Rendhagyó optikai áramlás detekciója rejtett markov modellekkel
|
|
- Nóra Vargané
- 8 évvel ezelőtt
- Látták:
Átírás
1 Rendhagyó optikai áramlás detekciója rejtett markov modellekkel Utasi Ákos1, Czúni László 2 1 MTA SZTAKI 1111 Budapest, Kende u Tel.: /7300, Fax: , utasi@sztaki.hu 2 VIRT, Pannon Egyetem 8200 Veszprém, Egyetem u. 10. Tel.: , czuni@almos.vein.hu Absztrakt. Mivel az olcsó, kültéri megfigyelő rendszerek videóin gyenge minőségű optikai áramlás mérhető, de a mozgásminták meglehetősen komplexek lehetnek, új robusztus képfeldolgozási módszerekre van szükség, hogy megbízható, magas szintű információt tudjunk a videókból kinyerni. Dolgozatunkban olyan új Markov modelleket mutatunk be, ahol nincs szükség klasszikus objektum követési eljárásokra, hogy rendhagyó mozgásmintákat tudjunk automatikusan észrevenni. Sűrű optikai áramlás számítását és kevert Gauss modellezést alkalmazunk egy, vagy többszintű modellekben. 1. Bevezetés A vizuális megfigyelés sokféle közlekedési alkalmazásban fontos, mint pl. a monitorozás, anomália detekció, forgalmi dugó detekció, tervezés vagy előrejelzés. A legtöbb esetben valós idejű, robusztus módszerekre van szükség, mivel igen sokféle zajhatással kell számolni (elektromos zaj, optikai torzítás, rázkódás, villódzás, automatikus fehér egyensúly, alulmintavételezés, tömörítési hibák) ill. a körülmények is zavaróak lehetnek (eső, szél, éjszaka, napsütés, csillogások, reflektorok, takarások, dinamikus alakok, árnyékok, stb.). Mivel mindezeket nem lehet kiküszöbölni, a feldolgozó eljárásoknak kell megfelelően kihasználni a térbeli vagy időbeli hasonlóságokat a videófolyamban. Cikkünkben új, robusztus rejtett Markov modell alapú (RMM) technikákat mutatunk be, hogy megbírkozzunk ezzel a kihívással. Az általunk itt bemutatott módszereket leginkább az különbözteti meg a legtöbb hasonló célú eljárástól, hogy nincs szükség objektum követésre, ami zajos és bonyolult mozgásminták esetén nehezen járható út. A javasolt módszerek tanítási fázis után lesznek képesek a rendhagyó események detekciójára. Tipikus alkalmazási terület a kültéri felvételek elemzés, mint pl. közlekedési csomópontok forgalmának monitorozása. A cikk eredményei az alábbi publikációban jelentek meg: Ákos Utasi and László Czúni: Detection of unusual optical flow patterns by multilevel hidden Markov models, Opt. Eng. 49, (Jan 19, 2010)
2 2 Utasi Á., Czúni L. 2. Hasonló munkák Alapvetően kétféle megközelítés van a videómegfigyelés alkalmazásokban: specifikus mozgásmintákat ill. objektumokat keresünk, vagy apriori tudás nélkül tetszőleges rendhagyó mozgások detekcióját várjuk el. A legtöbb módszer objektumkövetést alkalmaz (pl. [4], [20]) vagy különböző mozgások együttes előfordulását keresi (pl. [9]). Azonban az objektumkövető módszerek nagy zaj esetén nagy hibával dolgoznak, ahogy azt több cikkben is említik (pl. [2]), jelentős eltérés van a gyakorlat és a laboratóriumi körülmények között. Jó áttekintést nyújt a problémáról az [1] cikk. RMM alapú módszerekkel gyakran találkozhatunk a videóelemzésben, ilyen pl. [19] ahol félig felügyelt RMM-et alkalmaznak. A leírt módszer hátránya a statikus háttérkép képzés, ill. nem ismerjük teljesítményét zajos körülmények között. A [20]-ban klaszterezést használnak a normál és rendhagyó mozgástrajektóriák elkülönítésére, majd RMM-et tanítanak a csoportokra. Ebben az esetben a trajektóriák meghatározása lehet gond a zajok és takarások miatt. [6]-ben gyalogosforgalom