MOBOT (Map-maker robot)
|
|
- Teréz Orbán
- 7 évvel ezelőtt
- Látták:
Átírás
1 Budapesti Műszaki Főiskola Neumann János Informatikai Kar Informatikai Automatizált Rendszerek Szakirány MOBOT (Map-maker robot) I. Irodalomkutatás október 31. A projekt tagjai: Marton Attila Tandari János Urbán András
2 2 Tartalomjegyzék Célmegfogalmazás... 3 Megoldandó feladatok... 3 Kontúr detektálása... 3 Stereo képek összeillesztése... 4 Ikonikus memória alapon irányított panoramikus navigáció... 5 XNA... 6 HLSL... 6 Sarokpont detektálás... 7 Irodalomjegyzék... 8
3 3 Célmegfogalmazás Projektünk célja egy olyan robot elkészítése, mely bejárva egy területet térképet készít arról, az akadályokat számon tartja egy felülnézeti térkép formájában. A robot rendelkezni fog 360 fokban körbelátó kamerával, mely mind a térképezést, mind a navigációt megkönnyíti. A robot elkészítéséhez szükséges technikák, módszerek megismeréséhez a szakirodalomhoz fordultunk, nagy részt az IEEE Transactions on Pattern Analysis and Machine Intelligence folyóiratra támaszkodva dolgoztunk. Megoldandó feladatok A rendszer elkészítéséhez elsősorban a következő problémánkra kell megoldásokat keresnünk: Objektumok 3D-s adatainak, kontúrainak számítása Térkép ábrázolási technikák (akadályok nyilvántartása) Útkeresés ismert és ismeretlen terepen, térképinformációk és a szenzorok információi alapján A robot vezérlése, elmozdulásainak pontos becslése A következőkben mostani irodalomkutatásunk alkalmával talált általunk felhasználhatónak ítélt módszereket ismertetjük. Kontúr detektálása Feladatunkban az objektumoknak kulcs szerepe van, így azok felismerése létfontosságú a további elemzésekhez. Az alakfelismerésnek egy nagyon jó módja, ha az elemeket körvonalaik alapján elkülönítjük a környezetétől, vagyis él-detektálást végzünk, így olyan objektumokra tehetünk szert, amelyek rendelkeznek az általunk ismert paraméterekkel, így összehasonlíthatóakká válnak korábbi méréseinkkel. Ennek a feladatnak az elvégzéséhez szükséges minden olyan lehetőséget megragadnunk, amely nem csak a tökéletesen objektumot tudja a kontúrja alapján egy felismerhető objektummá konvertálni, hanem annak egy módosított változatával is el tud boldogulni. Fontos, hogy ilyen esetekre is fel legyen készítve a rendszer, mert nagy valószínűséggel kétszer nem fogjuk tudni ugyan azt az eredményt előállítani a kamera képekből és ez sok problémát okozhatna. A kontúrok módosítását okozhatja légköri, látási viszonyok változása, vagy egyszerűen a képzaj is. Ennek a problémának a megoldása során a kontúr detektálásra a [A1] cikkben a szerzők megoldásokat keresve három lehetőséget is feltártak. Ez a három módszer a következő volt: bölcs-szegmentálás módszere (Segment-Wise), elzárásos/levágásos/elhagyásos módszer (Occluded), véletlenszerűen elhagyott pixelek módszere (Randomly Removed). A legtöbb módszer során egy-egy kontúr él leírásának az alapja a környezeti összefüggéseken és távolságokon alapul. Az összefüggéseket egy objektumnál az adott kontúr leírásához logaritmus alapú koordináta rendszerben meghatározott hisztogramokkal valósítják meg, amely hatására megkapják a pont egy meghatározott környezetében fellelhetően kapcsolatban álló pontokat, amely hatására a kontúr előáll és az objektum leírhatóvá válik. Az alakfelismerést, ha azt egy sablon alapján szeretnénk azonosítani, akkor nem könnyű a megállapítás menete és pontossága a formák változatossága miatt. Egy egyszerű példát nézve, ha veszünk egy bögrét, akkor annak is van rengeteg kivitele, amely leírása alapján sok máshoz is hasonlíthat. Ha az a bögre hosszú törzzsel és egy nagy füllel rendelkezik, akkor azt a kontúr alapján egy más távolságból akár felismerhetjük egy sörös korsónak, vagy egy teás kancsónak is, márpedig a két dolog nem egyezik meg.
