CARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek Dr. Vajda Ferenc Egyetemi docens
|
|
- Lilla Hegedüs
- 8 évvel ezelőtt
- Látták:
Átírás
1 CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi Egyetem
2 Cél Probléma Elöregedő társadalom Felügyelet egyre kevésbé megoldható Feladatok Németország Biztonság növelése (Biztonságérzet!) Szokatlan, veszélyes helyzetek felismerése! személyzet értesítése Segítségnyújtás Életminőség növelése... Férfiak Nők 2060 ezer ezer 2/15
3 Humán kérdések (BME ERG) Szükségesség Milyen kritikus szituációk voltak eddig Mi volt ezek kimenetele Milyen tevékenységekhez lenne szükség segítségre Milyen mértékű segítségre van szükség Etikai és egyéb kérdések Mennyire lehet látható az eszköz a szobában Mennyire tartja elfogadhatónak új kábelezés kiépítését Elfogadhatónak tartanak-e egy kamerát a lakótérben Mekkora költséget tudnak áldozni a rendszerre (egyszeri, rendszeres) 3/15
4 Esésdetektálás (BME IIT)
5 Az esésdetektálás problémái Mit az esés? Nem triviális nem adható egzakt definíció Gyakorlatilag lehetetlen algoritmust adni a felismerésére Mi az érzékelés módszere? Testre helyezett mérőrendszerek Odometrikus méréstechnológia Inerciális méréstechnológia Külső érzékelési megoldások Akusztikai mérési elvek (pl. ultrahang) Látó rendszerek Emberi esésérzékelés? Tanult folyamat, látvány alapján CARE 5/15
6 Látás Kamera Nagy adatmennyiség sok felesleges Sokszor kevés időbeli felbontás Nagy sebességű optikai érzékelő Speciális kialakítás CMOS integrált áramkör Pixelenként fotodetektor és kiegészítő áramkör Tulajdonságok A nem változó részekről nem érkezik információ A változás lehet sötétedés/világosodás Változás pozíciója és időpontja 6/15
7 ATC érzékelő 7/15
8 Kép -feldolgozás Kiindulási adathalmaz Kép TAE (időbélyeggel és címmel ellátott események) Hagyományos képfeldolgozás módszereit el kell felejteni Eredmény Tulajdonságvektorok (megtanulható értékek és változások) Jelfeldolgozás menete Érzékelő 2D Előfeldolgozás 3D rekonstrukció 3D Előfeldolgozás Szegmentálás Tulajdonságkiemelés 8/15
9 Előfeldolgozás szűrés μs μs px px Nyers adat Medián Eseménytér szűrő 9/15
10 Tulajdonságtér Legmagasabb pont Sebesség Pontfelhő Tömegközéppont Határoló téglatest Határoló henger Szűrés Gyorsulás Sebesség Gyorsulás Arány Arány 10/15
11 Tulajdonságtér 11/15
12 Tanuló rendszerek Döntési fa Asszociációs szabályok elvére épülő tanulás Mesterséges neurális hálózatok Genetikus programozás Induktív logikai programozás SVM (Support Vector Machine) Klaszterezési technikák Bayes hálózatok Megerősítéses tanulás... 12/15
13 Mesterséges Neurális hálózatok Bemeneti Rejtett Kimeneti 13/15
14 Esésfelismerés Legmagasabb pont Sebesség Pontfelhő Tömegközéppont Határoló téglatest Határoló henger Szűrés Gyorsulás Sebesség Gyorsulás Arány Arány Esés Nem esés 14/15
15 Megoldandó, megoldott problémák Pára, köd (fürdőszobai alkalmazás) Speciális dobozkialakítás Felületkezelés Aktív nedvességmentesítés Látószög mélységérzékelés Sztereo érzékelők megfelelő bázistávolsága Optika kiválasztása Hibás riasztások (pl. szobában állatok) Hitelesség-ellenőrzés (pl. szabályos aktivitás van utána) Felhasználó érvényteleníti a riasztást (pl. karján egy gombbal) 15/15
VTOL UAV. Inerciális mérőrendszer kiválasztása vezetőnélküli repülőeszközök számára. Árvai László, Doktorandusz, ZMNE
Inerciális mérőrendszer kiválasztása vezetőnélküli repülőeszközök számára Árvai László, Doktorandusz, ZMNE Tartalom Fejezet Témakör 1. Vezető nélküli repülőeszközök 2. Inerciális mérőrendszerek feladata
