsning 11 (kap i Optics)
45 Föreläsning 11 (kap 5.7-5.8 i Optics) Hittills har vi behandlat avbildningen i sig, dvs. var bilden av ett objekt hamnar och vilken förstoring det blir. Det finns också andra krav man kan ställa på
Läs merReglerteknik AK. Tentamen 24 oktober 2016 kl 8-13
Institutionen för REGLERTEKNIK Reglerteknik AK Tentamen 24 oktober 26 kl 8-3 Poängberäkning och betygsättning Lösningar och svar till alla uppgifter skall vara klart motiverade. Tentamen omfattar totalt
Läs merArtificiell Intelligens den nya superkraften
Artificiell Intelligens den nya superkraften Socialchefsdagarna, 4 oktober 2018 #CGINext Artificiell Intelligens Förmågan hos mjukvara att agera självständigt på ett intelligent sätt tidigare bara associerat
Läs merFingerprint Matching
Fingerprint Matching Björn Gustafsson bjogu419 Linus Hilding linhi307 Joakim Lindborg joali995 Avancerad bildbehandling TNM034 Projektkurs Biometri 2006 1 Innehållsförteckning 1 Innehållsförteckning 2
Läs merExperimentella metoder 2013, Räkneövning 3
Experimentella metoder 2013, Räkneövning 3 Problem 1: Fem studenter mätte längden av ett rum, deras resultat blev 3,30 m, 2,90 m, 3,70 m, 3,50 m, och 3,10 m. Inga uppgifter om mätnoggrannheten är kända.
Läs merSekantmetoden Beräkningsmatematik TANA21 Linköpings universitet Caroline Cornelius, Anja Hellander Ht 2018
Sekantmetoden Beräkningsmatematik TANA21 Linköpings universitet Caroline Cornelius, Anja Hellander Ht 2018 1. Inledning Inom matematiken är det ofta intressant att finna nollställen till en ekvation f(x),
Läs merBildregistrering Geometrisk anpassning av bilder
Bildregistrering Geometrisk anpassning av bilder Björn Svensson, Johanna Pettersson, Hans Knutsson Inst. för Medicinsk Teknik, Linköpings Univeristet Maj, 2007 1 Problembeskrivning Sök förflyttningsfält
Läs merGenetisk programmering i Othello
LINKÖPINGS UNIVERSITET Första versionen Fördjupningsuppgift i kursen 729G11 2009-10-09 Genetisk programmering i Othello Kerstin Johansson kerjo104@student.liu.se Innehållsförteckning 1. Inledning... 1
Läs merSpecifikation av kandidatexjobb
Specifikation av kandidatexjobb 3D-rekonstruktion av Rubiks kub André Gräsman Rasmus Göransson grasman@kth.se rasmusgo@kth.se 890430-3214 850908-8517 Introduktion Vi vill göra en förstudie om 3D rekonstruktion.
Läs merNU NÄR DU BEKANTAT DIG MED RAMARNAS EGENSKAPER OCH VET. hur man markerar och ändrar dem, är det dags att titta lite närmare på
6 Arbeta med ramar NU NÄR DU BEKANTAT DIG MED RAMARNAS EGENSKAPER OCH VET hur man markerar och ändrar dem, är det dags att titta lite närmare på hur du kan arbeta med dem i en design. De flesta designers
Läs merGrafiska pipelinens funktion
LUNDS TEKNISKA HÖGSKOLA CAMPUS HELSINGBORG Grafiska pipelinens funktion Ludvig von Sydow EDT62, HT17 Datorarkitekturer med Operativsystem Sammanfattning Denna rapport syftar till att beskriva hur en graphics
Läs merTANA17 Matematiska beräkningar med Matlab
TANA17 Matematiska beräkningar med Matlab Laboration 1. Linjär Algebra och Avbildningar Namn: Personnummer: Epost: Namn: Personnummer: Epost: Godkänd den: Sign: Retur: 1 Introduktion I denna övning skall
Läs merSF1625 Envariabelanalys Lösningsförslag till tentamen
SF1625 Envariabelanalys Lösningsförslag till tentamen 216-6-1 1. Derivera nedanstående funktioner med avseende på x och ange för vilka x derivatan existerar. Endast svar krävs. A. f(x) = arctan 1 x B.