optikai áramlását vizsgálják. A képet blokkokra bontják és minden blokkhoz külön modellt használnak. Sajnos csak beltéri felvételeken végeztek kiértékelést, és az általuk használt főkomponens analízis fontos, de ritka, rendhagyó információ elvesztésével járhat. [7] szintén RMM elemzést használ emberek mozgásának modellezésére beltérben. Egyszerű háttérképzési módszerük mindenképpen alkalmatlan kültéri képek esetén, bár a hibás detekciók számát így is túl magasnak értékelték. Terjedelmi okokból több érdekes cikk ([3], [5], [9], [17], [18], [21]) bemutatását kénytelenek vagyunk elhagyni, ezekről rövid értékelést itt olvashat [23]. A fenti cikkek elemzése során azt találtuk, hogy a legtöbb módszer követést, azon alapuló trajektóriákat használ, ill. főleg beltéri képeken tesztelték őket. Néhány cikk főkomponens analízist alkalmaz dimenzió csökkentésre, ennek az a veszélye, hogy pont a rendhagyó, ritka esetek fognak áldozatul esni az adatkompressziónak. A saját modelleink tesztelésére gyenge minőségű kültéri videókat használtunk, ill. ezek felhasználásval generáltunk rendhagyó eseményeket tartalmazó fotorealisztikus felvételeket. Több ezer képkockát használtunk az egyes módszerek kvantitatív vizsgálatára. 3. Javasolt megközelítésünk Az általunk javasolt modellekben a következő feltevéseket, célkitűzéseket tesszük: Azért, hogy elkerüljük a követésen alapú problémákat nem alkalmazunk követést. Helyette sűrű optikai áramlást használunk az RMM létrehozására. A félreértések elkerülése végett kihangsúlyozzuk, hogy a tradícionális követő módszerek minimum folt, de inkább objektum alapú megfeleltetést végeznek a képkockák között. Azaz ezeket a képterületeket kockánként meg kell címkézniük és tulajdonságokkal kell jellemezniük. A mi esetünkben nincs szükség a képkockák tartalma között ilyen megfeleltetést keresni.
3 Rendhagyó optikai áramlás detekciója rejtett markov modellekkel 3 Azt feltételezzük, hogy előfordulhat, hogy a videó ráta sem stabil, ezért a mozgásvektoroknak csak az irányát fogjuk felhasználni. Ugyanis ha az FPS nem konstans, a mozgások becsült sebességének értéke megbízhatatlan. Kétszintű modelleket használunk: egyrészt régiókhoz kötött folytonos eloszlású RMM-et használunk, másrészt ezekből hierarchikus reprezentációt hozunk létre, így távolabbi területek mozgásmintájának együttesét is modellbe tudjuk foglalni. Felügyelet nélküli tanító fázis során paraméterezzük fel a modelljeinket. Az eljárás különböző lépéseit a következő fejezetekben tárgyaljuk, az általános archiketúrát az 1. ábra mutatja. A tanítási fázisban először az optikai mozgást számítjuk ki és szűrjük, majd ezt használjuk a régiók meghatározásához. Ezeken a régiókon számítjuk ki az RMM paramétereket. Végül a lokális régiókat összevonva diszkrét állapotú RMM-et tanítunk. A detekciós fázisban a kiválasztott régió (ROI - Region of Interest) mozgásvektorai és a régiót reprezentáló RMM állapota határozza meg a következő állapotot és a látott esemény valószínűségét. Végül több régió együttes állapotát elemzi ki a felső szintű RMM. Optical Flow Motion detection ROIs Pixel-based motion statistics Optical flow estimation MeanShift segmentation Optical flow filtering ROI 1 ROI 2 ROI K HMM 1 Observations Observations Observations HMM 2 State/Probability State/Probability State/Probability HMM K High-level HMM Observation State/Probability 1. ábra:: A javasolt rendszer általános architektúrája. A szaggatott vonal a tanítási fázist jelöli.