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ Dr. Soumelidis Alexandros 2018.09.06. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG A tárgy célja
RészletesebbenStatisztikai eljárások a mintafelismerésben és a gépi tanulásban
Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Varga Domonkos (I.évf. PhD hallgató) 2014 május A prezentáció felépítése 1) Alapfogalmak 2) A gépi tanulás, mintafelismerés alkalmazási
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek
Mesterséges Intelligencia Elektronikus Almanach Konzorciumi partnerek 1 Konzorcium Budpesti Mőszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek
RészletesebbenÉrzékelők az autonóm járművekben
Érzékelők az autonóm járművekben Gáspár Péter Szirányi Tamás 1 Érzékelők Tartalom Motivációs háttér Környezetérzékelés célja Autóipari érzékelők Széria megoldások és ipari trendek 2 Motiváció: A járműipar
RészletesebbenÖsszeállította Horváth László egyetemi tanár
Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Intelligens Mérnöki Rendszerek Szakirány a Mérnök informatikus alapszakon Összeállította Horváth László Budapest, 2011
RészletesebbenGépi tanulás a gyakorlatban. Bevezetés
Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis
RészletesebbenINTELLIGENCE ON YOUR SIDE WWW.INTELLIO.EU WWW.INTELLIO.EU WWW.INTELLIO.EU WWW.INTELLIO.EU WWW.INTELLIO.EU
Intelligens videó megfigyelési megoldások Kópházi János ügyvezetı igazgató 2008.03.26 Napirend INTELLIGENCE ON YOUR SIDE Cégbemutató Intelligens videó rendszer Esettanulmányok Költséghatékonysági számítások
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
RészletesebbenEtológia Emelt A viselkedés mérése. Miklósi Ádám egyetemi tanár ELTE TTK Etológia Tanszék 2018
Etológia Emelt A viselkedés mérése Miklósi Ádám egyetemi tanár ELTE TTK Etológia Tanszék 2018 amiklosi62@gmail.com A viselkedés leírása: A viselkedés, mint fenotipikus jellemző Viselkedés: Élő szervezetek
RészletesebbenRendszámfelismerő rendszerek
Problémamegoldó szeminárium Témavezető: Pataki Péter ARH Zrt. ELTE-TTK 2013 Tartalomjegyzék 1 Bevezetés 2 Út a megoldás felé 3 Felmerült problémák 4 Alkalmazott matematika 5 További lehetőségek Motiváció
RészletesebbenÚtjelzések, akadályok felismerése valós időben
Útjelzések, akadályok felismerése valós időben Dr. Hidvégi Timót Széchenyi István Egyetem Győr, 9026, Egyetem tér 1. hidvegi@sze.hu 1. Bevezető Sajnos a közúton a balesetek egy része abból adódik, hogy
RészletesebbenA hálózattervezés alapvető ismeretei
A hálózattervezés alapvető ismeretei Infokommunikációs hálózatok tervezése és üzemeltetése 2011 2011 Sipos Attila ügyvivő szakértő BME Híradástechnikai Tanszék siposa@hit.bme.hu A terv általános meghatározásai
RészletesebbenMesterséges intelligencia alkalmazása az elosztóhálózati üzemzavarok felismerésében és az üzemhelyreállításban. MEE Vándorgyűlés 2018
Mesterséges intelligencia alkalmazása az elosztóhálózati üzemzavarok felismerésében és az üzemhelyreállításban MEE Vándorgyűlés 2018 Csatár János VER szakértő PhD hallgató Dr. Attila Kovács ügyvezető igazgató
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenMesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A
RészletesebbenMarkerek jól felismerhetőek, elkülöníthetők a környezettől Korlátos hiba
1. Ismertesse a relatív és abszolút pozíciómegatározás tulajdonságait, és lehetőségeit. Mit jelent a dead reckoning, és mi az odometria? Milyen hibalehetőségekre kell számítanunk odometria alkalmazásakor?
