Localizzazione Template matching rigido
|
|
- Edmondo Cortese
- 6 anni fa
- Visualizzazioni
Transcript
1 1 Localzzazone Template matchng rgdo Annalsa Franco Tecnche d localzzazone Il termne template matchng è molto generco nell ambto del PR, ma normalmente fa rfermento allo rcerca d un template T all nterno d un mmagne I con l obettvo d determnare se I contene l oggetto (match) e n quale poszone T appare nell mmagne. 2 1
2 3 Template matchng Template atchng surazone delle prestazon Rgd Template atchng Deformable Template atchng Pxelbased Local descr. based Hough transform Free-form deformable Parametrc deformable Nel domno spazale Nel domno delle frequenze Analytc-Form based Transformaton based Shape learnng 4 Prestazon d localzzazone In un sstema d localzzazone d oggett, è necessaro msurare: False localzzazon (false postve): percentuale d cas n cu l sstema localzza un oggetto non corretto. ancate localzzazon (false negatve): percentuale d cas n cu l sstema non localzza nessun oggetto, sebbene l oggetto sa presente (quest error sono dett anche drop o mss). Precsone d localzzazone: ndca quanto precsamente n meda gl oggett sono localzzat (accuracy). I prncpal ndcator sono: Precson: frazone d oggett localzzat che sono rlevant: P = Recall: frazone d oggett rlevant che sono stat localzzat: R = TP true postve, FP false postve, FN false negatve TP TP+FP TP TP+FN 2
3 5 Valutare un sstema d localzzazone Come ndvduare TP, FP, FN? Dato un oggetto localzzato d e un oggetto del ground truth g j lo score assocato al matchng tra due può essere calcolato come S d, g j = area d area g j area d area g j Può essere necessaro utlzzare un algortmo d assegnamento che ottmzz le coppe d, g j sulla base del relatvo score. Valutare un sstema d localzzazone False e mancate localzzazon sono spesso legate tra loro ed entrambe funzone d alcun parametr d tolleranza del sstema: se s rende l sstema meno tollerante a fals n modo da evtare che vengano localzzat oggett non esstent, aumenta la probabltà d perdere anche qualche oggetto genuno. vceversa se s rende l sstema pù tollerante n modo da localzzare tutt gl oggett present (anche quell dffcl ) allora aumenta la probabltà d localzzare anche qualche falso oggetto. sstem possono n genere essere regolat per operare a dvers lvell d tolleranza 6 s = 0.95 s = 0.55 s =
4 error 11/14/ Valutare un sstema d localzzazone Le prestazon al varare della «tolleranza» possono essere sntetzzate n forma grafca: FPR(t) FNR(t) Curva ROC (Recever Operatng Characterstc) Threshold (t) 8 4
5 9 Template matchng "rgdo" Un approcco molto utlzzato per la localzzazone d oggett s basa sull anals delle mmagn con una fnestra moble che vene fatta scorrere sull mmagne e confrontata d volta n volta con alcun template degl oggett da rcercare. Es. Rcercare tutt pedon e le macchne present nella scena Pedon odell acchne Input mage 10 Template matchng "rgdo" Il template T è costtuto da un oggetto rgdo (normalmente una pccola mmagne n formato raster). T vene sovrapposto a I n tutte le possbl poszon (rspetto agl ass X e Y), ma a seconda dell applcazone, può essere anche necessaro ruotarlo e scalarlo (trasformazone AFFINE). Nel seguto denomnamo T le stanze d T ottenute dalle trasformazon precedent (spostamento n X e Y, rotazone, scala). Per ogn stanza T l grado d smlartà vene soltamente calcolato massmzzando la correlazone con la porzone d mmagne I coperta da T (che ha la stessa dmensone d T ). Normalmente template hanno dmensone nferore all mmagne; n caso contraro bsogna fare attenzone agl effett d bordo! La dmensone de modell può varare 5
6 11 Template matchng "rgdo" Il confronto tra una sottommagne e un modello vene fatta sulla base d apposte feature (es. ntenstà, SIFT); Per decdere se un oggetto è presente nella scena è necessaro mporre una sogla alla smlartà (dstanza) tra le feature della sottofnestra n esame e l modello; È possble che lo stesso oggetto venga localzzato n pù poszon adacent; è necessara qund una fase d post-processng (es. fusone, soppressone de non massm). Pxel-based template matchng Immagn e template sono, per semplctà d notazone, defnt nel seguto come vettor 1- dmensonal ottenut postponendo le rghe delle corrspondent matrc 2-dmensonal. Correlaton based: Data un mmagne I e un stanza T, una msura ntutva d dverstà tra I e T è la Sum of Squared Dfferences (SSD): SSD 2 T 2 2 T I T I T I T I T I T 2T I, quando termn I 2 e T 2 sono costant, mnmzzare l prmo termne corrspondere a massmzzare la CrossCorrelaton (CC) tra I e T : CC T I, T T I T k Ik In alcun cas la Cross Correlaton non è una msura robusta per l template matchng e dventa necessaro applcare alcune normalzzazon. Cò accade n partcolare quando I e T non sono costant (ad. esempo): Rcerca dello stesso template su mmagn dverse. Istanze dello stesso template dverse tra loro per numero d pxel e lumnostà meda. k 12 6
7 13 sure d correlazone normalzzate Normalzed Sum of Squared Dfference (NSSD): 2 I T NSSDI, T I T La normalzzazone rende NSSD ndpendente dal contrasto d mmagne e template. Infatt pattern a pù elevato contrasto (caratterzzat da ampo range d lvell d grgo) vengono rtenut da SSD pù dssml rspetto a pattern con scarso contrasto. Normalzed Cross-Correlaton (NCC): NCC I, T Smle a NSSD ma computazonalmente meno costosa: se n è la dmensonaltà d mmagne e template, rsparma n dfferenze. T I T I T sure d correlazone normalzzate Zero mean Normalzed Sum of Squared Dfferences (ZNSDD) e Zero mean Normalzed Cross-Correlaton (ZNCC): ZNSSD I, T 2 I I T T I I T T 14 ZNCC I, T T I I T T I I T T Rspetto a NSSD e NCC sono nvarant anche per pattern che, a partà d constrasto (stesso range dnamco), presentano lumnostà mede dverse. 7