4 4 Utasi Á., Czúni L Az optikai áramlás számítása Hogy elkerüljük a felesleges számításokat kevert Gauss modell (KGM) alapú változásdetekciót használunk a nem változó területek kizárására. A [12]-ban ismertetett eljárás jól működik kültéri alkalmazásokban, mivel a váltakozó objektumok színét jól meg tudja tanulni (pl. fák, víz, eső, árnyékok). A mozgásvektorok számításához a Bergen [10] és a Lucas és Kanade [11] módszereket egyaránt hatékonynak tapasztaltuk. További zajszűrésre egyszerű módszereket alkalmaztunk: a nagyméretű (képméret 30%-nál nagyobb) ill. a nagyon kicsi (1 pixelnél kisebb) vektorokat egyszerűen nem vettük figyelembe A kép régiókra bontása A képet a mozgásnak megfelelőn dinamikusan szegmentáljuk zónákra a [22]- ban ismertetett módszerrel. A szegmentálás célja, hogy a nagyon eltérő mozgásstatisztikával bíró területeket külön tudjuk modellezni. A tanító fázisban 8- irányú mozgásirány hisztogrammokat készítettünk a pixelekhez, amik a 8 fő iránynak felelnek meg (Dir {É,K,D,Ny,ÉK,DK,DNy,ÉNy}), majd az adatokat az un. MeanShift technikával szegmentáltuk [13]. A 2. ábra a bemeneti képet, a mozgásirány statisztikát és a szegmentált eredményt mutatja (a színezés pontos definíciója a [22] cikkben olvasható). 2. ábra:: Bemeneti képkocka; mozgásirány statisztikák [22]; MeanShift szegmentált statisztikák; mozgó összefüggő foltok (a kiválasztott régió pirossal kijelölve) 4. Alacsony szintű RMM Ha a forgalom időbeli lefolyását, ritmusát szeretnénk megérteni, akkor vektorok eloszlásához időbeli állapotokat kell rendelnünk az egyes régiókban. Ha valamilyen anomália fog előfordulni, akkor ebben a ritmusban kell valamilyen szokatlan változást észrevennünk, pl. nem a megszokott állapotátmenetet tapasztaljuk, vagy nem a szokásos mozgásirányok fordulnak elő egy területen. Először tehát a lokális mintákat fogjuk vizsgálni, majd az így kapott állapotokat fogjuk a következő magasabb szinten figyelembe venni (5. fejezet). Kiválasztunk egy ROI-t, majd minden mozgó foltjában (ezeket a mozgásdetekció maszkjából kapjuk meg, mint összefüggő területeket) megmérjük az
5 Rendhagyó optikai áramlás detekciója rejtett markov modellekkel 5 optikai áramlást. Ezek után ahelyett, hogy a foltok mozgását követnénk, a foltok területére egy 3D-s (x, y, szög) KGM-et illesztünk az un. Expectation Maximization [14] módszerrel. A KGM-ek várható értékét egy adott ROI-ban tekintjük ezek után a RMM-ek megfigyelésének. Ennek a módszernek az az előnye, hogy kicsi (pl. gyalogos) és nagy objektumok (pl. egy autóbusz), ill. foltok esetén is jól reprezentálja a mozgást. C t jelölje a foltok számát a ROI-ban t pillanatban, és Mt c jelölje a várható értékek halmazát, amely a c-dik komponensre lett illesztve (1 c C t ). Megfigyeljük hát a várhatóértékek únióját: O t = C t c=1 M c t. (1) Ugyanakkor a megfigyelés definiálható az 1. egyenletben a következő formában O t = {o t,1, o t,2,..., o t,kt }, ahol K t = O t jelöli a várhatóértékek számát adott megfigyelés esetén Jelölések és definíciók Alapvetően a [15] cikkben található klasszikus λ = {π, A, B} jelölést használjuk az RMM-ek definiálására, N az állapotok száma. Egy T hosszú megfigyelési szekvencia így jelölünk O = O 1, O 2,..., O T. Esetünkben minden megfigyelés a sorozatban egy listája a lokalizált irányoknak (x, y, és szög), ahogy korábban megadtuk (3.2. fejezet). M Gauss keverékét használjuk a kibocsátási valószínűségek