Segmentazione mediante ricerca di forme. Paola Campadelli
|
|
- Renato Testa
- 6 anni fa
- Visualizzazioni
Transcript
1 Segmentazione mediante ricerca di forme Paola Campadelli
2 Segmentazione mediante ricerca di forme Template deformabili (Yuille et al. 92) Contorni deformabili (Kaas et al. 87) GVF Snakes (Xu et al. 98) Active shape models (Cootes et al. 95) Active appearance models (Cootes et al. 98, 01)
3 Template deformabili Modelli parametrici che descrivono oggetti definiti a priori (occhio, viso, bocca, ) I modelli sono costituiti da semplici primitive geometriche (rette, cerchi, parabole, ) La funzione da minimizzare compone gli elementi del modello, espresso in forma parametrica, con vincoli estratti da semplici rappresentazioni dell immagine (bordi, livelli di grigio, )
4 Template deformabili: l occhio Obiettivo: definire gli 11parametri liberi minimizzando una funzione costo col metodo del gradiente Problemi: la funzione definita è troppo complessa l inizializzazione è critica raramente si ottiene il risultato desiderato
5 Template deformabili: l occhio Localizzazione dell'iride e del riflesso: Img Originale Centro dell occhio Descrizione dell'occhio (modello semplificato): Parametri del modello: (xw, yw): centro a, c: semi-altezze b: semi-larghezza θ: rotazione
6 Template deformabili: l occhio Funzione Energia: Rw x i R w Posizione Iniziale Posizione Finale Fiducial points
7 Template deformabili: la bocca Taglio e angoli delle labbra: Img Originale Clustering (della Taglio Angoli derivata verticale) Descrizione della bocca: Frontale Laterale 2 cubiche e 1 parabola 3 cubiche l: semi-larghezza; h: semi-altezza
8 Template deformabili: la bocca Funzione Energia: R c R c Posizione Iniziale Posizione Finale Fiducial points
9 Contorni deformabili (snakes) Modello per descrivere contorni chiusi di forma qualsiasi Il problema di determinare un contorno è trasformato nel problema di minimizzare un funzionale associato ad esso L informazione usata è il gradiente dell immagine
10 Curva chiusa Contorni deformabili Il contorno si muove nel dominio spaziale minimizzando il funzionale
11 Contorni deformabili: caso discreto Contorno: insieme di punti (p 1,, p N ) - Algoritmo greedy: per ogni p i effettua una scelta localmente ottima
12 Contorni deformabili: problemi La convergenza è fortemente dipendente dal modello iniziale; per convergere il modello deve essere molto vicino al contorno vero Metodo estremamente sensibile ai parametri Il modello non si adatta a contorni concavi
13 Active Shape Models (ASM) Modelli specifici per una classe di forme caratterizzate da considerevole variabilità La forma viene modellata da un insieme di punti significativi (point distribution model) Si costruisce un campione adeguato Si deriva un insieme di forme di base da utilizzare per rappresentare ogni elemento della classe come combinazione lineare
14 Active Shape Models (ASM) Forma: Campione: Dal Campione si ricava un modello: 1. Si allineano gli elementi del campione 2. Si estrae un insieme di base
15 ASM: allineare due forme S 1, S 2 Trasformare una nell altra: Definire una differenza: Cercare tale che Quale differenza? Es: Quali trasformazioni? Rotazioni Variazioni di scala Traslazioni
16 ASM: allineare due forme S 1, S 2 Scegliere che minimizza:. : matrice che pesa di più i punti più stabili Dove è la varianza, presa sulle forme, della distanza tra il punto e il punto
17 ASM: allineare due forme S 1, S 2 Scegliere che minimizza: Dato un punto di
18 ASM: Scelta di una base Il campione può essere visto come un cluster di punti in uno spazio dimensionale Ipotesi: il cluster ha forma approssimativamente ellissoidale Si applica l analisi delle componenti principali (PCA) per calcolare gli assi nelle direzioni di massima varianza Media: Matrice di Covarianza
19 ASM: approssimare le forme del training set..
20 ASM: cercare la forma in un immagine Stimare una buona posizione iniziale centro del modello in cui porre il Muovere ogni punto del modello verso una posizione migliore (sulla normale al bordo e verso un Edge forte).