RészletesebbenOPTIKAI KÖVETK VETÉS. Steiner Henriette április 29.
OPTIKAI KÖVETK VETÉS Lehetőségek és limitáci ciók Steiner Henriette 2009. április 29. MEGISMERÉS = Érzékelés + Fogalomalkotás MEGISMERÉS = Érzékelés + Fogalomalkotás LÁTÁS = SZEM + AGY MEGISMERÉS = Érzékelés
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenSzámítógépes döntéstámogatás. Bevezetés és tematika
SZDT-01 p. 1/18 Számítógépes döntéstámogatás Bevezetés és tematika Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-01 p. 2/18 SZDT-01
RészletesebbenIntelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban
Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses
RészletesebbenSzenzorokra épülő adaptív rendszermodell
Szenzorokra épülő adaptív rendszermodell Dr. Jaskó Szilárd Pannon Egyetem TÁMOP-4.2.2.C-11/1/KONV-2012-0004 Nemzeti kutatóközpont fejlett infokommunikációs technológiák kidolgozására és piaci bevezetésére
RészletesebbenFoscam kamera szett: FN3108XE-B4-1T - 4 x 1Mp, 1TB HDD, saját PoE - KIFUTOTT, NEM ELÉRHETŐ
ONLINECAMERA - Nagy Látószög, WiFi, PoE, NVR, Infra, Memóriakártya támogatás webhelyen lett közzétéve (https://onlinecamera.net) Címlap > Foscam kamera szett: FN3108XE-B4-1T - 4 x 1Mp, 1TB HDD, saját PoE
RészletesebbenSzenzorcsatolt robot: A szenzorcsatolás lépései:
1. Mi a szenzorcsatolt robot, hogyan épül fel? Ismertesse a szenzorcsatolás lépéseit röviden az Egységes szenzorplatform architektúra segítségével. Mikor beszélünk szenzorfúzióról? Milyen módszereket használhatunk?
RészletesebbenFuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában
Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának
RészletesebbenKutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken. Dombi József
Kutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken Dombi József Mesterséges intelligencia Klasszikus megközelítés (A*, kétszemélyes játékok, automatikus tételbizonyítás,
RészletesebbenTipikus időbeli internetezői profilok nagyméretű webes naplóállományok alapján
Tipikus időbeli internetezői profilok nagyméretű webes naplóállományok alapján Schrádi Tamás schraditamas@aut.bme.hu Automatizálási és Alkalmazott Informatikai Tanszék BME A feladat A webszerverek naplóállományainak
RészletesebbenVersenyző kódja: 27 27/2012. (VIII. 27.) NGM rendelet 54 523 01-2016 MAGYAR KERESKEDELMI ÉS IPARKAMARA. Országos Szakmai Tanulmányi Verseny.
54 523 01-2016 MAGYAR KERESKEDELMI ÉS IPARKAMARA Országos Szakmai Tanulmányi Verseny Elődöntő ÍRÁSBELI FELADAT Szakképesítés: 54 523 01 SZVK rendelet száma: 27/2012. (VIII. 27.) NGM rendelet : Villamosipari
RészletesebbenMiről lesz szó? Videó tartalom elemzés (VCA) leegyszerűsített működése Kültéri védelem Közúthálózat megfigyelés Emberszámlálás
Videóanalitikát mindenhova! Princz Adorján Miről lesz szó? Videó tartalom elemzés (VCA) leegyszerűsített működése Kültéri védelem Közúthálózat megfigyelés Emberszámlálás VCA alapú detektorok Videótartalom
RészletesebbenKépelemzési módszerek. Automatikus retina képelemzési módszerek 3/3/2011. MI módszerek a képelemzésben. A retina analízis digitális képei
Képelemzési módszerek Mesterséges Intelligencia II. előadás Dr. Nyúl László Szegedi Tudományegyetem Képeld 2011.03.01. MI módszerek a képelemzésben Képjavítás Képszegmentálás Alakelismerés Képleírás (jelenet
Részletesebben1. Metrológiai alapfogalmak. 2. Egységrendszerek. 2.0 verzió
Mérés és adatgyűjtés - Kérdések 2.0 verzió Megjegyzés: ezek a kérdések a felkészülést szolgálják, nem ezek lesznek a vizsgán. Ha valaki a felkészülése alapján önállóan válaszolni tud ezekre a kérdésekre,