4 4 A megoldások során a kontúr felismeréshez, ha a levágásos módszert alkalmaznánk, abban az esetben különösen mérsékelt lenne a felismerések arányának sikeressége, hisz a levágott rész és a felismert rész határai meglehetősen különbözőek az alak leírásától. A legjobb módszernek a véletlen pixel elhagyásos módszer, amely során a kontúrok 40%-ban megtalálhatóak és ez mellett 5%-ot tart meg a későbbi feldolgozáshoz. Abban az esetben, ha a bölcs szegmentálás és az elhagyásos módszert vizsgáljuk, a távolság méréses módszer jelentősen hatékonyabban teljesít, mint a forma leírásos eset, ha a megtartott pixelek számát vizsgáljuk. A bölcs szegmentálás módszerére vonatkozó kutatási eredmények azt mutatják, hogy az egymástól mért távolságos kontúr meghatározás során a 10%-át felismerjük, és ha nem is ismerjük fel, de 20%-át megtartjuk további pontosításhoz. Ha ugyan ezt a feladatot végezzük el egy forma leírásos módszer alkalmazásával, akkor már a 20%-ot elsőre felismerjük és 40%-ot tartunk meg további elemzéshez. Az objektum felismerésnek van egy olyan hátrányos tulajdonsága, hogy a felismerhető alakok halmaza olyan tág, hogy nem lenne ésszerű pontosan azonosítani egy-egy objektumot. Ha pedig nem pontosan határozzuk meg az objektumokat, akkor a keresési terünk, amiben megfeleltetést fogunk keresni sokkal kisebb lesz, így hatékonyabbá válik a rendszerünk, legfőképpen, ha már tudjuk, hogy mit is kell keresnünk. A hatékonyságot befolyásoló tényező még az objektum kontúrjainak száma is, amely a hatékonyságot lineárisan rontja le. Feladatunkban az objektumok felismeréséhez egy jól használható módszert alkalmaz, amely a kamerákból érkező képeken a kontúr detektálás segítségével az objektumok beazonosíthatóak lesznek és azok reprezentálása egy virtuális térben lehetővé válnak. Ez lehetőséget ad a későbbi helyzetváltozások felismerésére is. Esetünkben, miután egy objektum leírással fog rendelkezni a tárgyakkal való első találkozás után, így annak a visszakeresése hatékonyabb lesz több szempontból is. Egy területen tudjuk majd, hogy mit keressünk az információ halmazunkból, amely hatására a felismerés és azonosítás lényeges hatékonyságjavulást fog eredményezni. Stereo képek összeillesztése Feladatunkban lényeges szerepet tölt be a két darab körbelátó kamera. A két kamera a roboton mindig egy irányba néz, így a Stereo Vision egy kibővített módszerét alkalmazzuk. A két kép összeillesztése és a közös pontok által meghatározott viszonyítások során számos akadályba ütközik a módszer. A két képből, amikor egyetlen, letisztult és információ gazdag képet szeretnénk kapni, azonban a két kamerának két különböző pozíciója van, ami nehezíti a dolgot az egyes tárgyak más szögből való nézete miatt. Szükség van ezért a két kép szinkronba hozatalára, hogy a többlet információt értékelhető eredményekben tudjuk alkalmazni. Több módszer is létezik ennek a feladatnak a megoldására, de kevés olyan van, amely nem-, vagy lényegesen kis hasznos részletek vesztéssel járna. Minél több részlettel rendelkezünk, annál könnyebben és annál több régió válik detektálhatóvá. Az egyik módszer, amely megoldást kínál, az az úgynevezett terület alapú Super Vision, amely a szomszédos azonos pixeleket keresi meg annak érdekében, hogy az élesebb képet elkészíthessük. Ez a módszer azonban csak a betekintő ablakon (window size) belül ad biztos eredményt és ezen betekintő ablakon kívül eső területekkel még mindig kritikus a helyzet. Általában a kisebb ablakokat célszerű alkalmazni, mert így jobban elkerülhetőbbek a nem kívánatos kép simítások. Az optimális betekintő ablak erősen függ a textúrától és a pixelek változatosságától is. A kevésbé részletes képek, vagy nem nagyon változatos pixelértékek arra kényszerítenek minket, hogy nagyobb betekintő ablakot válasszunk annak érdekében, hogy végrehajtható legyen a keresés. Természetesen a legegyszerűbb eset az lenne, ha előre tudjuk a két kamera eltérésének szögét és távolságát, mert akkor ezek a
5 5 kalibrációs műveletek elhagyhatóak lennének, és előre el tudnánk forgatni a képeket. Ezeknek a módszereknek azonban alapvető problémája, hogy az eredményeinek eredményessége csak helyileg jó, globálisan nem. Globális megoldást keresve Lawrence Zitnic és Takeo Kanade [A2] arra jutottak, hogy új szempontokat kell megállapítani a két kép párosítása során. Ezek az új szempontok azok voltak, hogy a képpontokat erősen szűrni kell az a szempont szerint, hogy mennyire egyediek és hogy mennyire folytonos egyenlőtlen az eloszlásuk a teljes képen. Az egyediség vizsgálata azért bizonyult fontosnak, mert a kevésbé sűrűn előforduló pontokat, ha figyelmen kívül hagyjuk, akkor kisebb lesz a tér, amiben válogatnunk kell. Így az algoritmus számára a nagy számban előforduló pixeleket engedjük felhasználni. Ezek alapján már a két képet könnyebben tudjuk összepárosítani akár kontúr alapú eljárással, akár