21 ASM: cercare la forma in un immagine Deformare localmente il modello considerando i vincoli posti ai parametri Da: Si deriva:
22 ASM: problemi 1. La costruzione del campione (scelta delle forme, posizionamento dei punti) deve essere accurata 2. Il modello converge alla forma da ricercare solo se è posizionato molto bene Estensione Proposta: Active Appearance Models (AAM): combinano un modello di forma con un modello di tessitura
23 Costruire un ASM AAM: sintesi del modello Deformare ogni elemento del campione in modo da farlo corrispondere al modello medio Per ogni modello deformato prendere i livelli di grigio ottenendo un vettore,, di tessiture Normalizzare Fare la PCA sui vettori tessitura così ottenuti Comporre le componenti di forma e tessitura in un solo modello facendo un altra PCA
24 AAM: sintesi del modello Diversi algoritmi iterativi di ricerca del modello nell immagine Modello più ricco di ASM, ma presenta gli stessi problemi
25 p. 27/2 Bibliografia R.O. Duda, P.E. Hart, D.G. Stock. Pattern Classification. John Wiley & Son, S.P. Lloyd Least squares quantization in PCM. Unpublished Bell Laboratories Technical Note S.P. Lloyd Least squares quantization in PCM. IEEE Trans. Inform. Theory, IT-28: , M.A. Arbib T. Uchiyama. Color image segmentation using competitive learning. IEEE Trans. on Pattern Analysis and Machine Learning. 16: J. Terrillon, et al. Comparative performance of different skin chrominance models and chrominance spaces for the automatic detection of human faces in color images. 4th IEEE Int. Conf. Automatic Face Detection and Gesture Recognition, M Yang, N. Ahuja. Gaussian mixture model for human skin color and its applications in image and video databases. Proceedings of SPIE Vol. 3656, 1999.
26 p. 28/2 Bibliografia Cont. V. F. Leavers. Shape detection in computer vision using the Hough transform. Springer-Verlag, M. Kass, A. Witkin and D. Terzopoulos. Snakes: active contour models. Proc. First Inter. Conf. of Computer Vision, pp , A.L. Yuille, P.W. Hallinan and D.S. Cohen. Feature extraction from faces using deformable templates. International journal of computer vision, 8(2), pp , C. Xu, J.L. Prince. Snakes, shapes, and gradient vector flow. IEEE Trans. on Image Processing, 7(3), 1998.
27 p. 29/2 Bibliografia Cont. T.F. Cootes, C. J. Taylor, D.H. Cooper and J. Graham. Active shape models-their training and application. Computer vision and image understanding, 61(1) pp , T.F. Cootes, G.J. Edwards and C.J. Taylor, Active appearance models. 5 th European Conference on Computer Vision, pp , Springer, T.F. Cootes and C.J. Taylor. Statistical models of appearance for medical image analysis and computer vision. Proc. SPIE Medical Imaging, I. Matthews and S. Baker. Active Appearance Models Revisited. International Journal of Computer Vision 60(2), pp. 135Ű164, P. Campadelli and R. Lanzarotti. Fiducial point localization in color images of face foregroounds. Image and Vision Computing, Vol 22, pp , 2004.
Riconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
DettagliApprendimento Automatico (Feature Selection e Kernel Learning)
Apprendimento Automatico (Feature Selection e Kernel Learning) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Servono tutti gli attributi? Gli
DettagliRilevamento di volti tramite reti neurali
Università Ca Foscari di Venezia Dipartimento di informatica 26 maggio 2006 Contenuti Contenuti 1 Descrizione del problema Stato dell arte Soluzione proposta Ulteriori problemi da risolvere 2 Neurone di
DettagliCorso di laurea magistrale in Informatica Multimedia - Prof. F.Stanco. Segmentazione. A cura di Andrea Tambone
Corso di laurea magistrale in Informatica Multimedia - Prof. F.Stanco Segmentazione A cura di Andrea Tambone Introduzione Lo scopo della segmentazione è suddividere un immagine in regioni contenenti pixel
DettagliMicroeconomia - Problem set 4 - soluzione
Microeconomia - Problem set 4 - soluzione (Prof Paolo Giordani - TA: Pierluigi Murro) 2 Maggio 2015 Esercizio 1 Calcolare i prodotti marginali di ciascun fattore produttivo (P M 1, P M 2 ) e il saggio
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: metodologie Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Tassonomia
DettagliLa modellazione tridimensionale
La modellazione tridimensionale Uso delle tecniche di grafica al calcolatore (Computer Graphics) per rappresentare in modo tridimensionale un oggetto o manufatto. 1/31 La rappresentazione 3D e la simulazione
DettagliSistemi Intelligenti. Riassunto
Sistemi Intelligenti Learning and Clustering Alberto Borghese and Iuri Frosio Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento t di Scienze dell Informazione
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Teoria della decisione di Bayes Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario
DettagliFisher Linear discriminant analysis (pag 228)
Fisher Linear discriminant analysis (pag 228) 1 Nell Analisi delle componenti proncipali PCA si trovano quelle componenti utili per la rappresentazione dei dati Tali componenti non sono utili a discriminare
DettagliIl metodo di Gauss-Newton per le regressioni non-lineari
Il metodo di Gauss-Newton per le regressioni non-lineari Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Università degli Studi di Perugia Versione on-line: http://www.unipg.it/ onofri/rtutorial/index.html
DettagliBag of (visual) Words. BoW. Input image. Dizionario visuale. Rappresentazione
Bag of (visual) Words BoW Il modello è stato proposto con l obiettivo di rappresentare un immagine tramite un dizionario visuale. Il metodo BoW si ispira alle tecniche di rappresentazione dei documenti
DettagliFacoltà di Ingegneria. Localizzazione di volti con Active Shape Models: studio ed analisi di tecniche per l adattamento del modello di forma
UNIVERSITÀ DEGLI STUDI DI SIENA Facoltà di Ingegneria Corso di Laurea Specialistica in ingegneria informatica Localizzazione di volti con Active Shape Models: studio ed analisi di tecniche per l adattamento
DettagliRiduzione Dimensionalità
Introduzione Definizioni PCA vs LDA Principal Component Analysis (PCA) Linear Discriminant Analysis (LDA) t-sne 1 Definizioni Obiettivo dei metodi per la riduzione di dimensionalità (dimensionality reduction)
DettagliImage segmentation. Elaborazione intermedia
Image segmentation Edge detection Elaborazione intermedia elaborazione intermedia si occupa di ottenere una descrizione signiicativa della scena mediante la segmentazione suddivisione della immagine in
DettagliPOLITECNICO DI BARI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI
POLITECNICO DI BARI FACOLTÀ DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA ELETTRONICA TESI DI LAUREA IN CALCOLATORI ELETTRONICI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI Relatore:
Dettagli1.1. Analisi di tessitura di dati telerilevati ad alta risoluzione spaziale
Dott. FEDERIO US RELZIONE SULL'TTIVIT' E LE RIERHE SVOLTE LL ONLUSIONE DEL PRIMO NNO DEL XVIII ILO DEL ORSO DI DOTTORTO DI RIER IN SIENZE E INGEGNERI DELLO SPZIO 1. TEMTIHE DI RIER La principale tematica
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliProgetto Elaborazione delle Immagini 2. a.a. 2008/09 Alessandro Bergamo
Progetto Elaborazione delle Immagini 2 a.a. 2008/09 Alessandro Bergamo Oggetto Dati: Una sequenza di scansioni CT ( (computed tomography) ) del torace e addome coordinate di un pixel da usare come seme
DettagliSistemi avanzati per il riconoscimento
Università di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea magistrale in Ingegneria e scienze informatiche Sistemi avanzati per il riconoscimento Lezione 3 Face detection Dr. Marco Cristani e-mail:
DettagliELABORAZIONE DELLE IMMAGINI:
Università degli Studi di Catania Facoltà di Scienze Matematiche,Fisiche e Naturali Corso di Laurea in Informatica, Secondo Livello ELABORAZIONE DELLE IMMAGINI: EDGE DETECTION Corso di Analisi Numerica
DettagliMETODO DEGLI ELEMENTI FINITI
Barlow Points In teoria potremmo valutare tensioni e deformazioni, o i gradienti per altri tipi di analisi, in qualsiasi punto interno all elemento. Tuttavia le tensioni e le deformazioni previste dal
DettagliEsplorazione grafica di dati multivariati. N. Del Buono
Esplorazione grafica di dati multivariati N. Del Buono Scatterplot Scatterplot permette di individuare graficamente le possibili associazioni tra due variabili Variabile descrittiva (explanatory variable)
DettagliCorso di Laurea Specialistica in Ingegneria Informatica. Correlatore: Ing. Andrea Claudi
Corso di Laurea Specialistica in Ingegneria Informatica Candidato: Gianluca Dolcini Relatore: Prof. Aldo Franco Dragoni Correlatore: Ing. Andrea Claudi Scenario: identificazione di volti per monitoraggio
DettagliISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI)
ISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI) PROGRAMMAZIONE DIDATTICA DI MATEMATICA CLASSE 5^ OBIETTIVI FORMATIVI CONOSCENZE ABILITA COMPETENZE Leggere scrivere, confrontare numeri naturali e
DettagliCorso di Intelligenza Artificiale A.A. 2016/2017
Università degli Studi di Cagliari Corsi di Laurea Magistrale in Ing. Elettronica Corso di Intelligenza rtificiale.. 26/27 Esercizi sui metodi di apprendimento automatico. Si consideri la funzione ooleana
DettagliIstituzioni di Matematiche Modulo B (SG)
Istituzioni di Matematiche Modulo B (SG) II foglio di esercizi ESERCIZIO 1. Per ciascuna funzione f(, ) calcolare le derivate parziali f (, ) e f (, ) e determinare il relativo dominio di definizione.
DettagliIntelligenza Artificiale. Clustering. Francesco Uliana. 14 gennaio 2011
Intelligenza Artificiale Clustering Francesco Uliana 14 gennaio 2011 Definizione Il Clustering o analisi dei cluster (dal termine inglese cluster analysis) è un insieme di tecniche di analisi multivariata
DettagliStereovisione. Marco Moltisanti. Image Processing Lab Dipartimento di Matematica e Informatica Università degli Studi di Catania
Stereovisione Marco Moltisanti Image Processing Lab Dipartimento di Matematica e Informatica Università degli Studi di Catania moltisanti@dmi.unict.it www.dmi.unict.it/~moltisanti 11 aprile 2013 Introduzione
DettagliCorso di Identificazione dei Modelli e Analisi dei Dati
Corso di Identificazione dei Modelli e Analisi dei Dati Prof. Sergio Bittanti Esercitazione di Laboratorio A.A. 2010-11 Sistemi dinamici lineari a tempo discreto 1. Si consideri il sistema dinamico a tempo
DettagliStatistica multivariata 27/09/2016. D.Rodi, 2016
Statistica multivariata 27/09/2016 Metodi Statistici Statistica Descrittiva Studio di uno o più fenomeni osservati sull INTERA popolazione di interesse (rilevazione esaustiva) Descrizione delle caratteristiche
DettagliKeypoint detector: Scale Invariant Feature Transform (SIFT)
Kepoint detector: Scale Invariant Feature Transform (SIFT) avid G. Lowe istintive Image Features from Scale-Invariants Kepoints International Journal of Computer Vision 004 Outline Cosa è SIFT Overview
DettagliEsercizi di Programmazione Lineare - Dualità
Esercizi di Programmazione Lineare - Dualità Esercizio n1 Dato il seguente problema 3 + 3 2 2 + a scriverne il duale; b risolvere il duale (anche geometricamente indicando cosa da esso si può dedurre sul
DettagliMultiMedia DataBase Group, DEIS
DEIS IEIIT/CNR Università degli Studi di Bologna a FIRENZE WORLD VISION 2004 what will be tomorrow MultiMedia DataBase Group http://www-db.deis.unibo.it/mmdbgroup/ Ricerca per similarità in basi di dati
DettagliUn sistema di Vision Inspection basato su reti neurali
Un sistema di Vision Inspection basato su reti neurali Ludovico Buffon 1, Evelina Lamma 1, Fabrizio Riguzzi 1, Davide Formenti 2 1 Dipartimento di Ingegneria, Via Saragat 1, 44122 Ferrara (FE), Italia
Dettaglimatematica classe terza Liceo scientifico
LICEO SCIENTIFICO STATALE LEONARDO DA VINCI Anno scolastico 2013/2014 LE COMPETENZE ESSENZIALI CONSIDERATE ACCETTABILI PER LA SUFFICIENZA Si precisa che gli obiettivi indicati sono da raggiungere in relazione
Dettaglie applicazioni al dominio del Contact Management Andrea Brunello Università degli Studi di Udine
e applicazioni al dominio del Contact Management Parte V: combinazione di Università degli Studi di Udine In collaborazione con dott. Enrico Marzano, CIO Gap srl progetto Active Contact System 1/10 Contenuti
DettagliFondamenti di Elaborazione di Immagini Introduzione. Raffaele Cappelli.