RészletesebbenSztereó kamerarendszerre alapozott gyalogos felismerés Kornis János*, Szabó Zsolt**
Sztereó kamerarendszerre alapozott gyalogos felismerés Kornis János*, Szabó Zsolt** *PhD, okleveles villamosmérnök, Budapesti Műszaki és Gazdaságtudományi Egyetem Fizika Tanszék, kornis@phy.bme.hu **fizikus
RészletesebbenMérnökinformatikus alapszak (BSc)
Neumann János Egyetem GAMF Műszaki és Informatikai Kar Mérnökinformatikus alapszak (BSc) Tanulmányi Tájékoztató 2017 MÉRNÖKINFORMATIKUS ALAPSZAK TANULMÁNYI TÁJÉKOZATÓ 2017 Ez a tanulmányi tájékoztató azoknak
RészletesebbenTakács Árpád K+F irányok
Takács Árpád K+F irányok 2016. 06. 09. arpad.takacs@adasworks.com A jövőre tervezünk Az AdasWorks mesterséges intelligencia alapú szoftverterfejlesztéssel és teljes önvezető megoldásokkal forradalmasítja
RészletesebbenSupport Vector Machines
Support Vector Machnes Ormánd Róbert MA-SZE Mest. Int. Kutatócsoport 2009. február 17. Előadás vázlata Rövd bevezetés a gép tanulásba Bevezetés az SVM tanuló módszerbe Alapötlet Nem szeparálható eset Kernel
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenIntelligens Rendszerek Gyakorlata. Neurális hálózatok I.
: Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3
RészletesebbenBeltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése
Beltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése Regula Gergely, Lantos Béla BME Villamosmérnöki és Informatikai Kar Irányítástechnika és
RészletesebbenEEE Kutatólaboratórium MTA-SZTAKI Magyar Tudományos Akadémia
DElosztott I S T R I B U T EEsemények D EV E N T S A NElemzé A L Y S I S se R E SKutatólaboratór E A R C H L A B O R A T Oium R Y L I D A R B a s e d S u r v e i l l a n c e Városi LIDAR adathalmaz szegmentációja
RészletesebbenFolyamatirányítás labor 4. mérés Gyártósori szállítószalag modell irányítása Modicon M340 PLC-vel. Feladat leírás
Folyamatirányítás labor 4. mérés Gyártósori szállítószalag modell irányítása Modicon M340 PLC-vel Feladat leírás A mérési feladat a tanszéki laborban található, az alábbi ábrán felülnézetbl látható, gyártósori
RészletesebbenPS-InSAR és alkalmazása a mérnökgeodéziában
Forrás: Malte Westerhaus Geodetisches Institute, KIT PS-InSAR és alkalmazása a mérnökgeodéziában A módszer és alkalmazásának bemutatása egy németországi példán keresztül Mérnökgeodézia 2016 konferencia
RészletesebbenKódverifikáció gépi tanulással
Kódverifikáció gépi tanulással Szoftver verifikáció és validáció kiselőadás Hidasi Balázs 2013. 12. 12. Áttekintés Gépi tanuló módszerek áttekintése Kódverifikáció Motiváció Néhány megközelítés Fault Invariant
RészletesebbenVersenyző kódja: 29 27/2012. (VIII. 27.) NGM rendelet 54 523 01-2015 MAGYAR KERESKEDELMI ÉS IPARKAMARA. Országos Szakmai Tanulmányi Verseny.
54 523 012015 MAGYAR KERESKEDELMI ÉS IPARKAMARA Országos Szakmai Tanulmányi Verseny Elődöntő ÍRÁSBELI FELADAT Szakképesítés: 54 523 01 SZVK rendelet száma: 27/2012. (VIII. 27.) NGM rendelet : Villamosipari
RészletesebbenNem roncsoló tesztelés diszkrét tomográfiával
Nem roncsoló tesztelés diszkrét tomográfiával Dr. Balázs Péter, adjunktus Képfeldolgozás és Számítógépes Grafika Tanszék SZTE TTIK, Informatikai Tanszékcsoport A teszteléshez használt CT berendezés lapdetektor
RészletesebbenBizonytalan tudás kezelése
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Bizonytalan tudás kezelése Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz Valószínűségi
RészletesebbenMéréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
RészletesebbenKöltségbecslési módszerek a szerszámgyártásban. Tartalom. CEE-Product Groups. Költségbecslés. A költségbecslés szerepe. Dr.