Läs merLipschitz-kontinuitet
Kapitel 2 Lipschitz-kontinuitet Vi börjar med att presentera den formella definitionen av gränsvärde och kontinuitet. Vi presenterar sedan en variant av kontinuitet som är lättare att använda och som ger
Läs merBildmosaik. Bilddatabaser, TNM025. Anna Flisberg Linne a Mellblom. linme882. Linko pings Universitet
Bildmosaik Bilddatabaser, TNM025 Linko pings Universitet Anna Flisberg Linne a Mellblom annfl042 linme882 28 maj 2015 Innehåll 1 Introduktion 2 2 Metod 2 2.1 Features..............................................
Läs merPreliminärt lösningsförslag till del I, v1.0
Preinärt lösningsförslag till del I, v1. Högskolan i Skövde SK) Tentamen i matematik Kurs: MA152G Matematisk Analys MA123G Matematisk analys för ingenjörer Tentamensdag: 215-8-18 kl 8.3-13.3 Hjälpmedel
Läs merGrafiska pipelinen. Edvin Fischer
Grafiska pipelinen Edvin Fischer Sammanfattning Rapporten behandlar den grafiska pipelinen och dess steg, vilka stegen är och hur de funkar. Inledning Rapporten har till syfte att beskriva hur den grafiska
Läs merHögskolan i Skövde (SK, JS) Svensk version Tentamen i matematik Lösningsförslag till del I
Högskolan i Skövde (SK, JS) Svensk version Tentamen i matematik Lösningsförslag till del I Kurs: MA15G Matematisk Analys MA13G Matematisk analys för ingenjörer MA71A Matematik för lärare C, delkurs Matematisk
Läs mer7 Extremvärden med bivillkor, obegränsade områden
Nr 7, 1 mars -5, Amelia 7 Extremvärden med bivillkor, obegränsade områden Största och minsta värden handlar om en funktions värdemängd. Värdemängden ligger givetvis mellan det största och minsta värdet,
Läs merRobot Educator En introduktion
Robot Educator En introduktion LEGO Education har nöjet att presentera Robot Educator en serie handledningar som presenterar ett strukturerat och trevligt sätt att lära känna LEGO MINDSTORMS Education
Läs merKort introduktion till POV-Ray, del 1
Kort introduktion till POV-Ray, del 1 Kjell Y Svensson, 2004-02-02,2007-03-13 Denna serie av artiklar ger en grundläggande introduktion och förhoppningsvis en förståelse för hur man skapar realistiska
Läs merVisuell perception. Sidan 1. Översikt. Sammanfattning av förra föreläsningen. Kognitiv arkitektur. Visuella systemet: översikt.
Översikt Visuell perception Visuella systemets övergripande arkitektur Informationsbearbetningsstegen Första steg: visuella sensoriska minnet Begränsad kapacitet, tidsspann Visuell bearbetning Särdag Mer
Läs merExperimentella metoder, FK3001. Datorövning: Finn ett samband
Experimentella metoder, FK3001 Datorövning: Finn ett samband 1 Inledning Den här övningen går ut på att belysa hur man kan utnyttja dimensionsanalys tillsammans med mätningar för att bestämma fysikaliska
Läs merComputer vision
Computer vision Abstract Det här projektarbetet kommer att visa vilka olika delar man generellt använder sig utav för att skapa computer vision. Rapporten kommer att förklara delar av Computer Visions
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Genomgånget på föreläsningarna
Uppsala Universitet Matematiska Institutionen Bo Styf Envariabelanalys, 10 hp STS, X 010-10-7 Genomgånget på föreläsningarna 11-15. Föreläsning 11, 4/11 010: Här kommer vi in i kapitel 4, som handlar om
Läs merVälkomna till Reglerteknik Föreläsning 2
Välkomna till Reglerteknik Föreläsning 2 Sammanfattning av föreläsning 1 Lösningar till differentialekvationer Karakteristiska ekvationen Laplacetransformer Överföringsfunktioner Poler Stegsvarsspecifikationer
Läs merAnalys av BI-system och utveckling av BIapplikationer
Computer Science Fredrik Nilsson, Jonas Wånggren Daniel Strömberg Analys av BI-system och utveckling av BIapplikationer Opposition Report, C/D-level 2005:xx 1 Sammanfattat omdöme av examensarbetet Vi tycker
Läs merInstitutionen för matematik och datavetenskap Karlstads universitet. GeoGebra. ett digitalt verktyg för framtidens matematikundervisning
Karlstads GeoGebrainstitut Institutionen för matematik och datavetenskap Karlstads universitet Mats Brunström Maria Fahlgren GeoGebra ett digitalt verktyg för framtidens matematikundervisning Invigning
Läs merBildanalys för vägbeläggningstillämplingar
Bildanalys för vägbeläggningstillämplingar Hanna Källén I denna avhandling har några forskningsfrågor gällande bestämning av vägars beständighetundersökts. Bildanalys har används för att försöka komplettera
Läs mer7x 2 5x + 6 c.) lim x 15 8x + 3x 2. 4. Bestäm eventuella extrempunkter, inflexionspunkter samt horizontella och vertikala asymptoter
TM-Matematik Mikael Forsberg 074-42 Pär Hemström 026-648962 För ingenjörs och distansstudenter Envariabelanalys ma04a 202 06 04 Skrivtid: 09:00-4:00. Inga hjälpmedel. Lösningarna skall vara fullständiga
Läs merFinns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?