bal-jobb, majd jobb-bal képeken keresett hasonlóságok alapján. Végeredményünk egy olyan 3 dimenziós tömb lesz, amely tartalmazza sor, az oszlop és egy egyenlőtlenség értéket. Ebbe a tömbbe addig gyűjtöttük az eredményeket, amíg az konvergált. Külön még eltároljuk a maximális találatokat is, hogy tudjunk küszöbértékekkel is összehasonlítani. Ennek két kimenete lehetséges. Egyik esetben, ha meghaladja a maximális érték a küszöb értéket, akkor az egyenlőtlenség mértéke kerül a kimenetre, ha pedig alatta van, akkor levágásra kerül. Esetünkben, ugyan a két kamerát nem mozgatjuk el egymáshoz képest a működés során, azonban figyelembe véve, hogy egy helyzetét megváltoztatni képes roboton lesz rajta, a kisebb elmozdulásokkal számolnunk kell. Ikonikus memória alapon irányított panoramikus navigáció Ez a megoldás egy 360 fokban körbelátni képes kamerával felszerelt robot navigálására képes, akár nagyobb területen is [A3]. Az irányt a sorozatban kapott, horizontról készült körkép-sorozatból nyeri ki, amelyet a cél megközelítése során készít. Folyamatosan, ahogy a robot halad az útvonal mentén, a bemenet összehasonlításra kerül a tárolt tér-idő irány mintával, melyhez kettős aktív kontúr modellt és a pontos robot pozíciókat használja, az irányt az aktív kontúr modell (ACM) alakzataiból becsüli meg, az érzékeltekhez rendeli a megfelelő műveleteket. Feltételezi az eljárás, hogy a robotunkban van olyan műszer, mely pontosan méri a robot elmozdulását. A metódus külön előnye, hogy változó környezetben is alkalmazható, akár a robotot körülvevő, mozgó tárgyak esetén is. Az ikonikus memória úgy készül, hogy a körbelátó kamera képének a horizontját használja fel, ami a bemeneti kép sugarak egymás mellé helyezésével történő kiterítése után, a kapott képen egy vízszintes egyenes sáv lesz. Az így kapott sávokat időrendben egymás után fűzi, feldolgozáskor ezeken a sávokon keres azonos mintákat. Ez egyben azt is jelenti, hogy viszonylag nagy táv megtétele esetén is igen memória hatékony a módszer, mivel a képekből csak a horizontot tárolja. A robot irányát, pozícióját az aktuális nézőpont, az ikonikus memória és a megjegyzett út információiból a kettősség elve alapján becsüli meg. A pozícióbecslés hibája a mért és publikált adatok szerint 0,64 cm-től 2,16 cm-ig terjedt. Az aktív kontúr modellt képszegmentálásra használják [A4]. Az általános képszegmentálás módszerekkel ellentétben az ACM zajos kép esetén is működik. A célunk, hogy olyan algoritmust találjunk, mely általánosan jó minden alakzat megtalálására, és a zárt kontúrvonalainak meghatározására. A módszer minden alakzatot egy paraméteres görbeként ábrázol. A görbékhez energiafüggvényt rendel, ily módon a kontúrdetektálás problémája egy energia minimalizációs problémává zsugorodik. A kontúrdetektálás menetének első lépése, hogy egy folyamat, vagy a felhasználó inicializál egy görbét, közel a test határaihoz (durva kontúr), ezt hívjuk snakenek. Az energia komponensek változtatásával a snake elkezd deformálódni, elmozdulni az objektum határa felé amíg ki nem alakul a kívánt görbe.
6 6 A talaj egyenetlenségéből adódó hibás pozícióbecslést kiküszöböléséhez kihasználták, hogy az általuk használt hiperboloid felületű tükör vetületének egy középpontja van. Ebből a tulajdonságából adódóan a bemeneti képet transzformálják egy tetszőlegesen dönthető kamera képére, és ebből és a bemeneti képből állapítják meg a pozíció pontosságát, amennyiben a dőlésszög nem nagyobb, mint 4 fok. A gyakorlati tapasztalatok azt mutatták, hogy az ebből fakadó kis kalibrálási hibák nem okoztak nagy gondot a robotnak a navigációban. A módszer tervezői által publikáltak szerint a robot feldolgozási ideje 200ms/frame volt, ami beltéri navigációra elegendő. Egy, körülbelül 110 cm-es úton 4 cm eltéréssel érte el a célt. XNA Az XNA keretrendszer egy játékok fejlesztésére kifejlesztett rendszer. Ennek segítségével könnyen készíthetőek játékok, és egyéb directx-es alkalmazások. Projektünkben az XNA keretrendszeren keresztül használjuk a videokártya shadereit a kamerák képének előfeldolgozása felgyorsítására. [5] HLSL A HLSL (High Level Shading Language) egy C-hez hasonló nyelv, amellyel directx alatt lehet a gpu shadereibe programot írni. A HLSL nyelvet arra fejlesztették ki, hogy directx alatt a videokártyát közvetlenül lehessen programozni. Ez elsősorban a játékokban látható effektek kibővítésére született, hogy ne csak a beépített effekteket lehessen használni, hanem saját effekteket is lehessen készíteni. A shadereknek 4 generációja létezik. Ennek eredményeképpen a programok egyre több utasításból állhatnak. A videokártyákon vertex shader, geometry shader, és pixel shader található. Ezekből számunkra a pixel shader fontos, ez ugyanis a kép minden pixelén végighaladva végez műveleteket. [6] 1. ábra [7]