Gépgyártástechnológia Tsz Költségbecslési módszerek a szerszámgyártásban Szerszámgyártók Magyarországi Szövetsége 2003. december 11. 1 2 CEE-Product Groups Tartalom 1. Költségbecslési módszerek 2. MoldCoster
RészletesebbenAZ ISKOLAI TEHETSÉGGONDOZÁS KRITIKUS ELEMEI
AZ ISKOLAI TEHETSÉGGONDOZÁS KRITIKUS ELEMEI HÓDMEZŐVÁSÁRHELY, 2014. október 1. Dr. Balogh László Magyar Tehetséggondozó Társaság elnöke laszlo.balogh@arts.unideb.hu További információk: - www.mateh.hu
RészletesebbenGrafikonok automatikus elemzése
Grafikonok automatikus elemzése MIT BSc önálló laboratórium konzulens: Orosz György 2016.05.18. A feladat elsődleges célkitűzései o eszközök adatlapján található grafikonok feldolgozása, digitalizálása
RészletesebbenÍRÁSBELI FELADAT MEGOLDÁSA
54 523 01-2016 MAGYAR KERESKEDELMI ÉS IPARKAMARA Országos Szakmai Tanulmányi Verseny Elődöntő ÍRÁSBELI FELADAT MEGOLDÁSA Szakképesítés: 54 523 01 SZVK rendelet száma: 27/2012. (VIII. 27.) NGM rendelet
RészletesebbenOrvosi Fizika és Statisztika
Orvosi Fizika és Statisztika Szegedi Tudományegyetem Általános Orvostudományi Kar Természettudományi és Informatikai Kar Orvosi Fizikai és Orvosi Informatikai Intézet www.szote.u-szeged.hu/dmi Orvosi fizika
RészletesebbenNagy pontosságú 3D szkenner
Tartalom T-model Komponensek Előzmények Know-how Fejlesztés Pilot projektek Felhasználási lehetőségek 1 T-model: nagy pontosságú aktív triangulációs 3D lézerszkenner A 3D szkennert valóságos tárgyak 3D
RészletesebbenVÁROSI CSAPADÉKVÍZ GAZDÁLKODÁS A jelenlegi tervezési gyakorlat alkalmazhatóságának korlátozottsága az éghajlat változó körülményei között
VÁROSI CSAPADÉKVÍZ GAZDÁLKODÁS A jelenlegi tervezési gyakorlat alkalmazhatóságának korlátozottsága az éghajlat változó körülményei között Dr. Buzás Kálmán címzetes egyetemi tanár BME, Vízi Közmű és Környezetmérnöki
Részletesebbenkodolosuli.hu: Interaktív, programozást tanító portál BALLA TAMÁS, DR. KIRÁLY SÁNDOR NETWORKSHOP 2017, SZEGED
kodolosuli.hu: Interaktív, programozást tanító portál BALLA TAMÁS, DR. KIRÁLY SÁNDOR NETWORKSHOP 2017, SZEGED A közoktatásban folyó informatika oktatásával kapcsolatos elvárások Állami szereplő: Az informatikaoktatás
RészletesebbenMegvalósult Intellio megoldások
Megvalósult Intellio megoldások IP alapú CCTV rendszerek Magyarországon Rendszer komponensek Az Intellio egy kompakt rendszer Intellio kamerák Intellio szerver(ek) Intellio kliens(ek) Átviteli hálózat
RészletesebbenSZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA
infokommunikációs technológiák SZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA BEVEZETŐ A KUTATÁS CÉLJA Autonóm járművek és robotok esetén elsődleges feladat a robotok
RészletesebbenEmber és robot együttműködése a gyártásban Ipar 4.0
Helyszín: MTA Székház, Felolvasóterem Időpont: 2017. November 7. Ember és robot együttműködése a gyártásban Ipar 4.0 Dr. Erdős Ferenc Gábor MTA SZTAKI Fejlett robotika ígérete A fejlett robotika és az
RészletesebbenOTTHON - BIZTONSÁGBAN
Miért hasznos a SONcare berendezés használata? Ha Önnek, vagy hozzátartozójának otthonában bármikor segítségre lenne szüksége, vagy csak egyszerű módon szeretnének egymással beszélni, a SONcare készülék
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
RészletesebbenÁrlista. Dome kamerák Megnevezés Lista ár. 1/3, 650TVL, SONY, D-WDR, OSD, DNR, alacsony fényérzékenység
Árlista 2014. január 30-tól visszavonásig. Dome kamerák AXIRDBSHD 11 590 1/3, 650TVL, SONY, D-WDR, OSD, DNR, alacsony fényérzékenység AXIRDBHNB 11 290 1/3", 700TVL, SHARP, 960H, alacsony fényérzékenység