När vi nu lärt oss olika sätt att karaktärisera en fördelning av mätvärden, kan vi börja fundera över vad vi förväntar oss t ex för fördelningen av mätdata när vi mätte längden av en parkeringsficka. Finns
Läs merExempel :: Spegling i godtycklig linje.
c Mikael Forsberg oktober 009 Exempel :: Spegling i godtycklig linje. abstract:: I detta dokument så är vårt uppdrag att beräkna matrisen för spegling i en godtycklig linje y = kx som går genom origo.
Läs merFunktioner. Räta linjen
Sidor i boken 14-143, 145-147 Funktioner. Räta linjen Här följer en dialog mellan studenten Tor-Björn (hädanefter kallad TB) och hans lärare i matematik Karl-Ture Hansson (nedan kallad KTH). När vi möter
Läs merBildbehandling, del 1
Bildbehandling, del Andreas Fhager Kapitelhänvisningar till: Image Processing, Analysis and Machine Vision, 3rd ed. by Sonka, Hlavac and Boyle Representation av en bild Så här kan vi plotta en bild tex
Läs merAnsiktsigenkänning med MATLAB
Ansiktsigenkänning med MATLAB Avancerad bildbehandling Christoffer Dahl, Johannes Dahlgren, Semone Kallin Clarke, Michaela Ulvhammar 12/2/2012 Sammanfattning Uppgiften som gavs var att skapa ett system
Läs mer= y(0) för vilka lim y(t) är ändligt.
Lösningsförslag till tentamensskrivning i SF633 Differentialekvationer I och SF637 Differentialekvationer och transformer III Lördagen den 4 februari, kl 4-9 Hjälpmedel: BETA, Mathematics Handbook Redovisa
Läs merStructuring Two Dimensional Space
Structuring Two Dimensional Space Structuring Two Dimensional Space Vi tar in mönster mestadels som tvådimensionella plan utan djup. Dessa tvådimensionella mönster är viktiga av två anledningar; 1. De
Läs merExempel :: Spegling i godtycklig linje.
INNEHÅLL Exempel :: Spegling i godtycklig linje. c Mikael Forsberg :: 6 augusti 05 Sammanfattning:: I detta dokument så är vårt uppdrag att beräkna matrisen för spegling i en godtycklig linje y = kx som
Läs merKomposanter, koordinater och vektorlängd Ja, den här teorin gick vi igenom igår. Istället koncentrerar vi oss på träning inför KS3 och tentamen.
Sidor i boken 40-4 Komposanter, koordinater och vektorlängd Ja, den här teorin gick vi igenom igår. Istället koncentrerar vi oss på träning inför KS3 och tentamen. Läxa 1. En rät linje, L 1, skär y-axeln
Läs merDatorövning 1: Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, VT-17 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x
Läs merFuzzy Logic: Den oskarpa skarpheten
Fuzzy Logic: Den oskarpa skarpheten Av: 1 Innehåll Inledning... 3 Vad är Fuzzy Logic?... 4 Fuzzy sets... 4 Medlemsskapsfunktion... 5 Operatorer... 7 Union... 7 Snitt... 8 Komplement... 8 Exempel med de
Läs mery y 1 = k(x x 1 ) f(x) = 3 x
Räta linjen på olika former Här ska vi bara påpeka att förutom k-form, den som vi är mest vana vid y = k y + m finns också allmän form: ax + by + c = 0 där a och b är konstanter, som inte någon står för
Läs merMetoder för rörelsemätning, en översikt.