8 15 Come ruotare/scalare un mmagne? appng dretto Sa f: [x old,y old ] [x new,y new ] una funzone che mappa ogn pxel della veccha mmagne sulla nuova; ad esempo per trasformazon affn (traslazone [t x, t y ] + rotazone + scala s): x y new new cosθ sn θ sn θ s cosθ 0 0 x s y t t Eseguendo la trasformazone a partre da una scansone (doppo cclo) dell mmagne d partenza, s hanno seguent problem: Valor nuov pxel non necessaramente nter (approssmazone). Alcun pxel vengono mappat al d fuor della nuova mmagne. Alcun pxel della nuova mmagne non sono colpt (buch) old old x y Come ruotare/scalare un mmagne? appng nverso Un modo effcace d rsolvere problem consste nell esegure la scansone della nuova mmagne e per ogn pxel [x new,y new ] determnare l punto d rfermento [x old,y old ] sulla veccha mmagne attraverso la funzone nversa f -1 : x y old old 1 / s 0 0 cos 1/ s sn θ sn θ x new t x θ cos θ ynew t y 16 Il punto d rfermento [x old,y old ] che è n coordnate contnue (floatng pont) potrebbe cadere: fuor dalla veccha mmagne: mpostare valore d base (es: nero). su d un pxel della veccha mmagne: copare l ntenstà a metà strada tra 4 pxel della veccha mmagne: (ved ) 8
9 17 Come ruotare/scalare un mmagne? D: [x,y j+1 ] C: [x +1,y j+1 ] [x old,y old ] A: [x,y j ] B: [x +1,y j ] [x new,y new ] Il valore d ntenstà del nuovo pxel [x new,y new ] vene calcolato nterpolando valor d ntenstà de 4 pxel crcostant. L nterpolazone d Lagrange cerca l pano che meglo approssma 4 punt (a mnm quadrat): New I x new, y new Old I A w Old IB w Old IC w Old ID A w A B w w w dove New I() e Old I() ndcano l ntenstà de pxel nella nuova e veccha mmagne rspettvamente, e w A, w B, w C, w D pes: wa x 1 x old y j1 yold wc x old x yold y j w x x y y w x x y y B old j1 old D B C 1 D old C old j w D 18 Esempo Immagne Template: 10 cfre e 26 caratter per ogn cfra e per ogn carattere consderamo 3 stanze dovute a varazon d scala (dverse dstanze dalla telecamera). La scala ntermeda ha rsoluzone pxel. Ogn stanza (108 stanze = ( ) 3 ) deve essere sovrapposta all mmagne n tutte le possbl poszon e genera qund ulteror stanze (se s trascurano bord). Pertanto occorrere stmare crca = correlazon cascuna rchedente almeno 1420 moltplcazon e altrettante somme (nel caso d semplce CC). In totale crca moltplcazon (ntere) e altrettante somme. Quanto tempo occorre per processare un mmagne? 40 second su una macchna capace d esegure operazon ntere al sec. 9
10 19 Correlaton-based approach: problem Complesstà computazonale Il numero d operazon rcheste cresce lnearmente con l numero d stanze e con l numero d pxel d I e T (e qund quadratcamente rspetto al lato d I e d T). In pratca per applcazon real-tme l approcco base è quas sempre napplcable. Dffcle gestone d pattern deformabl Esempo: localzzazone d un componente elettronco Necessara nvaranza per poszone, rotazone, scala e aspect rato (lunghezza/altezza). Cò mplca un enorme numero d stanze! Come gestre le varazon d colore? (es: operare su edge e non su mmagne ntenstà) Come gestre le deformazon local (ad esempo pedn pegat o d dversa lunghezza)? 20 Evoluzon: Approcco multrsoluzone (1) Per rdurre la complesstà computazonale s segue la rcerca su una gerarcha crescente d rsoluzon. L approcco multrsoluzone vene usato anche per localzzare oggett a scale dverse (n questo caso normalmente non dmnusce la complesstà computazonale). Vene creata una pramde d rsoluzon sa per I che per T (ad esempo dmezzando la rsoluzone ad ogn lvello). 10
11 21 Evoluzon: Approcco multrsoluzone (2) La rcerca vene eseguta nzalmente sulla rsoluzone pù bassa, e a lvell successv vengono analzzate solo le stanze promettent (la cu correlazone a lvello nferore eccedeva una certa sogla normalmente puttosto bassa per evtare false reezon). Cò consente d esegure una scrematura a lvell nzal e d perfezonare la localzzazone e fltrare false accettazon a lvell successv. A metà rsoluzone le operazon s rducono d 16 volte. A 1/4 quarto d rsoluzone d 256 volte. A 1/2 n d rsoluzone d 2 4n volte, ma soltamente oltre a 3, 4 lvell non è possble operare per mancanza d dettagl
12 23 Feature per l template matchng Per la rappresentazone de template e delle sngole patch è possble usare de descrttor local (es. SIFT, SURF, HOG, Haar) assocat a punt dstrbut unformemente sull mmagne (dense samplng). Il confronto tra descrttor può essere effettuato sommando o medando le dstanze Eucldee calcolate tra descrttor d punt corrspondent. Se la dstanza ottenuta è nferore alla sogla prefssata, l oggetto s consdera localzzato. La localzzazone del volto 24 12
13 25 La localzzazone del volto Data una sngola mmagne o una sequenza vdeo rlevare la presenza d uno o pù volt e localzzarne la poszone all nterno dell mmagne. È necessara l ndpendenza rspetto a: poszone, orentazone, scala, espressone del volto; fattor estern qual l llumnazone o la presenza d uno sfondo complesso. Localzzazone de volt 26 Volto o non volto? Volto o non volto? Volto o non volto? La localzzazone de volt avvene analzzando sottofnestre consecutve (sovrapposte) dell mmagne n nput e valutando per cascuna se appartene alla classe de volt. Il localzzatore d Vola e Jones è uno de pù robust ed effcent allo stato dell arte L addestramento è molto lento (può rchedere gorn); La procedura d localzzazone è molto effcente (funzonamento real-tme). 13