RészletesebbenKis magasságban végzett légi térképészeti munkák tapasztalatai. LÉGIFOTÓ NAP Székesfehérvár GeoSite Kft Horváth Zsolt
Kis magasságban végzett légi térképészeti munkák tapasztalatai LÉGIFOTÓ NAP 2018 - Székesfehérvár GeoSite Kft Horváth Zsolt Az UAV technológiák térképészeti célú alkalmazásának lehetőségei, célterületei:
RészletesebbenRobotika. 3. Érzékelés Magyar Attila. Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék
3. Érzékelés Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. február 24. 3. Érzékelés 2 3. Tartalom 1. Mobil
RészletesebbenHiszterézis: Egy rendszer kimenete nem csak az aktuális állapottól függ, hanem az állapotváltozás aktuális irányától is.
1. Mi az érzékelő? Definiálja a típusait (belső/külső). Mit jelent a hiszterézis? Miért nem tudunk közvetlenül mérni, miért származtatunk? Hogyan kapcsolódik össze az érzékelés és a becslés a mérések során?
RészletesebbenModellkiválasztás és struktúrák tanulása
Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális
RészletesebbenInformatika a valós világban: a számítógépek és környezetünk kapcsolódási lehetőségei
Informatika a valós világban: a számítógépek és környezetünk kapcsolódási lehetőségei Dr. Gingl Zoltán SZTE, Kísérleti Fizikai Tanszék Szeged, 2000 Február e-mail : gingl@physx.u-szeged.hu 1 Az ember kapcsolata
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
RészletesebbenSzámítógépes döntéstámogatás. Bevezetés és tematika
SZDT-01 p. 1/27 Számítógépes döntéstámogatás Bevezetés és tematika Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-01 p. 2/27 SZDT-01
RészletesebbenModellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék
Modellezés és szimuláció Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék Kvantitatív forradalmak a földtudományban - geográfiában 1960- as évek eleje: statisztika 1970- as évek eleje:
RészletesebbenFELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE
FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE Dr. Aradi Szilárd, Fehér Árpád Mesterséges intelligencia kialakulása 1956 Dartmouth-i konferencián egy maroknyi tudós megalapította a MI területét
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás
RészletesebbenA kibontakozó új hajtóerő a mesterséges intelligencia
5. Magyar Jövő Internet Konferencia» Okos város a célkeresztben «A kibontakozó új hajtóerő a mesterséges intelligencia Dr. Szűcs Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. MI Almanach projektismertetı rendezvény április 29., BME, I. ép., IB.017., 9h-12h.
Mesterséges Intelligencia Elektronikus Almanach Neurális hálózatokh 1 BME 1990: Miért neurális hálók? - az érdeklıdésünk terébe kerül a neurális hálózatok témakör - fıbb okok: - adaptív rendszerek - felismerési
RészletesebbenKompenzációs kör vizsgálata. LabVIEW 7.1 4. előadás
Kompenzációs kör vizsgálata LabVIEW 7.1 4. előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 EA-4/1 Mágneses hiszterézis mérése előírt kimeneti jel mellett DAQ Rn Un etalon ellenállás etalon ellenállás
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
RészletesebbenAdatgyűjtés pilóta nélküli légi rendszerekkel
Adatgyűjtés pilóta nélküli légi rendszerekkel GISOpen-2015 2015.03.26. Miről lesz szó? Az eljárásról Eddigi munkáinkról A pontosságról A jogi háttérről csak szabadon:) Miért UAS? Elérhető polgári forgalomban
RészletesebbenTájékoztató. Használható segédeszköz: számológép
A 12/2013. (III. 29.) NFM rendelet szakmai és vizsgakövetelménye alapján. Szakképesítés azonosítószáma és megnevezése 54 523 05 Távközlési technikus Tájékoztató A vizsgázó az első lapra írja fel a nevét!