Metoder för rörelsemätning, en översikt. Metoder för mätning av rörelser kan delas in i följande grupper: 1. Mekaniska metoder. 2. Elektromagnetiska metoder. 3. Akustiska metoder. 4. Optiska metoder. Nedan
Läs merTANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 9 november 2015 Sida 1 / 28
TANA17 Matematiska beräkningar med MATLAB för M, DPU Fredrik Berntsson, Linköpings Universitet 9 november 2015 Sida 1 / 28 Föreläsning 3 Linjära ekvationssystem. Invers. Rotationsmatriser. Tillämpning:
Läs merFöreläsning 9 10: Bildkvalitet (PSF och MTF)
1 Föreläsning 9 10: Bildkvalitet (PSF och MTF) Att mäta bildkvalitet Bildkvaliteten påverkas av både aberrationer och diffraktion, men hur ska vi mäta den? Enklast är att avbilda ett objekt beskriva hur
Läs merVälkomna till TSRT15 Reglerteknik Föreläsning 2
Välkomna till TSRT15 Reglerteknik Föreläsning 2 Sammanfattning av föreläsning 1 Lösningar till differentialekvationer Karakteristiska ekvationen Laplacetransformer Överföringsfunktioner Poler Stegsvarsspecifikationer
Läs merLAB 1. FELANALYS. 1 Inledning. 2 Flyttal. 1.1 Innehåll. 2.1 Avrundningsenheten, µ, och maskinepsilon, ε M
TANA21+22/ 5 juli 2016 LAB 1. FELANALYS 1 Inledning I laborationerna används matrishanteringsprogrammet MATLAB. som genomgående använder dubbel precision vid beräkningarna. 1.1 Innehåll Du ska 1. bestämma
Läs merMekaniska metoder för att mäta objekt och/eller rörelser kan bestå av:
Mekaniska metoder: Mekaniska metoder för att mäta objekt och/eller rörelser kan bestå av: - Armar, bommar - Exoskeleton (bommar och armar som bildar ett extra skelett utanpå kroppen) - Joystick - Spaceball
Läs merProgrammering = modellering
Programmering = modellering Ett datorprogram är en modell av en verklig eller tänkt värld. Ofta är det komplexa system som skall modelleras I objektorienterad programmering består denna värld av ett antal
Läs merSignaler, information & bilder, föreläsning 15
Signaler, information & bilder, föreläsning 5 Michael Felsberg Computer Vision Laboratory Department of Electrical Engineering michael.felsberg@liu.se Översikt Histogram och tröskelsättning Histogramutjämning
Läs merEXPERIMENTELLT PROBLEM 2 DUBBELBRYTNING HOS GLIMMER
EXPERIMENTELLT PROBLEM 2 DUBBELBRYTNING HOS GLIMMER I detta experiment ska du mäta graden av dubbelbrytning hos glimmer (en kristall som ofta används i polariserande optiska komponenter). UTRUSTNING Förutom
Läs merMA2001 Envariabelanalys
MA2001 Envariabelanalys Något om derivator del 1 Mikael Hindgren 11 november 2018 Derivatans definition Exempel 1 s-t-graf för ett föremål i rörelse. s(0) = 0. s s = v t Hastigeten konstant: Rät linje
Läs merSignal- och bildbehandling TSBB14
Tentamen i Signal- och bildbehandling TSBB Tid: 3-5-3 Lokaler: TER Ansvarig lärare: Maria Magnusson besöker lokalen kl. 8.5 och.3 tel 73-8 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling, OH-film,
Läs merFärg- och formerkännande, slutföra motiven. Visuell perception, öga-hand-koordination, grov- och finmotorik, koncentration
21010 GeoSorter Innehåll: - 1 Träram - 6 Motivplattor (med tryck på båda sidor: 12 motiv) - 9 Träformer (3 cylinder, 3 prismor, 3 kuber) - 1 Bomullväska Ålder: 24M+ Spelare: 1+ Främjande: Färg- och formerkännande,
Läs merNumerisk lösning till den tidsberoende Schrödingerekvationen.