14 27 Il localzzatore d Vola e Jones (1) La proposta d Paul Vola e chael Jones, ntrodotta n generale per la localzzazone d oggett, è stata applcata con successo all ndvduazone d volt. Prevede d creare un classfcatore che nzalmente è addestrato medante multple stanze della classe da ndvduare (esemp postv), e vare stanze d esemp negatv, ovvero mmagn che non contengono alcun oggetto della classe n esame. Durante l tranng sono estratte dverse caratterstche dagl esemp e selezonate quelle che rsultano partcolarmente dscrmnant. Questo tpo d nformazone è racchusa ne parametr del modello statstco. Se l classfcatore addestrato non trova un oggetto che nvece è presente (mss) oppure ne ndca erroneamente la presenza (false alarm), s può rcalbrare l suo addestramento aggungendo gl esemp corrspondent (postv o negatv) al tranng set. P. Vola,. J. Jones, Rapd Object Detecton usng a Boosted Cascade of Smple Features, n proc. IEEE Internatonal Conference on Computer Vson and Pattern Recognton, vol. 1, pp , Il localzzatore d Vola e Jones (3) Estrazone e valutazone d Haar-lke feature Classfcazone medante boostng (costruzone d un classfcatore robusto come combnazone d molteplc classfcator semplc) ultscale detecton??? +1 face features classfy -1 non face x F(x) y la localzzazone è effettuata facendo scorrere una fnestra d rcerca (le cu dmenson possono varare) sull mmagne, estraendo le feature present nella fnestra e classfcando la fnestra come volto o non volto. 14
15 29 AdaBoost learnng procedure Obettvo: costrure un classfcatore non lneare complesso H (x) come combnazone lneare d classfcator pù semplc dett classfcator debol (weak classfers): H ( x) h m m m1 m1 m x N.B. : nella versone dscreta h m (x) assume un valore dscreto n {-1,+1} dove x è un pattern da classfcare, h m (x){-1,+1} sono classfcator debol, m 0 sono corrspondent fattor d peso, è l fattore d normalzzazone m1 m AdaBoost: dea d base AdaBoost è una tecnca d addestramento che ha lo scopo d apprendere la sequenza ottmale d classfcator debol e corrspondent pes. Rchede un nseme d pattern d tranng {(x 1,y 1 ),(x 2,y 2 ),,(x N,y N )}, dove y {-1,+1} è l etchetta della classe assocata al pattern x n. Durante l apprendmento è calcolata e aggornata una dstrbuzone d pes [w 1,w 2,,w N ] assocat a pattern d tranng; w è assocato al pattern (x,y ). Dopo l terazone m, è assegnato a pattern pù dffcl da classfcare un peso w (m) 1 superore, coscché alla successva terazone m+1 tal pattern rceveranno un attenzone maggore. AdaBoost assume d avere a dsposzone una procedura per l apprendmento d un classfcatore debole a partre da un nseme d pattern d tranng, data la dstrbuzone [w (m) ]
16 31 Un esempo Ogn punto ha un etchetta che ne ndca la classe: y = +1 ( ) -1 ( ) e un peso: w =1 Classfcatore lneare debole rpreso da Antono Un esempo 32 Ogn punto ha un etchetta che ne ndca la classe: y = +1 ( ) -1 ( ) e un peso: w =1 Il mglore 16
17 33 Un esempo Ogn punto ha un etchetta che ne ndca la classe: y = +1 ( ) -1 ( ) Aggornamento pes: w exp{-y H (x )} Formulamo ora un nuovo problema Un esempo 34 Ogn punto ha un etchetta che ne ndca la classe: y = +1 ( ) -1 ( ) Aggornamento pes: w exp{-y H (x )} Formulamo ora un nuovo problema 17
18 Un esempo 35 Ogn punto ha un etchetta che ne ndca la classe: y = +1 ( ) -1 ( ) Aggornamento pes: w exp{-y H (x )} Formulamo ora un nuovo problema Un esempo 36 Ogn punto ha un etchetta che ne ndca la classe: y = +1 ( ) -1 ( ) Aggornamento pes: w exp{-y H (x )} Formulamo ora un nuovo problema 18
19 Un esempo 37 f 1 f 2 f 4 f 3 Il classfcatore robusto (non lneare) è costtuto da una combnazone d classfcator debol (lnear). 38 AdaBoost: l classfcatore debole (1) Il pù semplce classfcatore debole è un albero d decsone con un sngolo nodo. Supponamo d aver costruto -1 classfcator debol {h m (x)m=1,..,-1} e d voler costrure h (x). Il classfcatore confronta l valore d una feature z k* con una sogla prefssata k* e assegna valor +1 o -1 d conseguenza: h (x) = +1 se z k* > k* = -1 altrment 19
20 39 AdaBoost: l classfcatore debole (2) In questa forma h (x) dpende da due parametr: la feature z k* l valore d sogla k* I due parametr possono essere fssat n base al mnmo errore pesato d classfcazone: Sceglamo l valore d sogla k che mnmzza l errore d classfcazone per cascuna feature z k ; La feature z k* scelta per l classfcatore corrente è quella che permette d ottenere l errore d classfcazone complessvamente pù basso. AdaBoost: l classfcatore robusto (1) AdaBoost apprende una sequenza d classfcator debol h m e l combna n un classfcatore robusto H, mnmzzando l upper bound all errore d classfcazone d H. L upper bound s ottene con la seguente formula: J y y h x H x m1 m m H e e dove è l ndce delle mmagn d tranng. Dato l classfcatore corrente 1 H 1 x m1 m hm x e l nuovo classfcatore debole h, l mglor coeffcente per l nuovo classfcatore robusto H x H x h x mnmzza l costo: 1 x argmn J H 1 h x 40 20
21 41 AdaBoost: l classfcatore robusto (2) Il costo è mnmo per: 1 log dove è l errore d classfcazone pesato: 1 w 1 sgn H 1 [C] è 1 se C è vera, 0 altrment. x y A ogn terazone è aggornato l peso d cascun pattern n base alle prestazon d H : w 1 x, y w x, yexp y h x exp yh x AdaBoost: l classfcatore robusto (3) 0. (Input) (1) Pattern d tranng, dove N=a+b; a pattern hanno etchetta b pattern hanno etchetta ; (2) Il numero d classfcator da combnare. 1. (Inzalzzazone) per pattern con etchetta per pattern con etchetta 2. (Costruzone del classfcatore) Per m = 1,..,: (1) Scegl l classfcatore debole ottmale h m che mnmzz l errore pesato (2) Scegl m (3) Aggorna pes e normalzzal. 3. (Output) (1) Classfcatore (2) Classfcazone de pattern d tranng 42 21
22 43 Classfcator robust n cascata Un solo classfcatore robusto, per quanto elmn una grande porzone d sottofnestre che non contengono facce, non soddsfa requst d applcazon n termn d effcenza e d percentuale molto bassa d fals allarm. Una possble soluzone consste nell mpego d classfcator n cascata, va va pù compless. IAGE SUB-WINDOW Esempo T T T 50% 20% 2% 1 Feature 5 Feature 20 Feature F NON-VOLTO F NON-VOLTO F NON-VOLTO VOLTO Un classfcatore per una sola feature resce a passare al secondo stado la quas totaltà de volt esstent (crca 100%) mentre scarta al contempo l 50% de fals volt. Un classfcatore per 5 feature raggunge quas l 100% d detecton rate e l 40% d false postve rate (20% cumulatvo) usando dat dello stado precedente. Un classfcatore per 20 feature raggunge quas l 100% d detecton rate con 10% d false postve rate (2% cumulatvo)