Fondamenti di Elaborazione di Immagini Introduzione Raffaele Cappelli raffaele.cappelli@unibo.it Obiettivi del corso Il corso introduce i principali concetti e le tecniche di base per l elaborazione delle
Dettagli3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI
3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI ESISTENZA DI UN PUNTO DI OTTIMO VINCOLATO Il problema di ottimizzazione vincolata introdotto nel paragrafo precedente può essere formulato nel modo seguente:
DettagliFasi dell analisi di dati da microarray (2)
Fasi dell analisi di dati da microarray (). Image Processing: le immagini sono analizzate per determinare una misura dell intensità di ogni spot, insieme ad una valutazione della sua affidabilità. Data
DettagliMETODO DEI MINIMI QUADRATI
METODO DEI MINIMI QUADRATI Torniamo al problema della crescita della radice di mais in funzione del contenuto di saccarosio nel terreno di coltura. Ripetendo varie volte l esperimento con diverse quantità
DettagliLE TRASFORMAZIONI GEOMETRICHE
LE TRASFORMAZIONI GEOMETRICHE LA SIMMETRIA ASSIALE Definizione: il simmetrico P di un punto P, rispetto alla simmetria assiale di asse r gode delle seguenti proprietà: P e P sono equidistanti da r e il
DettagliTecniche di riconoscimento statistico
Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 8 Support Vector Machines Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliISTITUTO OMNICOMPRENSIVO ALTO ORVIETANO FABRO PROGRAMMAZIONE ANNUALE MATEMATICA CLASSE II SECONDARIA I GRADO
ISTITUTO OMNICOMPRENSIVO ALTO ORVIETANO FABRO PROGRAMMAZIONE ANNUALE MATEMATICA CLASSE II SECONDARIA I GRADO MACRO INDICA TORI OBIETTIVI DI APPRENDIMENTO Curricolo verticale OBIETTIVI DI APPRENDIMENTO
DettagliESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)
ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calibrazione intrinseca Spesso risulta utile calibrare la sola componente intrinseca di un sistema di visione (matrice K), e non si dispone di oggetti di forma
DettagliDiario delle lezioni di Calcolo e Biostatistica (O-Z) - a.a. 2013/14 A. Teta
Diario delle lezioni di Calcolo e Biostatistica (O-Z) - a.a. 2013/14 A. Teta 1. (1/10 Lu.) Generalità sugli insiemi, operazioni di unione, intersezione e prodotto cartesiano. Insiemi numerici: naturali,
DettagliDal Mondo alla Camera
Dal Mondo alla Camera Formazione dell immagine Marco Moltisanti Image Processing Lab Dipartimento di Matematica e Informatica Università degli Studi di Catania moltisanti@dmi.unict.it www.dmi.unict.it/~moltisanti
DettagliHISTOGRAM MATCHING Di Raimondo Graziano - Nicolosi Salvatore Multimedia A.A
HISTOGRAM MATCHING Di Raimondo Graziano - Nicolosi Salvatore Multimedia A.A 2013-2014 Introduzione Un istogramma è un grafico che mostra la distribuzione delle varie tonalità di una data immagine digitale
DettagliCORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO -
1 CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - Corsi di Laurea in Informatica, Ing. Informatica, Ing. di Internet (a.a. 2014-2015) Roberto Basili 2 Overview WM&R: Motivazioni e prospettive
DettagliESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)
ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Structure From Motion Date m immagini di n punti 3D (fissi) Stimare le m matrici di proiezione P i e gli n vettori X j date le mn corrispondenze x ij SFM
Dettagli1 Schemi alle differenze finite per funzioni di una variabile
Introduzione In questa dispensa vengono forniti alcuni elementi di base per la soluzione di equazioni alle derivate parziali che governano problemi al contorno. A questo scopo si introducono, in forma
DettagliRegressione Lineare e Regressione Logistica
Regressione Lineare e Regressione Logistica Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com 1 Introduzione