Numerisk lösning till den tidsberoende Schrödingerekvationen. Det är enbart i de enklaste fallen t ex när potentialen är sträckvis konstant som vi kan lösa Schrödingerekvationen analytiskt. I andra fall
Läs merλ = T 2 g/(2π) 250/6 40 m
Problem. Utbredning av vattenvågor är komplicerad. Vågorna är inte transversella, utan vattnet rör sig i cirklar eller ellipser. Våghastigheten beror bland annat på hur djupt vattnet är. I grunt vatten
Läs merUPPGIFTER KAPITEL 2 ÄNDRINGSKVOT OCH DERIVATA KAPITEL 3 DERIVERINGSREGLER
UPPGIFTER KAPITEL 2 ÄNDRINGSKVOT OCH DERIVATA KAPITEL 3 DERIVERINGSREGLER 1. Figuren visar grafen till funktionen f där f(x) = x 3 3x 2. I punkter där xkoordinaterna är 1 respektive 3 är tangenter till
Läs merInnehåll. Innehåll. Verktyg. Astronomiska Verktyg. Matematiska Verktyg
Innehåll Verktyg Magnituder... sidan 2 Apparent magnitud... sidan 2 Absolut magnitud... sidan 3 Olika färger, olika magnituder... sidan 3 Från B-V färgindex till temperatur... sidan 4 Avståndsekvationen...
Läs merDel I: Lösningsförslag till Numerisk analys,
Lösningsförslag till Numerisk analys, 2016-08-22. Del I: (1) Nedan följer ett antal påståenden. Använd nyckelbegreppen därunder och ange det begrepp som är mest lämpligt. Skriv rätt bokstav (a)-(l) i luckan
Läs merMatematisk statistik 9 hp Föreläsning 6: Linjärkombinationer
Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer Anna Lindgren 27+28 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F6: linjärkombinationer 1/21 sum/max/min V.v./var Summa av
Läs merFöreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer
Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F5: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z
Läs mer5B1134 Matematik och modeller Lösningsförslag till tentamen den 29 augusti 2005
KTH Matematik 5B114 Matematik och modeller Lösningsförslag till tentamen den 29 augusti 2005 1. a) Om två av sidorna i en triangel är 5 meter respektive 6 meter. Vilka längder på den tredje sidans längd
Läs merLaboration i Fourieroptik
Laboration i Fourieroptik David Winge Uppdaterad 30 januari 2015 1 Introduktion I detta experiment ska vi titta på en verklig avbildning av Fouriertransformen. Detta ska ske med hjälp av en bild som projiceras
Läs mer= = i K = 0, K =
ösningsförslag till tentamensskrivning i SF1633, Differentialekvationer I Tisdagen den 14 augusti 212, kl 14-19 Hjälpmedel: BETA, Mathematics Handbook Redovisa lösningarna på ett sådant sätt att beräkningar
Läs merARTIFICIELL INTELLIGENS
ARTIFICIELL INTELLIGENS www..se Så fungerar det Artificiell Intelligens (AI) är intelligens som uppvisas av maskiner. Uttrycket användes för första gången 1955 i ett forskningsförslag med syftet att hitta
Läs merKTH Matematik Tentamensskrivning i Differentialekvationer och transformer III, SF1637.
KTH Matematik Tentamensskrivning i Differentialekvationer och transformer III, SF637. Måndagen den 7 oktober, kl 8-3. Hjälpmedel: BETA, Mathematics Handbook. Redovisa lösningarna på ett sådant sätt att
Läs merLaboration i Fourieroptik
Laboration i Fourieroptik David Winge Uppdaterad 4 januari 2016 1 Introduktion I detta experiment ska vi titta på en verklig avbildning av Fouriertransformen. Detta ska ske med hjälp av en bild som projiceras
Läs merTAIU07 Matematiska beräkningar med Matlab
TAIU07 Matematiska beräkningar med Matlab Laboration 3. Linjär algebra Namn: Personnummer: Epost: Namn: Personnummer: Epost: Godkänd den: Sign: Retur: 1 Introduktion 2 En Komet Kometer rör sig enligt ellipsformade
Läs merSF1625 Envariabelanalys Lösningsförslag till tentamen DEL A
SF165 Envariabelanalys Lösningsförslag till tentamen 01-1-10 DEL A 1. Låt funktionen f ha definitionsmängden D f =]0, [ och ges av f(x) = e x 1 x. (a) Finn f:s invers f 1. ( p) (b) Finn inversens värdemängd
Läs merSF1626 Flervariabelanalys Lösningsförslag till tentamen DEL A. 1. En svängningsrörelse beskrivs av
SF166 Flervariabelanalys Lösningsförslag till tentamen 13-3-1 DEL A 1. En svängningsrörelse beskrivs av ( πx ) u(x, t) = A cos λ πft där amplituden A, våglängden λ och frekvensen f är givna konstanter.