7 7 Sarokpont detektálás Projektünkben több feladat megvalósításánál is fontos lehet a sarkok, vagy a képen látható jellegzetes pontok megkeresése és azonosítása. Erre a problémára több megoldás is létezik. Moravec sarok detektálás : Ez az egyik legelső ilyen algoritmus, amely a képen minden egyes pixelt megvizsgál, hogy egy adott környezetében, a többi pixel mennyire tér el tőle. Ezt az intenzitások négyzetes különbségével számolja. Ez minél kisebb, annál hasonlóbbak. Harris & Stephens / Plessey algoritmus : Ez az algoritmus a Moravec sarok detektálás továbbfejlesztésével született. Lényege, hogy megadott irányban keresi a hasonló pixeleket. Kanade-Tomasi arok detektálás: Ez az algoritmus a Harris sarok detektáláson alapszik. Az a különbség, hogy más módon határozza meg, hogy mikor sarok egy adott pixel. FAST feature detector: Ennek az algoritmusnak a lényege, hogy a vizsgált pixel körüli Bresenham kört vizsgálja. Ha adott számú pixelek folyamatosan világosabbak, vagy sötétebbek a vizsgált pontnál, akkor az algoritmus megjelöli jellegzetes pontként. [8]
8 8 Irodalomjegyzék: [1] A.Ghosh, N.Petkov: Robustness of Shape Desctiptors to Incomplete Contour Representations, IEEE TRANSACTION ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, No. 11, Vol. 27., November 2005, (pp ) [2] C.L.Zitnick, T.Kanade: A Cooperative Algorithm for Stereo Matching and Occlusion Detection IEEE TRANSACTION ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE No. 7, Vol. 22., July 2000, (pp ) [3] Y. Yagi, K. Imai, K. Tsuji, M. Yachida: Iconic MemoryBased Omnidirectional Route Panorama Navigation, IEEE TRANSACTION ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, No. 1, Vol. 27, January 2005, (pp 7888). [4] Amyn Poonawala: Active Contour Models (snakes), [5] Microsoft, Microsoft, XNA Game Studio 2.0, [6] Microsoft, HLSL, [7] Microsoft, Pipeline Stages (Direct3D 10), [8] Wikipédia, Corner Detection,
Loványi István vizsgakérdései kidolgozva (béta)
Loványi István vizsgakérdései kidolgozva (béta) 1. Morfológiai képfeldolgozás elmélete 1. Alapvető halmazműveletek, tulajdonságaik Műveletek: egyesítés (unió) metszet negált összetett műveletek... Tulajdonságok:
RészletesebbenRobotika. Relatív helymeghatározás Odometria
Robotika Relatív helymeghatározás Odometria Differenciális hajtás c m =πd n /nc e c m D n C e n = hány mm-t tesz meg a robot egy jeladó impulzusra = névleges kerék átmérő = jeladó fölbontása (impulzus/ford.)
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
Részletesebben4. Lokalizáció Magyar Attila
4. Lokalizáció Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. szeptember 23. 4. Lokalizáció 2 4. Tartalom
RészletesebbenACM Snake. Orvosi képdiagnosztika 11. előadás első fele
ACM Snake Orvosi képdiagnosztika 11. előadás első fele ACM Snake (ismétlés) A szegmentáló kontúr egy paraméteres görbe: x Zs s X s, Y s,, s A szegmentáció energia funkcionál minimalizálása: E x Eint x
Részletesebben8. Pontmegfeleltetések
8. Pontmegfeleltetések Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Példa: panoráma kép készítés 1. Jellemzőpontok detektálása mindkét
RészletesebbenNGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatika Tanszék BSC FOKOZATÚ MÉRNÖK INFORMATIKUS SZAK NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő Fejlesztői dokumentáció GROUP#6
RészletesebbenKépfeldolgozás Szegmentálás Osztályozás Képfelismerés Térbeli rekonstrukció
Mesterséges látás Miről lesz szó? objektumok Bevezetés objektumok A mesterséges látás jelenlegi, technikai eszközökön alapuló világunkban gyakorlatilag azonos a számítógépes képfeldolgozással. Számítógépes
RészletesebbenPanorámakép készítése
Panorámakép készítése Képregisztráció, 2009. Hantos Norbert Blaskovics Viktor Összefoglalás Panoráma (image stitching, planar mosaicing): átfedő képek összeillesztése Lépések: Előfeldolgozás (pl. intenzitáskorrekciók)
RészletesebbenLáthatósági kérdések
Láthatósági kérdések Láthatósági algoritmusok Adott térbeli objektum és adott nézőpont esetén el kell döntenünk, hogy mi látható az adott alakzatból a nézőpontból, vagy irányából nézve. Az algoritmusok
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
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
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav54
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
RészletesebbenA távérzékelt felvételek tematikus kiértékelésének lépései
A távérzékelt felvételek tematikus kiértékelésének lépései Csornai Gábor László István Földmérési és Távérzékelési Intézet Mezőgazdasági és Vidékfejlesztési Igazgatóság Az előadás 2011-es átdolgozott változata
RészletesebbenTranszformációk. Grafikus játékok fejlesztése Szécsi László 2013.02.26. t05-transform
Transzformációk Grafikus játékok fejlesztése Szécsi László 2013.02.26. t05-transform Koordinátarendszerek: modelltér Koordinátarendszerek: világtér Koordinátarendszerek: kameratér up right z eye ahead