DettagliLezione 6 Manufacturing Resource Planning MRP II
Lezione 6 Manufacturing Resource Planning MRP II Obiettivo: tramite MRP, si usano dati su domanda indipendente (ordini) e dipendente (interna) & su struttura del prodotto (albero) per calcolare gli ordini
DettagliCorso di Laurea in Ingegneria Informatica Analisi Numerica
Corso di Laurea in Ingegneria Informatica Lucio Demeio Dipartimento di Scienze Matematiche 1 2 Analisi degli errori Informazioni generali Libro di testo: J. D. Faires, R. Burden, Numerical Analysis, Brooks/Cole,
DettagliActive Appearance Models
UNIVERSITÀ DEGLI STUDI DI VERONA Facoltà di Scienze MM.FF.NN. Corso di Laurea Specialistica in Sistemi Intelligenti e Multimediali Tesi di Laurea Specialistica Active Appearance Models Aspetti Metodologici
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
DettagliAnno scolastico 2015/2016 PROGRAMMA SVOLTO. Docente: Catini Romina. Materie: Matematica. Classe : 4 L Indirizzo Scientifico Scienze Applicate
Anno scolastico 2015/2016 PROGRAMMA SVOLTO Docente: Catini Romina Materie: Matematica Classe : 4 L Indirizzo Scientifico Scienze Applicate UNITA DIDATTICA FORMATIVA 1: Statistica Rilevazione dei dati Rappresentazioni
DettagliCORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO -
1 CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - Corsi di Laurea in Informatica, Ing. Informatica, Ing. di Internet (a.a. 2015-2016) Roberto Basili 2 Overview WM&R: Motivazioni e prospettive
DettagliARGOMENTI TRATTATI NEL CORSO DI ANALISI II
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
Dettagliprogrammazione annuale docente
Programmazione annuale docente classi 5^ Docente Cinzia Maria Provasoli Classe 5^ sez. C Indirizzo IGEA Materia di insegnamento MATEMATICA Libro di testo : Corso base rosso di matematica vol.5 M. Bergamini,
DettagliCompito del 27 Gennaio Esercizio 1 Sono dati i vettori u = (2, 1, 3) e v = ( 1, 4, 2), nonché le matrici
Compito del 27 Gennaio 2015 Sono dati i vettori u = (2, 1, 3) e v = ( 1, 4, 2), nonché le matrici 0 1 2 0 1 1, B = 1 0 1 2 0 2. 1 2 0 0 3 1 a) Calcolare det(a B T ) b) Calcolare un vettore perpendicolare
DettagliLe isometrie Capitolo
Le isometrie Capitolo Simmetria centrale e assiale erifica per la classe prima COGNOME............................... NOME............................. Classe.................................... Data...............................
Dettagli5.5 Metodi dei piani di taglio
5.5 Metodi dei piani di taglio Problema generale di Programmazione Lineare Intera (PLI) max{c t x : x X} dove X = {x Z n + : Ax b}, con A matrice m n e b vettore n 1 razionali Proposizione: conv(x) = {x
DettagliBiometric4Net. Stato del progetto e roadmap futura. Andrea Spadaccini Secondo Borsisti Day, Roma,
Biometric4Net Stato del progetto e roadmap futura Sommario Motivazione ed obiettivi Stato del progetto Architettura del sistema Front-end Comunicazione client/server Back-end Sistemi biometrici utilizzati
DettagliCorso di Visione Artificiale. Texture. Samuel Rota Bulò
Corso di Visione Artificiale Texture Samuel Rota Bulò Texture Le texture sono facili da riconoscere ma difficili da definire. Texture Il fatto di essere una texture dipende dal livello di scala a cui si
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) protocolli reti IP memorizzazione compatta di
DettagliElementi finiti solidi
Esercitazioni del corso di Costruzione di Macchine 2 e Progettazione FEM a cura dell ing. Francesco Villa Elementi finiti solidi Costruzione di Macchine 2 e Progettazione FEM Prof. Sergio Baragetti Dalmine
DettagliMetodi per la riduzione della dimensionalità. Strumenti quantitativi per la gestione
Metodi per la riduzione della dimensionalità Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/6c_pca.html#(1) 1/25 Introduzione Gli approcci