23 45 Parametrc model fttng Lnea y = mx + c Cercho r 2 = x x c 2 + y y c 2 x x c a Ellsse 2 + y y c b 2 =1 46 Edge e modell parametrc 23
24 47 Trasformata d Hough Vene defnto uno spazo d parametr n cu ogn punto è assocable a una soluzone del problema. Lo spazo vene dscretzzato e gestto come una matrce multdmensonale (denomnata array d accumulator) le cu entry sono dette celle. Per esegure la trasformata s esegue una scansone dell mmagne: ogn pxel vota per una o pù celle dello spazo d parametr ncrementandone la probabltà. Al termne della scansone le celle che hanno accumulato valor pù elevat ndcano le soluzon pù probabl del problema. La defnzone dello spazo d parametr e de meccansm d voto dpendono dal tpo d oggetto che s vuole dentfcare. Sebbene la trasformata d Hough sa rtenuta da alcun computazonalmente molto costosa, e qund dffclmente utlzzable n applcazon run-tme, attraverso: l uso del gradente, l calcolo n artmetca ntera, l pre-calcolo d valor e approcc mult-rsoluzone possono essere ottenute mplementazon molto effcent (pù effcent d correlazone). 48 Trasformata d Hough: rette (1) Ogn retta nel pano x, y può essere descrtta dall equazone: y mx c y c x m Lo spazo de parametr (m, c) vene dscretzzato e codfcato da un array bdmensonale A[m 1 m 2... m r ][c 1 c 2... c s ]. 24
25 49 Trasformata d Hough: rette (2) Durante la scansone dell mmagne ogn pxel attvo (x, y) ndvdua una retta nello spazo de parametr: fssat x e y nell equazone della retta, per ogn valore dscreto d m, =1..r s determna l corrspondente c j e s ncrementa A[m ][c j ]. Al termne della scansone massm dell array A denotano le rette canddate present sull mmagne. Nella pratca per la localzzazone d rette con trasformata d Hough s prefersce la parametrzzazone n coordnate polar: ρ x cosθ y sn θ n quanto la dscretzzazone de parametr (m, c) comporta problem per rette vertcal o quas vertcal. In questo caso durante l cclo nterno s calcola l valore d per dvers valor dscret d. Trasformata d Hough: rette (3) 50 Gradente (Sobel) Bnarzzazone (Sogla Globale) Le 30 rette pù probabl localzzate con trasf. Hough 25
26 51 Trasformata d Hough: crconferenze (1) Ogn crconferenza nel pano x y è essere descrtta dall equazone: r x x 2 2 c y 2 y La trasformata può essere mpegata per localzzare crconferenze d raggo prefssato: n questo caso r è costante e l array degl accumulator è bdmensonale: A[x c1 x c2... x cr ][y c1 y c2... y cs ] c Se nvece s desderano tutte le crconferenze l cu raggo rcade entro un range prefssato, lo spazo de parametr (x c, y c, r) vene dscretzzato e codfcato da un array trdmensonale A[x c1 x c2... x cr ][y c1 y c2... y cs ][r 1 r 2... r t ]. In questo caso la complesstà computazonale è ovvamente superore. Trasformata d Hough: crconferenze (2) 52 Bord (Canny) e bnarzzazone Le 30 crconferenze pù probabl 26
27 53 Trasformata d Hough: ellss Nell approcco base è suffcente sostture l equazone dell ellsse a quella del cercho: x x a c 2 y y b c 2 1 Da notare però che parametr sono n questo caso 4 e per ottenere mplementazon effcent è necessaro adottare semplfcazon. Hough per la localzzazone del volto Immagne delle orentazon local (mult-rsoluzone) 54 Trasformata Hough sulle orentazon (spazo Hough) Template atchng (su orentazon) 27
28 55 L mmagne drezonale 56 L algortmo... trasformata generalzzata d Hough calcolata sull mmagne delle orentazon D Vene utlzzato un array d accumulator A bdmensonale (le due dmenson corrspondono alle possbl coordnate dscrete del centro d ellss): (x 2,y 2 ) a (x 0,y 0 ) d b C (x 1,y 1 ) per ogn elemento dd s calcola un template T per l aggornamento d A tenendo conto d: un range d varazone a mn a a max, b mn b b max un errore angolare l algortmo d Hough Reset A " elemento dd { Tcalcola template( (x 0,y 0 ), ); } "pxel (x,y) T A[x,y] = A[x,y] + s Rcerca massm n A 28
29 57 Esemp ed error 58 Un mplementazone effcente Dscretzzazone degl angol degl element d D (256 valor per 180 grad) Pre-Calcolo de template T; operando n coordnate relatve rspetto al centro dell ellsse l numero d dvers template corrsponde al numero d dverse orentazon (256). orentazone coordnate relatve de pxel del template (20,23) (20,25) (18,22) (15,26) (13,27) Dscretzzazone omogenea d A e D. 29
30 59 Raffnamento del rsultato Un passo d localzzazone fne è necessaro per: scartare massm d Hough che pur essendo ellss non sono volt localzzare pù esattamente l centro Un esempo d template drezonal usat per l template matchng n un ntorno delle poszon dentfcate dal prmo stado (Hough). L mmagne delle orentazon vene localmente r-camponata a maggore rsoluzone per ottenere maggore accuratezza. 60 Rsultat 30
31 61 Un altro esempo Allneamento e confronto d mpronte dgtal olte tecnche d rconoscmento s basano sull anals delle mnuze corrspondent a punt dell mmagne n cu le rdge lne termnano o s bforcano. Ogn mnuza è rappresentata da una poszone e da un orentazone. Due mnuze sono "compatbl" se sono vcne spazalmente e hanno un orentazone smle. m 5 m 3 m 2 m 1 m 6 m 5 m 4 m 4 m 1 m 2 m 6 m 3 Pont Pattern atchng Sano T e I le due rappresentazon del template e dell mmagne n nput rspettvamente. Nel matchng basato su mnuze la rappresentazone d un mpronta è un vettore d feature d lunghezza varable contenente le mnuze. Generalmente una mnuza è rappresentata dalla terna m={x,y,θ} che ndca le coordnate della mnuza e la sua orentazone, anche se è possble usare molt altr attrbut (es. tpo d mnuza, qualtà, ecc.): T = {m 1, m 2,, m m } m ={x,y,θ } =1,,m I = {m 1, m 2,, m n } m j ={x j,y j,θ j } j=1,,n dove m e n ndcano l numero d mnuze n T e I rspettvamente