RészletesebbenProgramozás alapjai 9. előadás. Wagner György Általános Informatikai Tanszék
9. előadás Wagner György Általános Informatikai Tanszék Leszámoló rendezés Elve: a rendezett listában a j-ik kulcs pontosan j-1 kulcsnál lesz nagyobb. (Ezért ha egy kulcsról tudjuk, hogy 27 másiknál nagyobb,
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01
RészletesebbenA fejlesztés várt eredményei a 1. évfolyam végén
A tanuló legyen képes: A fejlesztés várt eredményei a 1. évfolyam végén - Halmazalkotásra, összehasonlításra az elemek száma szerint; - Állítások igazságtartalmának eldöntésére, állítások megfogalmazására;
RészletesebbenTartalomjegyzék. Köszönetnyilvánítás... xv. Előszó... xvii. 1. Bevezető... 1. 2. 3D-történelem... 3. 3. Matematikai alapok... 7
Köszönetnyilvánítás... xv Előszó... xvii 1. Bevezető... 1 2. 3D-történelem... 3 3. Matematikai alapok... 7 3.1. Trigonometriai gyorstalpaló... 7 3.1.1. A szög. Fok és radián... 7 3.1.2. Szögfüggvények
RészletesebbenPapp Ferenc Barlangkutató Csoport. Barlangtérképezés. Fotómodellezés. Holl Balázs 2014. negyedik változat hatodik kiegészítés 4.6
Papp Ferenc Barlangkutató Csoport Barlangtérképezés Fotómodellezés Holl Balázs 2014 negyedik változat hatodik kiegészítés 4.6 (első változat 2011) A felszíni térképezés már egy évszázada a légifotókon
RészletesebbenTeljesítmény Mérés. Tóth Zsolt. Miskolci Egyetem. Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés / 20
Teljesítmény Mérés Tóth Zsolt Miskolci Egyetem 2013 Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés 2013 1 / 20 Tartalomjegyzék 1 Bevezetés 2 Visual Studio Kód metrikák Performance Explorer Tóth Zsolt
RészletesebbenMatematika. 1. osztály. 2. osztály
Matematika 1. osztály - képes halmazokat összehasonlítani az elemek száma szerint, halmazt alkotni; - képes állítások igazságtartalmának eldöntésére, állításokat megfogalmazni; - halmazok elemeit összehasonlítja,
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
RészletesebbenMOBOT Project. II. Irodalomkutatás. (részlet) 2008. november 30. Marton Attila Urbán András Tandari János
Budapesti Műszaki Főiskola Neumann János Informatikai Kar Mérnök informatikus szak Informatikai Automatizált Rendszerek MOBOT Project II. Irodalomkutatás 2008. november 30. (részlet) Marton Attila Urbán
RészletesebbenAutomatikus irányzás digitális képek. feldolgozásával TURÁK BENCE DR. ÉGETŐ CSABA
Automatikus irányzás digitális képek feldolgozásával TURÁK BENCE DR. ÉGETŐ CSABA Koncepció Robotmérőállomásra távcsővére rögzített kamera Képek alapján a cél automatikus detektálása És az irányzás elvégzése
RészletesebbenSzámítógépes látás alapjai
Számítógépes látás alapjai Csetverikov Dmitrij, Hajder Levente Eötvös Lóránd Egyetem, Informatikai Kar Csetverikov, Hajder (ELTE Informatikai Kar) Számítógépes látás 1 / 23 Rekonstrukció speciális hardverekkel
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
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
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenEgy feladat megoldása Geogebra segítségével
Egy feladat megoldása Geogebra segítségével A következőkben a Geogebra dinamikus geometriai szerkesztőprogram egy felhasználási lehetőségéről lesz szó, mindez bemutatva egy feladat megoldása során. A Geogebra
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
RészletesebbenA médiatechnológia alapjai
A médiatechnológia alapjai Úgy döntöttem, hogy a Szirányi oktatta előadások számonkérhetőnek tűnő lényegét kiemelem, az alapján, amit a ZH-ról mondott: rövid kérdések. A rész és az egész: összefüggések
RészletesebbenMérési struktúrák
Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést
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
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
RészletesebbenA fordítóprogramok szerkezete. Kódoptimalizálás. A kódoptimalizálás célja. A szintézis menete valójában. Kódoptimalizálási lépések osztályozása
A fordítóprogramok szerkezete Forrásprogram Forrás-kezelő (source handler) Kódoptimalizálás Fordítóprogramok előadás (A,C,T szakirány) Lexikális elemző (scanner) Szintaktikus elemző (parser) Szemantikus
RészletesebbenCARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens
CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi
RészletesebbenElengedhetetlen a játékokban, mozi produkciós eszközökben Nélküle kvantum hatás lép fel. Az objektumok áthaladnak a többi objektumon
Bevezetés Ütközés detektálás Elengedhetetlen a játékokban, mozi produkciós eszközökben Nélküle kvantum hatás lép fel Az objektumok áthaladnak a többi objektumon A valósághű megjelenítés része Nem tisztán
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenSzimulációs technikák
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatikai tanszék Szimulációs technikák ( NGB_IN040_1) 2. csapat Comparator - Dokumentáció Mérnök informatikus BSc szak, nappali tagozat 2012/2013 II.