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 2 Teoria della decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliPIANO DI LAVORO ANNUALE DEL DIPARTIMENTO DI MATERIA NUCLEI FONDAMENTALI DI CONOSCENZE
Pag. 1 di 7 ANNO SCOLASTICO 2014/2015 DIPARTIMENTO DI MATEMATICA INDIRIZZO AFM, RIM, SIA CLASSE BIENNIO TRIENNIO DOCENTI: Alemagna, Bartalotta, Bergamaschi, Mangione NUCLEI FONDAMENTALI DI CONOSCENZE I
DettagliVisione Computazionale
Il docente Visione Computazionale Introduzione al corso a.a. 2004/2005 Andrea FUSIELLO, Professore Associato Dip. Informatica, Ca Vignal 2, I piano, stanza 5 Email: andrea.fusiello@univr.it Web Page del
DettagliTecniche di Visione Artificiale e Pattern Recognition per l analisi di Tessiture su superfici ceramiche
Tecniche di Visione Artificiale e Pattern Recognition per l analisi di Tessiture su superfici ceramiche R. Cucchiara, S. Calderara Imagelab- Dipartimento di Ingegneria dell Informazione Università di Modena
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 2 Teoria della decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliPrincipal. component analysis. Dai volti agli spettri di galassie
Principal component analysis Dai volti agli spettri di galassie SCOPO: PCA for beginners Ridurre il numero di variabili all interno di una collezione di oggetti per descriverli piu facilmente, sulla base
Dettagli3.6 Metodi basati sui piani di taglio
3.6 Metodi basati sui piani di taglio Problema generale di Programmazione Lineare Intera (PLI) con A matrice m n e b vettore n 1 razionali min{ c t x : x X = {x Z n + : Ax b} } Sappiamo che esiste una
DettagliISTITUTO COMPRENSIVO DI DONGO curricolo verticale per la scuola primaria Area di apprendimento: MATEMATICA
IL NUMERO ISTITUTO COMPRENSIVO DI DONGO curricolo verticale per la scuola primaria Area di apprendimento: MATEMATICA - opera con numeri naturali e decimali - utilizza il calcolo scritto e mentale 1 2 ordinare
DettagliPROGRAMMA SVOLTO E INDICAZIONI LAVORO ESTIVO. a. s CLASSE IIIC. Insegnante Pellegrino Innocenza. Disciplina MATEMATICA
PROGRAMMA SVOLTO E INDICAZIONI LAVORO ESTIVO a. s. 2016-2017 CLASSE IIIC Insegnante Pellegrino Innocenza Disciplina MATEMATICA PROGRAMMA SVOLTO Equazioni e disequazioni algebriche Ripasso di equazioni
Dettagli1 Il metodo dei tagli di Gomory
Il metodo dei tagli di Gomory Esercizio Sia dato il problema min(x x ) x + x (P 0 ) x + x x, x 0, interi. Calcolare la soluzione ottima applicando il metodo dei tagli di Gomory. Risoluzione Per applicare
DettagliUniversità degli Studi di Roma Tor Vergata
Funzioni kernel Note dal corso di Machine Learning Corso di Laurea Specialistica in Informatica a.a. 2010-2011 Prof. Giorgio Gambosi Università degli Studi di Roma Tor Vergata 2 Queste note derivano da
DettagliIntelligenza Artificiale
Intelligenza Artificiale Anno Accademico 2008-2009 Anno Accademico 2008-2009 Introduzione alla Visione Artiificiale Introduzione alla Visione Artiificiale Sommario Introduzione Percezione Formazione delle
DettagliSi consideri il seguente tableau ottimo di un problema di programmazione lineare
ESERCIZIO 1 Si consideri il seguente tableau ottimo di un problema di programmazione lineare -25/3 0 4/3 19/6 9/2 0 0 0 7/6 1 0 1-1/2-3/2 1 0 0 3/2 11/3 1-2/3-1/3 0 0 0 0 2/3 2/3 0 1/3 1/6-1/2 0 1 0 7/6
DettagliStima della qualità dei classificatori per l analisi dei dati biomolecolari
Stima della qualità dei classificatori per l analisi dei dati biomolecolari Giorgio Valentini e-mail: valentini@dsi.unimi.it Rischio atteso e rischio empirico L` apprendimento di una funzione non nota
DettagliLa distribuzione delle frequenze. T 10 (s)