32 63 Formulazone del problema (2) Una mnuza m j n I e una mnuza m n T s consderano corrspondent se la loro dstanza spazale (sd) è nferore a una sogla r 0 e la dfferenza tra le orentazon è nferore a una sogla θ 0 : sd dd 2 2 m j, m xj x yj y r0, m, mn,360 j m j j 0 Le tolleranze r 0 e θ 0 sono necessare per compensare possbl error d estrazone delle feature e per gestre n parte le dstorson della pelle che determnano uno spostamento delle mnuze. Formulazone del problema (3) L allneamento delle due mpronte è un passo fondamentale per massmzzare l numero d mnuze corrspondent. L allneamento corretto rchede certamente una traslazone (n x e y) e una rotazone, ma può comportare anche altre trasformazon geometrche: cambamento d scala (quando la rsoluzone delle due mpronte è dversa a causa d una dversa rsoluzone dello scanner); altre trasformazon geometrche tollerant alla dstorsone. Attenzone! Tollerare un numero elevato d trasformazon ntroduce ulteror grad d lbertà nell algortmo d matchng, rendendo possble un numero molto superore d allneament e aumentando d conseguenza anche la possbltà d commettere error
33 65 Formulazone del problema (4) Sa map(.) la funzone che mappa una mnuza m j d I nella mnuza m j sulla base d una determnata trasformazone geometrca; per esempo s consder una traslazone d [x, y] e una rotazone n senso antoraro attorno all orgne: m { x, y, } { x, y } map, x, y, j j j j m j x j cos y j sn sn xj x cos yj y Indchamo con mm(.) una funzone che resttusce 1 se due mnuze corrspondono n base alle sogle fssate: mm m, m j 1 0 sd m, m r e ddm, m j altrment. j j j 0 j 0 Formulazone del problema (5) Il problema del matchng può essere formulato come: maxmze x, y,, P m 1 dove P() è una funzone gnota che determna gl accoppament tra le mnuze d I e T; n partcolare ogn mnuza ha una sola compagna nell altra mpronta o non ha nessuna corrspondenza: P()=j ndca che la compagna d m n T è la mnuza m j n I; P()=null ndca che la mnuza m n T non ha corrspondenze n I; Una mnuza m j n I, tale che " = 1..m, P() j non ha compagne n T; " = 1..m, k = 1..m, k P() P(k) or P() = P(k) = null mm map x, y, m P, m 66 33
34 67 Problem nel mappng d mnuze nuze d I mappate nelle coordnate d T per un dato allneamento. La mnuza m 1 d T e la mnuza m 3 d I non hanno una compagna. Le mnuze m 3 e m 6 non possono essere abbnate a causa dell elevata dfferenza d orentazone. m m 2 2 m 1 m 1 m 1 m 1 m 2 m 5 m 3 m 2 m 6 m 5 m 4 m 6 m 3 Se m 1 fosse abbnata a m 2 (la mnuza pù vcna) m 2 non potrebbe essere abbnata; abbnare m 1 con m 1 permette d abbnare m 2 con m 2. m 4 68 Calcolo dello score I sstem automatc d rconoscmento d mpronte devono restture n output uno score normalzzato tra 0 e 1. Dato l numero k d mnuze corrspondent: score n m / 2 S possono adottare alcun accorgment: Usare la qualtà delle mnuze per pesare n modo dverso l contrbuto d mnuze d alta qualtà e d bassa qualtà. Per non penalzzare eccessvamente le mpronte che presentano una scarsa sovrapposzone con l template, come fattore d normalzzazone anzché (n+m)/2 s può usare l numero d mnuze che s trovano nell ntersezone delle due mpronte dopo aver determnato l allneamento ottmale. k 34
35 69 atchng globale: approcco basato su trasformata d Hough (1) L applcazone della trasformata d Hough prevede la defnzone d uno spazo d parametr n cu ogn punto è assocable a una soluzone del problema. Lo spazo è dscretzzato e gestto come una matrce multdmensonale (denomnata array d accumulator) le cu entry sono dette celle. Per esegure la trasformata s esegue una scansone dell mmagne: ogn pxel vota per una o pù celle dello spazo d parametr ncrementandone la probabltà. Al termne della scansone le celle che hanno accumulato valor pù elevat ndcano le soluzon pù probabl del problema. La defnzone dello spazo d parametr e de meccansm d voto dpendono dal tpo d oggetto che s vuole dentfcare. 70, atchng globale: approcco basato su trasformata d Hough (2) Nel caso delle mpronte lo spazo delle trasformazon è costtuto da quadruple (x, y,, s), dove x e y rappresentano parametr d traslazone, è la rotazone e s corrsponde al cambamento d scala. Cascun parametro è dscretzzato n un nseme fnto d valor: { x, x,..., x }, y { y, y,..., y } x 1 2 a 1 2 {,..., }, s { s,s,..., s } 1, 2 c 1 2 d b N.K. Ratha, K. Karu, S. Chen, A.K. Jan, A Real-Tme atchng System for Large Fngerprnt Databases, IEEE Transactons on Pattern Analyss and achne Intellgence, vol. 18, no. 8, pp ,
36 71 atchng globale: approcco basato su trasformata d Hough (3) S crea un array a 4 dmenson (una per ogn parametro) e vot sono accumulat con l seguente algortmo: for each m, = 1..m for each m' j, j = 1..n for each { } 1, 2,..., c f dd j, 0 // le drezon delle mnuze dopo la rotazone sono abbastanza vcne for each s { } s 1, s 2,..., sd { // la funzone map nclude cambament d scala x x cos sn x j s y y sn cos y j x +, y + = approssmazone d x, y al bn pù vcno A[x +, y +, +, s + ] = A[x +, y +, +, s + ] + 1 } 36
Fondamenti di Elaborazione di Immagini Template Matching. Raffaele Cappelli
Fondament d Elaborazone d Immagn emplate Matchng Raffaele Cappell raffaele.cappell@unbo.t Contenut Introduzone Confronto dretto fra mmagn e template matchng Panoramca approcc d template matchng Correlazone
Individuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri
Segmentazone tramte modell ad hoc Indvduazone d lnee e curve Obbettvo: Data l mmagne d output d un algortmo d rlevamento d bord, trova tutte le stanze d una certa curva (lnea o ellss) o una sua parte.
Segmentazione di immagini
Segmentazone d mmagn Introduzone Segmentazone: processo d partzonamento d un mmagne n regon dsgunte e omogenee. Esempo d segmentazone. Tratta da [] Introduzone (def. formale ( Sa R l ntera regone spazale
Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari
Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure
Il logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.