RészletesebbenTERMÉK FEJLESZTÉS PANDUR BÉLA TERMÉK TERVEZÉSE
TERMÉK TERVEZÉSE A termék fogalma: Tevékenységek, vagy folyamatok eredménye /folyamat szemlélet /. (Minden terméknek értelmezhető, amely gazdasági potenciált közvetít /közgazdász szemlélet /.) Az ISO 8402
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
RészletesebbenA KLT (Kanade Lucas Tomasi) Feature Tracker Működése (jellegzetes pontok választása és követése)
A KL (Kanade Lucas omasi) Feature racker Működése (jellegzetes pontok választása és követése) Készítette: Hajder Levente 008.11.18. 1. Feladat A rendelkezésre álló videó egy adott képkockájából minél több
RészletesebbenFelhasználói kézikönyv
Felhasználói kézikönyv 5040 Lézeres távolságmérő TARTALOMJEGYZÉK 1. Bevezetés... 2 2. Az elemek cseréje... 2 3. A készülék felépítése... 2 4. Műszaki jellemzők... 3 5. A lézeres távolságmérő bekapcsolása...
RészletesebbenA mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
RészletesebbenSztereó képfeldolgozás mobilrobot platform tájékozódásához Önálló laboratórium 2007/2008. tavaszi félév
Sztereó képfeldolgozás mobilrobot platform tájékozódásához Önálló laboratórium 007/008. tavaszi félév Józsa Csongor Konzulens: Dr. Vajda Ferenc 1/1 1. A probléma ismertetése Mobilis robotok ismeretlen
RészletesebbenVisszalépéses keresés
Visszalépéses keresés Backtracking előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar Alapvető működése Továbbfejlesztési
RészletesebbenGépi tanulás a gyakorlatban. Lineáris regresszió
Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják
RészletesebbenTranszformációk. Szécsi László
Transzformációk Szécsi László A feladat Adott a 3D modell háromszögek csúcspontjai [modellezési koordináták] Háromszögkitöltő algoritmus pixeleket színez be [viewport koordináták] A feladat: számítsuk
RészletesebbenKépszegmentáló eljárások. Orvosi képdiagnosztika 2018 ősz
Képszegmentáló eljárások Orvosi képdiagnosztika 2018 ősz Képszegmentálás Anatómiai részek elkülönítés: pl. csontok, szív, erek, szürkefehér állomány, stb Vizsgálandó terület körbehatárolása: pl. tüdőterület
RészletesebbenSZERKEZETFÖLDTANI OKTATÓPROGRAM, VETŐMENTI ELMOZDULÁSOK MODELLEZÉSÉRE. Kaczur Sándor Fintor Krisztián kaczur@gdf.hu, efkrisz@gmail.
SZERKEZETFÖLDTANI OKTATÓPROGRAM, VETŐMENTI ELMOZDULÁSOK MODELLEZÉSÉRE Kaczur Sándor Fintor Krisztián kaczur@gdf.hu, efkrisz@gmail.com 2010 Tartalom Földtani modellezés lehetőségei Szimulációs szoftver,
RészletesebbenSzegedi Tudományegyetem Informatikai Tanszékcsoport SZAKDOLGOZAT. Fertői Ferenc
Szegedi Tudományegyetem Informatikai Tanszékcsoport SZAKDOLGOZAT Fertői Ferenc 2010 Szegedi Tudományegyetem Informatikai Tanszékcsoport 3-dimenziós táj generálása útvonalgráf alapján Szakdolgozat Készítette:
RészletesebbenOpenCL alapú eszközök verifikációja és validációja a gyakorlatban
OpenCL alapú eszközök verifikációja és validációja a gyakorlatban Fekete Tamás 2015. December 3. Szoftver verifikáció és validáció tantárgy Áttekintés Miért és mennyire fontos a megfelelő validáció és
RészletesebbenA napsugárzás mérések szerepe a napenergia előrejelzésében
A napsugárzás mérések szerepe a napenergia előrejelzésében Nagy Zoltán 1, Dobos Attila 2, Rácz Csaba 2 1 Országos Meteorológiai Szolgálat 2 Debreceni Egyetem Agrártudományi Központ Könnyű, vagy nehéz feladat
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
RészletesebbenMio Technology Limited www.mio-tech.be C510, C710. Gyors használati utasítás a Mio Map v3 programhoz. Magyar
Mio Technology Limited www.mio-tech.be C510, C710 Gyors használati utasítás a Mio Map v3 programhoz Magyar 2 A Fő menü Amikor a Mio Map elindul, a fő menü jelenik meg. Innen lehet elérni a Mio Map minden
RészletesebbenIntelligens Rendszerek
Intelligens Rendszerek Robotok http://mobil.nik.uni-obuda.hu http://mobil.nik.uni-obuda.hu/tantargyak/irg/segedanyagok/ B Biology Biológiai mintára készített, E Electronics elektronikusan működtetett,
RészletesebbenHadházi Dániel.