Läs merVad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar
1 Agenda Vad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar 2 Nuvarande AI Funktioner en grov Analogi Rekommendation,
Läs merx 2 + x 2 b.) lim x 15 8x + x 2 c.) lim x 2 5x + 6 x 3 + y 3 xy = 7
TM-Matematik Mikael Forsberg 0734-41331 Pär Hemström 06-64896 För ingenjörs och distansstudenter Envariabelanalys ma034a 01 10 01 Skrivtid: 09:00-14:00. Inga hjälpmedel. Lösningarna skall vara fullständiga
Läs merx +y +z = 2 2x +y = 3 y +2z = 1 x = 1 + t y = 1 2t z = t 3x 2 + 3y 2 y = 0 y = x2 y 2.
Lösningar till tentamen i Inledande matematik för M/TD, TMV155/175 Tid: 2006-10-27, kl 08.30-12.30 Hjälpmedel: Inga Betygsgränser, ev bonuspoäng inräknad: 20-29 p. ger betyget 3, 30-39 p. ger betyget 4
Läs merBIO-Mekanik med Robert Andersson
BIO-Mekanik med Robert Andersson Undersökningen syftade till att undersöka varför spelare med olika teknik och kroppslängd spelar med samma klothastighet. Det visade sig vara hur tidigt spelaren startade
Läs merAnvändarguide för bildredigering i det webbaserade gratisprogrammet: www.pixlr.com Hur du klipper in ett objekt i en annan bild
Användarguide för bildredigering i det webbaserade gratisprogrammet: www.pixlr.com Hur du klipper in ett objekt i en annan bild Användarguide för www.pixlr.com Hur du klipper in ett objekt i en annan bild
Läs mer729G43 Artificiell intelligens / Maskininlärning 2. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 2 Marco Kuhlmann Förra gången: Linjär regression Gradientsökning Vandra ner i felets dal. Steg 0: Börja med ett godtyckligt värde för θ. Steg 1: Räkna
Läs merANVÄNDARMANUAL. Tack för att ni köpt Cross Line laser LEO 7 Innan du använder den läs denna användarmanual.
ANVÄNDARMANUAL Tack för att ni köpt Cross Line laser LEO 7 Innan du använder den läs denna användarmanual. Innehåll 1. Funktion... 3 2. Säkerhet... 3 3. Egenskap... 4 4. Driftmanual... 5 5. Metod... 5
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merMälardalens högskola Akademin för utbildning, kultur och kommunikation
Mälardalens högskola Akademin för utbildning, kultur och kommunikation MAA Grundläggande kalkyl ÖVN Lösningsförslag.8. 8.. Hjälpmedel: Endast skrivmaterial. (Gradskiva är tillåtet.) Poäng: Denna tentamen
Läs merFrågorna 1 till 6 ska svaras med ett kryss för varje korrekt påstående. Varje uppgift ger 1 poäng. Använd bifogat formulär för dessa 6 frågor.
TM-Matematik Mikael Forsberg 74-4 Matematik med datalogi, mfl. Linjär algebra ma4a 6 Skrivtid: 9:-4:. Inga hjälpmedel. Lösningarna skall vara fullständiga och lätta att följa. Börja varje ny uppgift på
Läs merFärgmeny. Utskriftsläge. Färgkorrigering. Tonersvärta. Manuell färg. Skriva ut. Använda färg. Pappershantering. Underhåll. Felsökning.