1 La distribuzione delle frequenze Si vuole misurare il periodo di oscillazione di un pendolo costituito da una sferetta metallica agganciata a un filo (fig. 1). A Figura 1 B Ricordiamo che il periodo
DettagliNote sull implementazione in virgola fissa di filtri numerici
Note sull implementazione in virgola fissa di filtri numerici 4 settembre 2006 1 Introduction Nonostante al giorno d oggi i processori con aritmetica in virgola mobili siano molto comuni, esistono contesti
DettagliFace Detection. Simone Moro. Face Detection
Simone Moro Face Detection - Introduction Un po di domande: 1. Cosa è la face detection? 2. Che importanza ha la face detection? 3. Quale approccio seguire? - Introduction Cosa è la face detection? Data
DettagliLICEO SCIENTIFICO STATALE ALESSANDRO ANTONELLI
LICEO SCIENTIFICO STATALE ALESSANDRO ANTONELLI Via Toscana, 20 28100 NOVARA 0321 465480/458381 0321 465143 lsantone@liceoantonelli.novara.it http://www.liceoantonelli.novara.it C.F.80014880035 Cod.Mecc.
DettagliMATEMATICA: LAVORO ESTIVO CLASSE 3GTscintifico. PROGRAMMA DI MATEMATICA PER IL RECUPERO / AIUTO CLASSE 3GTSCINTIFICO prof.
LICEO CLASSICO L.GALVANI A.S. 2016/17 MATEMATICA: LAVORO ESTIVO CLASSE 3GTscintifico Docente Paola Giacconi PROGRAMMA DI MATEMATICA PER IL RECUPERO / AIUTO CLASSE 3GTSCINTIFICO prof. Paola Giacconi Testo
DettagliProcesso di identificazione
Processo di identificazione Problemi a scatola trasparente il modello viene ottenuto partendo dalla descrizione delle parti costituenti il sistema e delle leggi che lo regolano. Il problema dell identificazione
DettagliL efficienza e la valutazione delle performance Concetti ed introduzione alla D.E.A.
L efficienza e la valutazione delle performance Concetti ed introduzione alla D.E.A. Corso di Economia Industriale Lezione dell 8/01/2010 Valutazione delle peformance Obiettivo: valutare le attività di
Dettaglistandardizzazione dei punteggi di un test
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it standardizzazione dei punteggi di un test serve a dare significato ai punteggi che una persona ottiene ad un test, confrontando la
DettagliVisione Artificiale - 07/08. Trasformata di Hough
Visione Artificiale - 07/08 Visione Artificiale - 07/08 2 Riconoscimento di forme Il problema fondamentale nella visione artificiale è il riconoscimento di oggetti Soluzione intuitiva: Uso un modello (template)
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 1 - Introduzione generale Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliSimulazione Stocastica
Simulazione Stocastica Si considerano qui alcuni metodi di simulazione di fenomeni stocastici. Il metodo Monte Carlo in particolare èutilizzato per stimare l incertezza di un sistema complesso, quando
DettagliAnalisi statistica e matematico-finanziaria II. Alfonso Iodice D Enza Università degli studi di Cassino e del Lazio Meridionale
delle sui delle Analisi statistica e matematico-finanziaria II Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino e del Lazio Meridionale sulle particolari ali dei dati Outline
DettagliFeature Points - SIFT
Feature Points - SIFT Digital Imaging 2014-2015 Simone Bianco Introduzione PROBLEMA Vogliamo individuare in una immagine dei punti di interesse I punti devono catturare informazioni locali sull immagine
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
Dettagli/05/2013 Riconoscimento facciale 1
I Sistemi Biometrici: riconoscimento del volto Michele Nappi, Ph.D Università degli Studi di Salerno mnappi@unisa.it biplab.unisa.it it 089-963334963334 24/05/2013 Riconoscimento facciale 1 Perché il volto
DettagliCorso di Robotica 1 Cinematica inversa
Corso di Robotica 1 Cinematica inversa Prof. Alessandro De Luca Robotica 1 1 Problema cinematico inverso data una posa (posizione + orientamento) dell end-effector determinare l insieme di valori delle
Dettagli