Hadházi Dániel hadhazi@mit.bme.hu Orvosi képdiagnosztika: Szerepe napjaink orvoslásában Képszegmentálás orvosi kontextusban Elvárások az adekvát szegmentálásokkal szemben Verifikáció és validáció lehetséges
RészletesebbenRIEL Elektronikai Kft v1.0
DeskCamera v1.6.1 1. DESKCAMERA A DeskCamera segítségével lehetőség nyílik a számítógép monitorán megjelenő képet rögzítő (NVR, DVR) segítségével rögzíteni. 1.1. TECHNIKAI ADATOK Maximális monitor szám:
RészletesebbenInformáció megjelenítés Számítógépes ábrázolás. Dr. Iványi Péter
Információ megjelenítés Számítógépes ábrázolás Dr. Iványi Péter Raszterizáció OpenGL Mely pixelek vannak a primitíven belül fragment generálása minden ilyen pixelre Attribútumok (pl., szín) hozzárendelése
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenRegresszió számítás. Tartalomjegyzék: GeoEasy V2.05+ Geodéziai Kommunikációs Program
Regresszió számítás GeoEasy V2.05+ Geodéziai Kommunikációs Program DigiKom Kft. 2006-2010 Tartalomjegyzék: Egyenes x változik Egyenes y változik Egyenes y és x változik Kör Sík z változik Sík y, x és z
RészletesebbenDiszkréten mintavételezett függvények
Diszkréten mintavételezett függvények A függvény (jel) értéke csak rögzített pontokban ismert, de köztes pontokban is meg akarjuk becsülni időben mintavételezett jel pixelekből álló műholdkép rácson futtatott
RészletesebbenTelepülési tetőkataszterek létrehozása a hasznosítható napenergia potenciál meghatározására a Bódva-völgyében különböző térinformatikai módszerekkel
Települési tetőkataszterek létrehozása a hasznosítható napenergia potenciál meghatározására a Bódva-völgyében különböző térinformatikai módszerekkel Szalontai Lajos Miskolci Egyetem Földrajz-Geoinformatika
RészletesebbenÉlpont osztályozáson alapuló robusztus tekintetkövetés
KÉPFELDOLGOZÁS Élpont osztályozáson alapuló robusztus tekintetkövetés HELFENBEIN TAMÁS Ipari Kommunikációs Technológiai Intézet, Bay Zoltán Alkalmazott Kutatási Közalapítvány helfenbein@ikti.hu Lektorált
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenVerifikáció és validáció Általános bevezető
Verifikáció és validáció Általános bevezető Általános Verifikáció és validáció verification and validation - V&V: ellenőrző és elemző folyamatok amelyek biztosítják, hogy a szoftver megfelel a specifikációjának
Részletesebben7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
RészletesebbenÉldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea
Éldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea Geometrikus deformálható modellek Görbe evolúció Level set módszer A görbe evolúció parametrizálástól független mindössze geometriai
RészletesebbenAdatszerkezetek. Nevezetes algoritmusok (Keresések, rendezések)
Adatszerkezetek Nevezetes algoritmusok (Keresések, rendezések) Keresések A probléma általános megfogalmazása: Adott egy N elemű sorozat, keressük meg azt az elemet (határozzuk meg a helyét a sorozatban),
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenSmart Strategic Planner
Smart Strategic Planner STRATÉGIAI FTTX HÁLÓZAT TERVEZŐ ÉS KÖLTSÉG ELEMZŐ ESZKÖZ távközlési hálózatok informatikai hálózatok kutatás és fejlesztés gazdaságos üzemeltetés Smart Strategic Planner Térinformatikai
RészletesebbenTávérzékelés Távérzékelt felvételek értelmezése (EENAFOTOTV, ETNATAVERV) Erdőmérnöki szak, Környezettudós szak Király Géza NyME, Erdőmérnöki Kar Geomatikai, Erdőfeltárási és Vízgazdálkodási Intézet Földmérési
RészletesebbenIman 3.0 szoftverdokumentáció
Melléklet: Az iman3 program előzetes leírása. Iman 3.0 szoftverdokumentáció Tartalomjegyzék 1. Az Iman rendszer...2 1.1. Modulok...2 1.2. Modulok részletes leírása...2 1.2.1. Iman.exe...2 1.2.2. Interpreter.dll...3
RészletesebbenAlgoritmusok és adatszerkezetek 2.