Il logartmo dscreto n Z p Il gruppo moltplcatvo Z p delle class resto modulo un prmo p è un gruppo cclco. Defnzone (Logartmo dscreto). Sa p un numero prmo e sa ā una radce prmtva n Z p. Sa ȳ Z p. Il logartmo
Introduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
Laboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto
INTRODUZIONE ALL ESPERIENZA 4: STUDIO DELLA POLARIZZAZIONE MEDIANTE LAMINE DI RITARDO
INTODUZION ALL SPINZA 4: STUDIO DLLA POLAIZZAZION DIANT LAIN DI ITADO Un utle rappresentazone su come agscono le lamne su fasc coerent è ottenuta utlzzando vettor e le matrc d Jones. Vettore d Jones e
Corso di Tecniche elettromagnetiche per la localizzazione e il controllo ambientale. Test scritto del 08 / 09 / 2005
Corso d Tecnche elettromagnetche per la localzzazone e l controllo ambentale Test scrtto del 8 / 9 / 5 S rsponda alle seguent domande marcando con un segno le rsposte che s reputano corrette. S rsolva
* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1
APAT Agenza per la Protezone dell Ambente e per Servz Tecnc Dpartmento Dfesa del Suolo / Servzo Geologco D Itala Servzo Tecnologe del sto e St Contamnat * * * Nota nerente l calcolo della concentrazone
Modelli descrittivi, statistica e simulazione
Modell descrttv, statstca e smulazone Master per Smart Logstcs specalst Roberto Cordone (roberto.cordone@unm.t) Statstca descrttva Cernusco S.N., govedì 28 gennao 2016 (9.00/13.00) 1 / 15 Indc d poszone
Sommatori: Full Adder. Adder. Architetture aritmetiche. Ripple Carry. Sommatori: Ripple Carry [2] Ripple Carry. Ripple Carry
CEFRIEL Consorzo per la Formazone e la Rcerca n Ingegnera dell Informazone Poltecnco d Mlano s Sommator: x y c x y c x y c x y c x y c Archtetture artmetche s x y Sommator:, Rpple Carry Sommator: Carry
Corso di. Dott.ssa Donatella Cocca
Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca
STATISTICA DESCRITTIVA CON EXCEL
STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:
6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto numerable. L nseme de
Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo
UNIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECONOMIA Corso d laurea n Economa Azendale Lezon d Statstca (25 marzo 2013) Docente: Massmo Crstallo QUARTILI Dvdono la dstrbuzone n quattro part d uguale
Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
Rappresentazione dei numeri
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2
DBMS multmedal A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal Def: Sono DBMS che consentono d memorzzare e recuperare dat d natura multmedale:
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model
Rcerca Operatva e Logstca Dott. F.Carrabs e Dott.ssa M.Gentl Modell per la Logstca: Sngle Flow One Level Model Mult Flow Two Level Model Modell d localzzazone nel dscreto Modell a Prodotto Sngolo e a Un
Rappresentazione dei numeri PH. 3.1, 3.2, 3.3
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
Modello del Gruppo d Acquisto
InVMall - Intellgent Vrtual Mall Modello del Gruppo d Acqusto Survey L attvtà svolta per la realzzazone dell attvtà B7 Defnzone del Gruppo d Acqusto e de Relatv Algortm d Inferenza, prevsta dal captolato
SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete
SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete Una sere storca o temporale è un nseme d dat costtut da una sequenza d osservazon su un fenomeno d nteresse X, effettuate n stant (per le
Ettore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione
Sto Personale d Ettore Lmol Lezon d Matematca Prof. Ettore Lmol Sommaro Calcol d regressone... 1 Retta d regressone con Ecel... Uso della funzone d calcolo della tendenza... 4 Uso della funzone d regressone
Variabili statistiche - Sommario
Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su
Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1
Integrazone numerca dell equazone del moto per un sstema lneare vscoso a un grado d lbertà Prof. Adolfo Santn - Dnamca delle Strutture 1 Introduzone 1/2 L equazone del moto d un sstema vscoso a un grado
L'Analisi in Componenti Principali. Luigi D Ambra Dipartimento di Matematica e Statistica Università di Napoli Federico II
L'Anals n Component Prncpal Lug D Ambra Dpartmento d Matematca e Statstca Unverstà d Napol Federco II ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Anals Multdmensonale de Dat (AMD) è una famgla d tecnche
Fotogrammetria. O centro di presa. fig.1 Geometria della presa fotogrammetrica
Fotogrammetra Scopo della fotogrammetra è la determnazone delle poszon d punt nello spazo fsco a partre dalla msura delle poszon de punt corrspondent su un mmagne fotografca. Ovvamente, affnché questo
Capitolo 3. Cap. 3-1
Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare
Classificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto
Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc.. 2006/2007
Fondament d Vsone Artfcale (Seconda Parte PhD. Ing. Mchele Folgherater Corso d Robotca Prof.ssa Guseppna Gn Anno Acc.. 006/007 Caso Bdmensonale el caso bdmensonale, per ndvduare punt d contorno degl oggett
Elementi di statistica
Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
LA CALIBRAZIONE NELL ANALISI STRUMENTALE
LA CALIBRAZIONE NELL ANALISI STRUMENTALE La maggor parte delle anals chmche sono ogg condotte medante metod strumental (spettrometra d assorbmento ed emssone a dverse λ, metod elettrochmc, spettrometra
RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2
RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A La rappresentazone n Complemento a Due d un numero ntero relatvo (.-3,-,-1,0,+1,+,.) una volta stablta la precsone che s vuole ottenere (coè l numero d
Dati di tipo video. Indicizzazione e ricerca video
Corso d Laurea n Informatca Applcata Unverstà d Urbno Dat d tpo vdeo I dat vdeo sono generalmente rcch dal punto d vsta nformatvo. Sottottol (testo) Colonna sonora (audo parlato e/o musca) Frame (mmagn
x 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n
Corso d Statstca docente: Domenco Vstocco La msura della varabltà per varabl qualtatve ordnal Lo studo della varabltà per varabl qualtatve ordnal può essere condotto servendos degl ndc d omogenetà/eterogenetà
Modelli decisionali su grafi - Problemi di Localizzazione
Modell decsonal su graf - Problem d Localzzazone Massmo Paolucc (paolucc@dst.unge.t) DIST Unverstà d Genova Locaton Problems: modell ed applcazon Decson a medo e lungo termne (panfcazone) Caratterstche
Precisione e Cifre Significative
Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte
La ripartizione trasversale dei carichi
La rpartzone trasversale de carch La dsposzone de carch da consderare ne calcol della struttura deve essere quella pù gravosa, ossa quella che determna massm valor delle sollectazon. Tale aspetto nveste
Intorduzione alla teoria delle Catene di Markov
Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }
S O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:
S O L U Z I O N I 1 Effettua uno studo qualtatvo della funzone con partcolare rfermento a seguent aspett: f ( ) ln( ) a) trova l domno della funzone b) ndca qual sono gl ntervall n cu f() rsulta postva
Esercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
La soluzione delle equazioni differenziali con il metodo di Galerkin
Il metodo de resdu pesat per gl element fnt a soluzone delle equazon dfferenzal con l metodo d Galerkn Tra le procedure generalmente adottate per formulare e rsolvere le equazon dfferenzal con un metodo
Modelli di variabili casuali
Modell d varabl casual Un modello d v.c. è una funzone f() che assoca ad ogn valore d una v.c. X la corrspondente probabltà. Obettvo: calcolo della probabltà per tutt valor che X può assumere Per le v.c.