modellezésére: b i (O t ) = K t k=1 b i (o t,k ) = K t k=1 l=1 M w i,l b i,l (o t,k ), (2) ahol b i,l (o t,k ) = N (o t,k µ i,l, Σ i,l ). A következő indexelést használjuk: i és j jelenti az állapotokat (1 i, j N); t adja meg az időt az állapotok és megfigyelések során (1 t T ); k egy megfigyelési mintát jelöl; l pedig egy Gauss-t a KGM-ben (1 l M). A következő valószínűségi változók a szokásos módon használatosak α t (i), β t (i), γ t (i), ξ t (i, j), ugyanakkor: γ t (k, i, l) = γ t (i) w i,lb i,l (o t,k ) b i (o t,k ) annak valószínűsége, hogy a t-dik megfigyelésnek a k-dik mintáját az i-dik állapotnak az l-dik Gauss komponense generálta. (Mindezen alapfogalmakról bővebben a [15] cikkben lehet olvasni.) (3) 4.2. RMM paramétereinek becslése Egy kiválasztott ROI esetében kigyűjtöttük azokat a képkockákat, ahol történt mozgás, majd ezt a képszekvenciát E véletlen (5-10) hosszúságú részre bontottuk, majd a Baum-Welch eljárást használtuk [15] az RMM tanítására. Szükség
6 6 Utasi Á., Czúni L. volt egy skálázási módszert bevezetni, hogy elkerüljük a kicsi számok elvesztéséből adódó számítási-ábrázolási hibát. Elvileg lehetett volna logaritmussal is számolni a Baum-Welch eljárás forward-backward számításai során, ekkor azonban a tanítás jelentősen lelassult volna. Ezzel szemben egy gyors skálázási technikát vezettünk be Relatív emissziók bevezetése skálázással A pontossági problémát a kibocsátási valószínűségek definíciója okozza a 2. egyenletben, ahol valószínűségek szorzatát használtuk b i (o t,k ). Ezek értékei a KGM-ektől függenek, de tipikusan igen kicsi értékek ( 1), és a tanítás során többször kell őket iteratív módon megbecsülni. Amennyiben a tanítási sorozat megfigyelései erősen zajosak (ez igen tipikus eset) a Gauss-ok kovarianciája relatív nagy lesz, hogy egyezést érjünk el. Ennek azonban az lesz a következménye, hogy a kibocsátási valószínűségnél a szorzat (lásd 2. egyenlet) exponenciálisan 0-hoz fog tartani. 64 bites ábrázolás esetén a határ ( ), amiből az következik, hogy csak kevés számú mintával tudunk dolgozni még QCIF ill. CIF felbontásnál is. Ezért kellett egy új skálázást bevezetni, aminek az lett a következménye, hogy nagyobb számú vektor feldolgozása vált lehetővé. A relatív kibocsátás tehát: K t b i (o t,k ) bi (O t ) = [ N ]. (4) k=1 j=1 b j(o t,k ) [ N 1. A skálázási együttható jelölése e t,k = j=1 b j(o t,k )] Ezt a skálázást be lehet vezetni a Rabiner féle [15] skálázásba is, ahol mindegyik α t (i) skálázva lett az összes α t (i) összege által. Bizonyítható, hogy az eredeti újrabecslő folyamatok (lásd [23]) továbbra is használhatóak maradnak, ha a relatív kibocsátási valószínűségeket használjuk. Egyedül a logaritmikus valószínűségi függvényen kell változtatni, ami az újrabecslő folyamat konvergenciáját vizsgálja: log P (O λ) = T log (ĉ τ ) τ=1 T K τ log (e t,k ) (5) τ=1 k=1 ahol ĉ τ jelenti a skálázási együtthatók, de a relatív emissziókkal számolva. Ahhoz, hogy megkapjuk a megfigyelési sorozatot, a Viterbi út számításásra van szükség [16], ahol a kibocsátási valószínűség ill. a forward-backward változók logaritmusára van szükség. Ez esetben a kibocsátási szorzat összeadássá alakul, így itt nincs szükség a relatív valószínűségek bevezetésére. A módszerünk illusztrálására egy olyan videó adatait mutatjuk be, ahol 5 állapotot és 6 Gauss függvényt használtunk az RMM-ben (N = 5 és M = 6). Kiválasztottunk egy véletlen megfigyelést (O r ), ami 9 mintát tartalmazott (K r = 9). Rögzítettük a kibocsátási valószínűségek számítást b i (O r ) ill. a relatív kibocsátásokat b i (O r ) a Baum-Welch folyamat során. Végül megkaptuk az RMM paramétereit és a legvalószínűbb állapotot, ami kibocsáthatta a véletlenszerűen