Algoritmusok és adatszerkezetek 2. Varga Balázs gyakorlata alapján Készítette: Nagy Krisztián 1. gyakorlat Nyílt címzéses hash-elés A nyílt címzésű hash táblákban a láncolással ellentétben egy indexen
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)
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
RészletesebbenInformatika Rendszerek Alapjai
Informatika Rendszerek Alapjai Dr. Kutor László Alapfogalmak Információ-feldolgozó paradigmák Analóg és digitális rendszerek jellemzői Jelek típusai Átalakítás rendszerek között http://uni-obuda.hu/users/kutor/
RészletesebbenSegédlet: Főfeszültségek meghatározása Mohr-féle feszültségi körök alkalmazásával
Segédlet: Főfeszültségek meghatározása Mohr-féle feszültségi körök alkalmazásával Készítette: Dr. Kossa Attila (kossa@mm.bme.hu) BME, Műszaki Mechanikai Tanszék 212. október 16. Frissítve: 215. január
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
RészletesebbenMobil robotok gépi látás alapú navigációja. Vámossy Zoltán Budapesti Műszaki Főiskola Neumann János Informatikai Kar
Mobil robook gépi láás alapú navigációja Vámoss Zolán Budapesi Műszaki Főiskola Neumann János nformaikai Kar Taralom Bevezeés és a kuaások előzménei Célkiűzések és alkalmazo módszerek Körbeláó szenzorok,
RészletesebbenKövetelmény a 7. évfolyamon félévkor matematikából
Követelmény a 7. évfolyamon félévkor matematikából Gondolkodási és megismerési módszerek Elemek halmazba rendezése több szempont alapján. Halmazok ábrázolása. A nyelv logikai elemeinek helyes használata.
RészletesebbenJátékfejlesztés a Windows Phone 7 erejével
IT-DEV-CON 2011. 04. 06. Játékfejlesztés a Windows Phone 7 erejével Pellek Krisztián krisztian.pellek@student-partners.ms ELTE Miről lesz szó? Windows Phone 7 XNA Game Studio 4.0 Erőteljes, Produktív,
RészletesebbenEnsemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34
Ensemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34. Meteorológiai Tudományos Napok Az előadás vázlata
RészletesebbenA térképen ábrázolt vonal: - sík felület egyenese? - sík felület görbéje? - görbült felület egyenese ( geodetikus )? - görbült felület görbéje?
Előzetes megjegyzés: 1. Az időt nyugodtan mérhetjük méterben. ct [s ] = t [m ] A film kétórás volt. = A film 2.16 milliárd kilométernyi ideig tartott. 2. A tömeget is nyugodtan mérhetjük méterben! GM [kg]
RészletesebbenA térképen ábrázolt vonal: - sík felület egyenese? - sík felület görbéje? - görbült felület egyenese ( geodetikus )? - görbült felület görbéje?
Előzetes megjegyzés: 1. Az időt nyugodtan mérhetjük méterben. ct [s ] = t [m ] A film kétórás volt. = A film 2.16 milliárd kilométernyi ideig tartott. 2. A tömeget is nyugodtan mérhetjük méterben! GM [kg]
RészletesebbenAz informatika kulcsfogalmai
Az informatika kulcsfogalmai Kulcsfogalmak Melyek azok a fogalmak, amelyek nagyon sok más fogalommal kapcsolatba hozhatók? Melyek azok a fogalmak, amelyek más-más környezetben újra és újra megjelennek?
RészletesebbenAlgoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás
Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
RészletesebbenFüggvények ábrázolása
Függvények ábrázolása Matematikai függvényeket analitikusan nem tudunk a matlabban megadni (tudunk, de ilyet még nem tanulunk). Ahhoz, hogy egy függvényt ábrázoljuk, hasonlóan kell eljárni, mint a házi
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenKép mátrix. Feladat: Pap Gáborné-Zsakó László: Algoritmizálás, adatmodellezés 2/35
Grafika I. Kép mátrix Feladat: Egy N*M-es raszterképet nagyítsunk a két-szeresére pontsokszorozással: minden régi pont helyébe 2*2 azonos színű pontot rajzolunk a nagyított képen. Pap Gáborné-Zsakó László:
RészletesebbenVirtuális Egér. Horváth Zsolt, Schnádenberger Gábor, Varjas Viktor. 2011. március 20.
Számítógépes Látás Projekt Virtuális Egér Horváth Zsolt, Schnádenberger Gábor, Varjas Viktor 011. március 0. Feladat kiírás: Egy olyan rendszer megvalósítása, melyben kamera értelmezi a kéz és az ujjak
RészletesebbenI. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
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?
RészletesebbenTávérzékelés, a jöv ígéretes eszköze
Távérzékelés, a jöv ígéretes eszköze Ritvayné Szomolányi Mária Frombach Gabriella VITUKI CONSULT Zrt. A távérzékelés segítségével: különböz6 magasságból, tetsz6leges id6ben és a kívánt hullámhossz tartományokban
RészletesebbenSzimuláció RICHARD M. KARP és AVI WIGDERSON. (Készítette: Domoszlai László)
Szimuláció RICHARD M. KARP és AVI WIGDERSON A Fast Parallel Algorithm for the Maximal Independent Set Problem című cikke alapján (Készítette: Domoszlai László) 1. Bevezetés A következőkben megadott algoritmus
Részletesebben