{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo
Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d
Metodi variazionali. ed agiscono sulla FORMA DEBOLE DEL PROBLEMA
Metod varazonal OBIETTIVO: determnare funzon ncognte, chamate varabl dpendent, che soddsfano un certo nseme d equazon dfferenzal n un determnato domno e condzon al contorno STRUMETO: Metod varazonal: servono
COMPORTAMENTO DINAMICO DI ASSI E ALBERI
COMPORTAMENTO DNAMCO D ASS E ALBER VBRAZON TORSONAL Costruzone d Macchne Generaltà l problema del progetto d un asse o d un albero non è solo statco Gl ass e gl alber, come sstem elastc, sotto l azone
Laboratorio 2B A.A. 2013/2014. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 013/014 Elaborazone Dat Lab B CdL Fsca Elaborazone dat spermental Come rassumere un nseme d dat spermental? Una statstca è propro un numero calcolato a partre da dat stess. La Statstca
Valutazione dei Benefici interni
Corso d Trasport Terrtoro prof. ng. Agostno Nuzzolo Valutazone de Benefc ntern Valutazone degl ntervent Indvduazone degl effett rlevant La defnzone degl effett rlevant per un ntervento sul sstema d trasporto
Università degli Studi di Urbino Facoltà di Economia
Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva
Algoritmi di Classificazione Non Lineari
Algortm d Classfcazone Non Lnear Eserctazon per l corso d Logca ed Intellgenza Artfcale a.a. 2015 16 Jessca Rosat Regressone Logstca Superfce d separazone lneare Modell Lnear Generalzzat (GLMs) ϕ (x) =x
Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA
Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG
Circuiti dinamici. Circuiti del secondo ordine. (versione del ) Circuiti del secondo ordine
rcut dnamc rcut del secondo ordne www.de.ng.unbo.t/pers/mastr/ddattca.htm (versone del 9-6- rcut del secondo ordne rcut del secondo ordne: crcut l cu stato è defnto da due varabl x ( e x ( Per un crcuto
Correlazione lineare
Correlazone lneare Varable dpendente Mortaltà per crros 50 45 40 35 30 5 0 15 10 5 0 0 5 10 15 0 5 30 Consumo d alcool Varable ndpendente Metodologa per l anals de dat spermental L anals d stud con varabl
Corso di laurea in Ingegneria per l Ambiente e il Territorio a.a RETI TOPOGRAFICHE
Corso d laurea n Ingegnera per l Ambente e l Terrtoro a.a. 006-007 Prof. V. Franco: Topografa e tecnche cartografche RETI TOPOGRAFICHE Unverstà degl Stud d Palermo Dpartmento d Rappresentazone Corso d
Per calcolare le probabilità di Testa e Croce è possibile risolvere il seguente sistema di due equazioni in due incognite:
ESERCIZIO.1 Sa X la varable casuale che descrve l numero d teste ottenute nella prova lanco d tre monete truccate dove P(Croce)= x P(Testa). 1) Defnrne la dstrbuzone d probabltà ) Rappresentarla grafcamente
PIANIFICAZIONE DEI TRASPORTI
Unverstà d Caglar DICAAR Dpartmento d Ingegnera Cvle, Ambentale e archtettura Sezone Trasport PIANIFICAZIONE DEI TRASPORTI Eserctazone su modell d generazone A.A. 2016-2017 Ing. Francesco Pras Ing. Govann
Definizione di campione
Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta
DESTINAZIONE ORIGINE A B C A B C Esercizio intersezioni a raso - pag. 1
ESERCIZIO Argomento: Intersezon a raso Data l ntersezone a raso a tre bracc rappresentata n fgura s vuole procedere al dmensonamento de suo element. I dat nzal necessar per la progettazone sono d seguto
RIPARTIZIONE DELLE FORZE SISMICHE ORIZZONTALI
RIPARTIZIONE DELLE FORZE SISMICHE ORIZZONTALI (Modellazone approssmata alla rnter) Le strutture degl edfc sottopost alle forze ssmche sono organsm spazal pù o meno compless, l cu comportamento va analzzato
Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:
Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto
LE FREQUENZE CUMULATE
LE FREQUENZE CUMULATE Dott.ssa P. Vcard Introducamo questo argomento con l seguente Esempo: consderamo la seguente dstrbuzone d un campone d 70 sttut d credto numero flal present nel terrtoro del comune
Appendice B Il modello a macroelementi
Appendce B Il modello a macroelement Al fne d una descrzone semplfcata del comportamento delle paret nel propro pano, è stata svluppata una metodologa d anals semplfcata che suddvde la parete murara con
La t di Student. Per piccoli campioni si definisce la variabile casuale. = s N. detta t di Student.
Pccol campon I parametr della dstrbuzone d una popolazone sono n generale ncognt devono essere stmat dal campone de dat spermental per pccol campon (N N < 30) z = (x µ)/ )/σ non ha pù una dstrbuzone gaussana
Relazioni tra variabili: Correlazione e regressione lineare
Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg
1 La domanda di moneta
La domanda d moneta Eserczo.4 (a) Keynes elenca tre motv per detenere moneta: Scopo transattvo Scopo precauzonale Scopo speculatvo Il modello d domanda d moneta a scopo speculatvo d Keynes consdera la
Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Un algortmo per l flusso su ret a costo mnmo: l smplesso su ret Convergenza
Esercitazione sulle Basi di di Definizione
Eserctazone sulle as d d Defnzone ESERIZIO Un bpolo ressto (dodo) ha la seguente equazone: = k [ 0 + 00] con k 0 nella quale ed sono descrtt dalla conenzone degl utlzzator come n fgura. Stablre se l bpolo
Principi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive
Prncp d ngegnera elettrca Lezone 6 a Anals delle ret resste Anals delle ret resste L anals d una rete elettrca (rsoluzone della rete) consste nel determnare tutte le corrent ncognte ne ram e tutt potenzal
5. Baricentro di sezioni composte
5. Barcentro d sezon composte Barcentro del trapezo Il barcentro del trapezo ( FIURA ) s trova sull asse d smmetra oblqua (medana) della fgura; è suffcente, qund, determnare la sola ordnata. A tal fne,
VISUALIZZAZIONE INTERATTIVA DI SUPERFICI CON JAVAVIEW
UNIVERSITA DEGLI STUDI DI TORINO Facoltà d Scenze M.F.N. Corso d laurea n Matematca VISUALIZZAZIONE INTERATTIVA DI SUPERFICI CON JAVAVIEW Relatore: Canddata: Sergo Console Francesca Marmora La vsualzzazone
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4
Vibrazioni nelle molecole poliatomiche
Vbrazon nelle molecole polatomche Voglamo descrvere l moto vbrazonale d una molecola polatomca con N atom In un sstema d rfermento con ass fss ogn atomo è descrtto da 3 coordnate cartesane 3N grad d lbertà
Trigger di Schmitt. e +V t
CORSO DI LABORATORIO DI OTTICA ED ELETTRONICA Scopo dell esperenza è valutare l ampezza dell steres d un trgger d Schmtt al varare della frequenza e dell ampezza del segnale d ngresso e confrontarla con
Categorizzazione automatica di immagini mediante algoritmi neurali.
