Week3

Question 1

Convolutional Neural Networks

Answer 1

• Van veel data naar weinig data met convolutie

-

Question 2

Facet model of interpolation

Answer 2

• Least squares om coordinaten te schatten

-

Question 3

Correlation

Answer 3

• multiplication of two images

- multiplying an image by a local coefficient schema

Question 4

Difference correlation and convolution

Answer 4

Waarbij k en l van -1 tot 1
Bij correlation: F(i+k, j+l)W(k,l)

Bij convolution: F(i-k, j-l)W(k.l)

Conv omschrijven naar corr kan met k’ = -1 en l’ = -1
Dan: F(i+k’, j+l’) W(-k’, -l’)

Een convolutie is een correlatie met een puntgespiegelde coefficienten schema (linksonder komt rechtsboven enz.)

Bijv. [1,0,0] –> [0,0,1]

Question 5

Voordeel convolution

Answer 5

Algebraisch beter mee te werken

f(ag) = a(fg)
f(g1 + g2) = fg1 + fg2
f(gh) = (fg)h
fg = g*f

Question 6

Translation-invarian linear operators

Answer 6

Bijv.

• smoothing
• sharpening
• translation
• nth order derivatives

Question 7

Derivatives at a spatial scale

Answer 7

Neem de afgeleide van de blurred image

Gaussian normaalverdeling

Question 8

Gradient

Answer 8

• vector van locale verandering

- de vector wijst naar het lichtste punt van de omgeving

Question 9

Lokaal analyseren

Answer 9

- constante waarde
\+
- vlakje van grijswaarde (ene richting ligt andere donker)
\+
- tweede order (parabool etc. )

Question 10

Waarom Gaussian derivatives gebruiken?

Answer 10

To determine the required local derivatives for the Taylor series in a structural and computationally stabel and serparable manner.

1D is hierbij al voldoende omdat je werkt met de convolutie van x en y as. Oftewel je kan de afgeleide van x en y apart nemen.

Question 11

Hoe krijg je een beeld dat duidelijk een grens aangeeft?

Een grens van kleurovergang / local struct

Answer 11

Niet door naar de fx of fy te kijken maar fw gebruiken.

fw = sqrt(fx^2 + fy^2) = || nambla f ||
= grootte van f

Question 12

(Canny) Edge detection

Answer 12

De tweede afgeleide in de richting van de gradient moet zo dicht mogelijk bij 0 komen.

Question 13

Gradient Gauge (ijking / standaardizering’)

Answer 13

Ipv willekeurig xy stelsel naar een stelsel gericht op de gradient dus x er loodrecht op en y langs de gradient.

x wordt v en y wordt w.

Question 14

Gradient Gauge transformation

Answer 14

Rotatie van x en y as.

\ / f = [fx, fy]T = [0, sqrt(fx^2 + fy^2)]T