RészletesebbenBEÁGYAZOTT RENDSZEREK TERVEZÉSE UDP csomag küldése és fogadása beágyazott rendszerrel példa
BEÁGYAZOTT RENDSZEREK TERVEZÉSE 1 feladat: A Netburner MOD5270 fejlesztőlap segítségével megvalósítani csomagok küldését és fogadását a fejlesztőlap és egy PC számítógép között. megoldás: A fejlesztőlapra,
RészletesebbenProSeniis projekt. Monos János GE Healthcare
ProSeniis projekt Monos János GE Healthcare ProSeniis projekt 3 éves, magyar állam által támogatott program GE Healthcare által vezetett, 6 tagú konzorcium neves magyar egyetemekkel és egészségügyi vállalkozásokkal
RészletesebbenGépi tanulás a gyakorlatban SVM
Gépi tanulás a gyakorlatban SVM Klasszifikáció Feladat: előre meghatározott csoportok elkülönítése egymástól Osztályokat elkülönítő felület Osztályokhoz rendelt döntési függvények Klasszifikáció Feladat:
Részletesebben11.2. A FESZÜLTSÉGLOGIKA
11.2. A FESZÜLTSÉGLOGIKA Ma a feszültséglogika számít az uralkodó megoldásnak. Itt a logikai változó két lehetséges állapotát két feszültségérték képviseli. Elvileg a két érték minél távolabb kell, hogy
RészletesebbenAlapismeretek. Tanmenet
Alapismeretek Tanmenet Alapismeretek TANMENET-Alapismeretek Témakörök Javasolt óraszám 1. Történeti áttekintés 2. Számítógépes alapfogalmak 3. A számítógép felépítése, hardver A központi egység 4. Hardver
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenINTELLIGENS KERESÉS 3D PTZ VEZÉRLÉS INSTANT PLAYBACK EXTRÉM GYORS, ERGONOMIKUS MENÜ PC/MOBIL KLIENS FELHŐ ALAPÚ ELÉRÉS PUSH ÜZENETEK GYÁRTÓI DDNS
2017 Q2 DVR-NVR Legfontosabb közös tulajdonságok INSTANT PLAYBACK INTELLIGENS KERESÉS 3D PTZ VEZÉRLÉS Instant (azonnali) Playback használatával akár 5 másodperctől 5 percig terjedő, az eseményt megelőző
RészletesebbenProgramozási alapismeretek beadandó feladat: ProgAlap beadandó feladatok téma 99. feladat 1
Programozási alapismeretek beadandó feladat: ProgAlap beadandó feladatok téma 99. feladat 1 Készítette: Gipsz Jakab Neptun-azonosító: A1B2C3 E-mail: gipszjakab@vilaghalo.hu Kurzuskód: IP-08PAED Gyakorlatvezető
RészletesebbenVárosi környezet vizsgálata távérzékelési adatok osztályozásával
Városi környezet vizsgálata távérzékelési adatok osztályozásával Verőné Dr. Wojtaszek Małgorzata Óbudai Egyetem AMK Goeinformatika Intézet 20 éves a Térinformatika Tanszék 2014. december. 15 Felvetések
RészletesebbenA nagy időfelbontású kamerák következő generációja: EDICAM
A nagy időfelbontású kamerák következő generációja: EDICAM Bevezető A gyorskamerák korlátai Az EDICAM fejlesztés Hardver NDR kiolvasás Intelligens funkciók Pellet és videódiagnosztika csoport (PFO) Cseh
RészletesebbenOsztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton
Osztályozás, regresszió Nagyméretű adathalmazok kezelése Tatai Márton Osztályozási algoritmusok Osztályozás Diszkrét értékkészletű, ismeretlen attribútumok értékének meghatározása ismert attribútumok értéke
RészletesebbenHagyományos 500-as sorozatú tűzjelző központ Egyszerű, akár az 1x1
Hagyományos 500-as sorozatú tűzjelző központ Egyszerű, akár az 1x1 2 Egyszerűen telepíthető, beállítható, karbantartható és használható tűzjelző központ. LCD- kijelző az összes érzékelőzónára vonatkozó