I n finjusterar du utskriftskvaliteten och anpassar färgerna så att de blir precis som du vill ha dem vid utskrift. Klicka på ett menyalternativ för mer information: 1 Färgkorrigering Manuell färg Utskriftsläge
Läs merNeural bas för kognition
Kommunikation Neural bas för kognition stimulerande, retande inhiberande, förhindrande depolarisation vid tillräckligt mycket retning blir hela neuronen för en stund positivt laddad, då har en SPIKE uppnåtts
Läs merLEGO Robot programmering och felsökning Hur svårt ska det vara att följa den svarta linjen?
ICT LEGO Robot programmering och felsökning Hur svårt ska det vara att följa den svarta linjen? Daniel Lindfors 12/9/07 dlindf@kth.se Introduktionskurs i datateknik II1310 Sammanfattning Denna laboration
Läs mer732G71 Statistik B. Föreläsning 4. Bertil Wegmann. November 11, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 4 Bertil Wegmann IDA, Linköpings universitet November 11, 2016 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 11, 2016 1 / 34 Kap. 5.1, korrelationsmatris En korrelationsmatris
Läs merBildförbättring i spatial domänen (kap. 3) Bildförbättring (enhancement) Spatial domän. Operatorer. Tröskling (threshold) Gråskale-transformationer
Bildförbättring i spatial domänen (kap. 3) Punktoperationer Gråskaletransformationer Logiska & aritmetiska operationer Filtrering Faltning Lågpassfilter Högpassfilter Bildförbättring (enhancement) Förbättra
Läs mer4 Fler deriveringsregler
4 Fler deriveringsregler 4. Dagens Teori Derivatan av potensfunktioner. Potensfunktioner med heltalsexponenter, som du redan kan derivera, kallas polynomfunktioner, som till exempel: f(x) = 2x4 x3 + 2x
Läs merVälkomna till TSRT19 Reglerteknik Föreläsning 8. Sammanfattning av föreläsning 7 Framkoppling Den röda tråden!
Välkomna till TSRT19 Reglerteknik Föreläsning 8 Sammanfattning av föreläsning 7 Framkoppling Den röda tråden! Sammanfattning föreläsning 8 2 Σ F(s) Lead-lag design: Givet ett Bode-diagram för ett öppet
Läs merSHAZAM! En!smart!musiktjänst! Linha108! Fördjupningsarbete!729G43!
SHAZAM Ensmartmusiktjänst Linha108 Fördjupningsarbete729G43 Sammanfattning Shazam är en musiktjänst som genom en sökalgoritm kan känna igen ljud och returnera låt och artist till användaren. Detta sker
Läs merBruksanvisning Reflexavkännande fotocell O5PG / / 2007
Bruksanvisning Reflexavkännande fotocell O5PG 704156 / 00 08 / 007 Innehåll Funktion... 3 Montering... 3 Tryckknappar och indikering... 3 Elektrisk anslutning... 4 Idrifttagande... 4 Inställning av känslighet
Läs merTitel Augmented Reality. DokumentID 2402. Projekt FoU. Dokumentstatus Godkänd. Sida 1(10) Version 1.0. Augmented Reality
1(10) 2(10) Innehållsförteckning shistorik...2 1 Introduktion...3 2 tekniker...4 2.1 2D-tracking/3D-tracking...4 2.2 Landmärken/nyckelpunkter...5 2.3 3D-modeller...5 2.4 3D-rendering...5 2.5 SLAM...5 2.6
Läs merPrecis som var fallet med förra artikeln, Geogebra för de yngre i Nämnaren
Publicerad med tillstånd av Nämnaren Thomas Lingefjärd Geogebra i gymnasieskolan En tilltalande egenskap med Geogebra är att programmet kan användas tvärs över stora delar av utbildningssystemets matematikkurser.
Läs merSmartCat Pejlare S300
1. Introduktion SmartCat Pejlare S300 Pejlare S300 har en räckvidd på upp till 300 meter vid fri sikt. Det medföljer en halsbandsficka som skyddar sändaren mot väta och slitage, samt gör att det går att
Läs merLösningsförslag, preliminär version 0.1, 23 januari 2018
Lösningsförslag, preinär version 0., 3 januari 08 Högskolan i Skövde Tentamen i matematik Kurs: MA5G Matematisk analys MA3G Matematisk analys för ingenjörer Tentamensdag: 08-0-03 kl 4:30-9:30 Hjälpmedel
Läs mer