7 Rendhagyó optikai áramlás detekciója rejtett markov modellekkel 7 3. ábra:: Két megfigyelés valószínűségei a minták számának függvényében. Mindkét (jobb és bal) esetben látható a sokkal lassabb konvergenciája a javasolt módszernek. Az eredeti kibocsátásokat (2. egyenlet) kékkel az új módszert feketével jelöltük. kiválasztott megfigyelést O r -t. A 3. ábra bal része mutatja az eredeti (kék) és a relatív értékek (fekete) összehasonlítását. A függőleges tengelyen a szorzat logaritmusát, a vízszintesen a felhasznált minták számát láthatjuk. Ahogy a minták száma nő, a szorzat exponenciálisan csökken. Míg az eredeti módszerrel kb. 50 vektort, addig az új módszerrel mintegy vektort tudunk feldolgozni a ROI-n belül. (A grafikonok a Baum-Welch algoritmus három állapotát is mutatják: kezdeti lépést, első iterációt, ill a végső állapotot. Az ábra jobb oldala egy másik kísérletet mutat be, ahol K r = 12, N = 4 és M = 12.) 4.4. Rendhagyó mozgások detekciója Miután megbecsültük az RMM paramétereit, a Viterbi algoritmus által megállapíthatjuk a legvalószínűbb állapotokat. A mi esetünkben ez alapvetően a forgalom ritmusát jelentheti egy forgalmas kereszteződésben, amit a közlekedési lámpák határoznak meg. Ennek illusztrációjára szolgál a 4. ábra. Az állapotokat Gauss-ok keveréke jelenti adott átlaggal, kovarianciával és súllyal. Az átlag az irányt jelöli a ROI-n belül, a súly pedig az előfordulás gyakoriságát mutatja. Ezeket különböző színnel (átlag) és oszlopmagassággal (súly) mutatja a grafikon. Valós felvételekből egy valósághű videót szerkesztettünk, ahol egy autó a megszokottól eltérően a többi jármű között rohan át (lásd az 5. ábrát) és a betanított RMM-et használtuk, hogy jelezze ezt az eseményt. Az O t megfigyelés valószínűségét az S i állapotban, az előző q t 1 állapot függvényében így adjuk meg: { aqt 1,ib P (O t, q t = S i q t 1 ) = i (O t ) q t 1 1 (6) π i b i (O t ) q t 1 = 1 ahol q t 1 = 1 ismeretlen állapotot jelöl. A legvalószínűbb S állapotot választjuk ki és annak a valószínűsége, hogy normális jelenségről van szó a következő: P (O t ) = a qt 1, K Kt t b (o t,k ). (7) k=1
8 8 Utasi Á., Czúni L. (a) (b) (c) (d) (e) 4. ábra:: Fent: példa a négy detektált állapotra. Lent: a kijelölt ROI állapotsorozata, ahol a színek a mozgás irányával vannak összefüggésben. Jól látható a forgalom ritmusa. Végeredményül a log P (O t ) értéknek a simított verzióját generáljuk, ezt mutatja az 5. ábra. Három kockát találtunk, ahol kiugróan alacsony az így kapott valószínűség. Az első példához hasonlóan egy másik kísérletben egy másik jármű vág át a kereszteződésen szokatlan módon. Az eredményt a 6. ábra szemlélteti a detektált képkockákkal és valószínűségi értékekkel. 5. Magas szintű RMM Mivel sok alkalmazásnál nem elég a tér egy relatív kicsi részét szemlélni, ezért szükség lehet olyan modellre, ahol több kisebb terület állapotának együttesét vizsgáljuk Magas szintű RMM bevezetése Jelölje az alacsony szintű RMM-ek számát L, az l. RMM állapotainak halmazát S l = { } S1, l S2, l..., SN l l. Bevezetünk egy újabb S0 állapotot, amikor nincs mozgás egy ROI-ban, így S l = { } S0, l S1, l S2, l..., SN l l. A magas szintű diszkrét RMM λh abc-jét az alacsony szintű RMM-ek állapotainak összes kombinációja adja ki: V h = { [ S 1 i 1, S 2 i 2,..., S L i L ] } 0 il N l ; 1 l L. (8) így az abc mérete L l=1 (N l + 1) (a +1 a nem mozgó állapotot jelenti). Ha vesszük a Viterbi út által adott állapot-sorozatokat és mozgás nélküli állapotokat, megkonstruálhatjuk a magas szintű RMM állapot-sorozatát egysze-