RészletesebbenProgramozó- készülék Kezelőkozol RT óra (pl. PC) Digitális bemenetek ROM memória Digitális kimenetek RAM memória Analóg bemenet Analóg kimenet
2. ZH A csoport 1. Hogyan adható meg egy digitális műszer pontossága? (3p) Digitális műszereknél a pontosságot két adattal lehet megadni: Az osztályjel ±%-os értékével, és a ± digit értékkel (jellemző
RészletesebbenVersenyző kódja: 29 32/2011. (VIII. 25.) NGM rendelet MAGYAR KERESKEDELMI ÉS IPARKAMARA. Országos Szakmai Tanulmányi Verseny
54 523 04 1000 00 00-2014 MAGYAR KERESKEDELMI ÉS IPARKAMARA Országos Szakmai Tanulmányi Verseny Elődöntő ÍRÁSBELI FELADAT Szakképesítés: 54 523 04 1000 00 00 SZVK rendelet száma: 32/2011. (VIII. 25.) NGM
RészletesebbenKépfeldolgozás. 1. el adás. A képfeldolgozás alapfogalmai. Mechatronikai mérnök szak BME, 2008
Képfeldolgozás 1. el adás. A képfeldolgozás alapfogalmai BME, 2008 A digitális képfeldolgozás alapfeladata Deníció A digitális képfeldolgozás során arra törekszünk, hogy a természetes képek elemzése révén
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenAz emberi érzőműködés. A látás, a hallás, a hőmérséklet és a tapintás érzékelésének vizsgálata
Az emberi érzőműködés A látás, a hallás, a hőmérséklet és a tapintás érzékelésének vizsgálata Állati Struktúra és Funkció II. gyakorlat A mérést és kiértékelést végezték:............ Gyakorlatvezető:...
RészletesebbenMIKROELEKTRONIKA, VIEEA306
Budapesti Műszaki és Gazdaságtudományi Egyetem MIKROELEKTRONIKA, VIEEA306 A MOS inverterek http://www.eet.bme.hu/~poppe/miel/hu/13-mosfet2.ppt http://www.eet.bme.hu Vizsgált absztrakciós szint RENDSZER
RészletesebbenThe nontrivial extraction of implicit, previously unknown, and potentially useful information from data.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó
RészletesebbenSzámítási intelligencia
Botzheim János Számítási intelligencia Budapesti Műszaki és Gazdaságtudományi Egyetem, Mechatronika, Optika és Gépészeti Informatika Tanszék Graduate School of System Design, Tokyo Metropolitan University
RészletesebbenTANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS
TANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS 1 ALAPADATOK 1.1 Tantárgy neve Fotogrammetria és lézerszkennelés 1.2 Azonosító (tantárgykód) BMEEOFTAG43 1.3 A tantárgy jellege kontaktórás tanegység 1.4 Óraszámok típus
RészletesebbenEsésérzékelés aszinkron időkontraszt-érzékelő alkalmazásával
Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Irányítástechnika és Informatika Tanszék Esésérzékelés aszinkron időkontraszt-érzékelő alkalmazásával PhD értekezés Készítette:
RészletesebbenIntelligens orvosi műszerek VIMIA023
Intelligens orvosi műszerek VIMIA023 Neurális hálók (Dobrowiecki Tadeusz anyagának átdolgozásával) 2017 ősz http://www.mit.bme.hu/oktatas/targyak/vimia023 dr. Pataki Béla pataki@mit.bme.hu (463-)2679 A
RészletesebbenBevezetés. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
Bevezetés Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Digitális képfeldolgozás digitális képfeldolgozás számítógépes grafika digitális
Részletesebben