Categorzzazone automatca d mmagn medante algortm neural. Sara Colantono, Ovdo Salvett Abstract: - Il problema dell'elaborazone delle mmagn, mrata all nterpretazone e alla classfcazone del contenuto delle
Campo di applicazione
Unverstà del Pemonte Orentale Corso d Laurea n Botecnologa Corso d Statstca Medca Correlazone Regressone Lneare Corso d laurea n botecnologa - Statstca Medca Correlazone e Regressone lneare semplce Campo
Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Controllo e schedulng delle operazon Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Organzzazone della produzone PRODOTTO che cosa ch ORGANIZZAZIONE PROCESSO come FLUSSO DI PRODUZIONE
Predimensionamento reti chiuse
Predmensonamento ret chuse Rspetto ad una rete aperta, ogn magla aggunge un grado d lbertà (una nfntà d soluzon) nella determnazone delle portate Q,Q 1, e Q 2, utlzzando le sole equazon d contnutà. a dfferenza
Algoritmi euristici: III Ricerca Locale
Algortm eurstc: III Rcerca Locale Danele Vgo D.E.I.S. - Unverstà d Bologna dvgo@des.unbo.t rev. 1.0 - dcembre 2003 Algortm d Rcerca Locale partono da una soluzone (ammssble) cercano teratvamente d mglorarla
LA VARIABILITA. IV lezione di Statistica Medica
LA VARIABILITA IV lezone d Statstca Medca Sntes della lezone Il concetto d varabltà Campo d varazone Dfferenza nterquartle La varanza La devazone standard Scostament med Il concetto d varabltà S defnsce
LA COMPATIBILITA tra due misure:
LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore
Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Struttura delle ret logstche Sstem produttv multstado Struttura logstca
MODELLI PER GESTIONE E LA RICERCA DELL'INFORMAZIONE
MODLLI R GSTION LA RICRCA DLL'INFORMAZION Algortm d Apprendmento avanzato per l Informaton Retreval Alessandro Moschtt Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: moschtt@nfo.unroma2.t
Algebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.
Testo Fac-smle 2 Durata prova: 2 ore 8 1. Un gruppo G s dce semplce se suo unc sottogrupp normal sono 1 e G stesso. Sa G un gruppo d ordne pq con p e q numer prm tal che p < q. (a) Il gruppo G può essere
CAPITOLO 3 CIRCUITI DI RESISTORI
CAPITOLO 3 CIRCUITI DI RESISTORI Pagna 3. Introduzone 70 3. Connessone n sere e connessone n parallelo 70 3.. Bpol resstv n sere 7 3.. Bpol resstv n parallel 77 3.3 Crcut resstv lnear e sovrapposzone degl
Macchine. 5 Esercitazione 5
ESERCITAZIONE 5 Lavoro nterno d una turbomacchna. Il lavoro nterno massco d una turbomacchna può essere determnato not trangol d veloctà che s realzzano all'ngresso e all'uscta della macchna stessa. Infatt
Strutture deformabili torsionalmente: analisi in FaTA-E
Strutture deformabl torsonalmente: anals n FaTA-E Il comportamento dsspatvo deale è negatvamente nfluenzato nel caso d strutture deformabl torsonalmente. Nelle Norme Tecnche cò vene consderato rducendo
Dispensa LE RETI TOPOGRAFICHE. Elementi per il calcolo e la compensazione
Unverstà degl Stud d Palermo Facoltà d Ingegnera Dspensa LE RETI TOPOGRFICHE Element per l calcolo e la compensazone Vncenzo Franco Mauro Lo rutto Maggo . RILEVMENTO TOPOGRFICO..... SCHEMI MISURE STRETTMENTE
una variabile casuale è continuase può assumere un qualunque valore in un intervallo
Varabl casual contnue Se samo nteressat alla temperatura massma gornaleraquesta è una varable casuale msurata n un ntervallo contnuoe qund è una v.c. contnua una varable casuale è contnuase può assumere
CARATTERISTICHE DEI SEGNALI RANDOM
CARATTERISTICHE DEI SEGNALI RANDOM I segnal random o stocastc rvestono una notevole mportanza poché sono present, pù che segnal determnstc, nella maggor parte de process fsc real. Esempo d segnale random:
Università di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua
Unverstà d Cassno Eserctazon d Statstca del 9 Febbrao 00 Dott. Mro Bevlacqua DATASET STUDENTI N SESSO ALTEZZA PESO CORSO NUMERO COLORE COLORE (cm) (g) LAUREA SCARPA OCCHI CAPELLI M 79 65 INFORMAICA 43
Potenzialità degli impianti
Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Potenzaltà degl mpant Impant ndustral Potenzaltà degl mpant 1 Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Defnzone della potenzaltà
STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE
Matematca e statstca: da dat a modell alle scelte www.dma.unge/pls_statstca Responsabl scentfc M.P. Rogantn e E. Sasso (Dpartmento d Matematca Unverstà d Genova) STATISTICA DESCRITTIVA - SCHEDA N. REGRESSIONE
Una semplice applicazione del metodo delle caratteristiche: la propagazione di un onda di marea all interno di un canale a sezione rettangolare.
Una semplce applcazone del metodo delle caratterstche: la propagazone d un onda d marea all nterno d un canale a sezone rettangolare. In generale la propagazone d un onda monodmensonale n una corrente
Condensatori e resistenze
Condensator e resstenze Lucano attaa Versone del 22 febbrao 2007 Indce In questa nota presento uno schema replogatvo relatvo a condensator e alle resstenze, con partcolare rguardo a collegament n sere
Il rilievo fotogrammetrico. metodi e strumenti
Il rlevo fotogrammetrco metod e strument RICHIAMI ANALITICI Fotogrammetra: 3 grupp d grandezze (X,Y,Z) oggetto Parametr (x,y) mmagne I tre moment della Fotogrammetra presa X,Y,Z x,y P(X,Y,Z) G P G 2 x
PROBLEMA DI SCELTA FRA DUE REGIMI DI
PROBLEMA DI SCELTA FRA DUE REGIMI DI CAPITALIZZAZIONE Prerequst: legge d captalzzazone semplce legge d captalzzazone composta logartm e loro propretà dervate d una funzone pendenza d una curva n un punto
IL RUMORE NEGLI AMPLIFICATORI
IL RUMORE EGLI AMPLIICATORI Defnzon S defnsce rumore elettrco (electrcal nose) l'effetto delle fluttuazon d corrente e/o d tensone sempre present a termnal degl element crcutal e de dspostv elettronc.