9 Rendhagyó optikai áramlás detekciója rejtett markov modellekkel 9 (a) (b) (c) (d) 5. ábra:: Első kísérlet. Fent: az alacsony szintű detektor által jelzett képkockák. A rendellenes mozgású jármű sárgával van jelölve. Lent: a ROI-hoz tartozó valószínűségek. Az alacsony szintű detektor a kockát jelzi mint a rendellenes mozgás kezdetét. rűen az L állapotsorozatok együttes felírásával: O h = [ q1, 1 q1, 2..., q1 L ], [ q2, 1 q2, 2..., q L ] 2,..., [ qt 1, qt 2,..., q L ] T } {{ } } {{ } } {{ } O1 h O2 h OT h (9) ahol qt l S l és Ot h V h. Cikkünkben illusztrációként 2 ROI-t választottunk ki, L = 2. A diszkrét magas-szintű RMM tanítása a [15] cikk szerint történt Rendhagyó mozgások detekciója A demonstrációban ugyanazt a videót használjuk, mint korábban a 4.4. fejezetben, két ROI alkotja az alacsony szintet. A modelltanítások után 7 állapotot kaptunk, amint a 7. ábra illusztrál. A detekcióra a korábban már ismertetett módszert használtuk (4.4.). Minden t időben kiszámoltuk a legvalószínűbb S állapotot az adott Ot h megfigyeléshez a 6. egyenlet szerint, majd definiáltuk Ot h valószínűségét a szokásos módon: P h ( O h t ) = aqt 1, b ( O h t ). (10) Ebben a példában azt találtuk, hogy a ROI szintű RMM-ek nem jeleztek, de a hierarchikus detektor jelzést adott, amint azt a 8. ábra mutatja a három alacsony valószínűségű képkockával. Ennek a módszernek előnye, hogy a rendhagyó mozgást néhány kockával korábban jelezte mint a korábbi modell (amikor a középső ROI-t használtuk).
10 10 Utasi Á., Czúni L. (a) (b) (c) (d) 6. ábra:: Második kísérlet. Fent: az alacsony szintű detektor által jelzett képkockák. A rendellenes mozgású jármű pirossal van jelölve. Lent: a ROI-hoz tartozó valószínűségek. Az alacsony szintű detektor az kockát jelzi mint a rendellenes mozgás kezdetét. 6. A teljesítmény vizsgálata, korlátozások A példákban a tesztvideók felbontása 320x240 volt db felére kicsinyített kockán vizsgáltunk a 4. fejezetben bemutatott módszert. A program egy 3GHzes Intel Xeon PC-n egyszálas módban futott, a program különböző fázisaiban mértük a sebességet: 1. Fázis - Előfeldolgozás: KGM változásdetekció, optikai vektorok számítása és szűrése, foltok meghatározása; 2. Fázis - Megfigyelések generálása: KGM illesztése a vektor mintákra a foltokon belül; 3. Fázis - Anomália detekció: a 6. egyenlet kiértékelése. A tesztek szerint az első fázis 51.9 msec/frame, a második msec/frame a harmadik 6.14 msec/frame sebességgel futott. Összességében ez kb. 13FPS-t jelent. Ahogy a példák mutatták a detekciós módszerek városi közlekedési alkalmazásokban használhatóak. Természetesen a módszernek korlátai vannak: a kameráknak megfelelően magasból kell látni a forgalmat, ellenkező esetben túl sok lenne a takarás (valamennyi takarást a módszer tolerál); megfelelő betanítás szükséges, amikor nem lehetnek rendhagyó események. Elvileg készíthető olyan alkalmazás, amikor az adatgyűjtés, tanulás a detekcióval párhuzamban fut, ill. a napszakok szerint vált adatbázist a rendszer.
11 Rendhagyó optikai áramlás detekciója rejtett markov modellekkel ábra:: A 7 megtanult állapot illusztrációi. A fő irányokat sárga vektorokkal jelöltük, a kör a mozgás hiányát jelképezi. 7. Összefoglalás Az objektumok követésén alapuló elemző módszerek sok nehézséggel kell szembesüljenek zajos kültéri felvételek esetén, különösen ha sok objektum végez komplex mozgást. Cikkünkben alternatív megoldást vázoltunk fel, ahol valós időben, a sűrű optikai áramlás elemzése során jutottunk el oda, hogy képesek vagyunk a mozgás rejtett mintázatát megtanulni és az attól eltérő viselkedést detektálni anélkül, hogy a képkockák tartalma közt közvetlen megfeleltetést tett nk volna. A kibocsátási valószínűségek relatív skálázása lehetővé tette, hogy jelentős számú mintát dolgozzunk fel, hiába is kicsiny azoknak az együttes valószínűsége. A képet automatikusan szegmentáltuk a mozgásinformációk alapján és az egyes szegmensekre külön-külön ill. együttesen is építettünk RMM modelleket, amelyek képesek a rendhagyó mozgások felfedésére. Természetesen a modellek paramétereit az idő függvényében lehet frissíteni, így a módszerek adaptálódhatnak a megfigyelt terület változásaihoz, azonban ennek a kérdéskörnek a vizsgálata túlmutat a dolgozat korlátain. Irodalom 1. Hu, W. and Tan, T. and Wang, L. and Maybank, S.: A survey on visual surveillance of object motion and behaviors. IEEE Transactions on Systems, Man and Cybernetics, Vol 34, 2004, Dick, A. R. and Brooks, M. J.: Issues in Automated Visual Surveillance. Proc. of the 7th International Conference on Digital Image Computing: Techniques and Applications, 2003,
12 12 Utasi Á., Czúni L. (a) (b) (c) (d) 8. ábra:: Fent: példa a magas-szintű RMM detekciójára. A rendellenesen mozgó járművet sárgával jelöltük. Lent: a szokatlan mozgások valószínűsége. A tényleges szokatlan esemény a kockánál kezdődik. 3. Vaswani, N. and Chowdhury, A. R.: Activity recognition using the dynamics of the configuration of interacting objects. Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, 2003, Hongeng, S. and Nevatia, R. and Bremond, F.: Video-based event recognition: activity representation and probabilistic recognition methods. Computer Vision and Image Understanding, Vol 96, Num 2, 2004, Boiman, O. and Irani, M.: Detecting Irregularities in Images and in Video. International Journal of Computer Vision, Vol 74, num 1, 2007, Andrade, E. L. and Blunsden, S. and Fisher, R. B.: Performance Analysis of Event Detection Models in Crowded Scenes. Proc. of Visual Information Engineering, 2006, Nair, V. and Clark, J. J.: Automated visual surveillance using hidden Markov models. Proc. of the 15th International Conference on Vision Interface, 2002, 88-94, 8. Brand, M. and Kettnaker, V.: Discovery and Segmentation of Activities in Video. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 22, Num 8, 2000, Zhong, H. and Shi, J. and Visontai, M.: Detecting Unusual Activity in Video. Proc. of Computer Vision and Pattern Recognition, Vol 2, 2004, Bergen, J. R. and Hingorani, R.: Hierarchical Motion-Based Frame Rate Conversion. David Sarnoff Research Center Princeton NJ 08540, Bouguet, J.-Y.: Pyramidal Implementation of the Lucas-Kanade Feature Tracker. Intel Corp., Microprocessor Research Labs, Stauffer, C. and Grimson, W. E. L.: Adaptive background mixture models for realtime tracking. Computer Vision and Pattern Recognition, IEEE Computer Society Conference on., Vol 2, 1999,
13 Rendhagyó optikai áramlás detekciója rejtett markov modellekkel Georgescu, B. and Shimshoni, I. and Meer, P.: Mean shift based clustering in high dimensions: A texture classification example. Proc. 9th International Conference on Computer Vision, 2003, Dempster, A. P. and Laird, N. M. and Rubin, D. B.: Maximum Likelihood from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical Society. Series B (Methodological), Vol 39, Num 1, 1977, Rabiner, L. R.: A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, Num 2, Vol 77, 1999, Forney, G. D.: The viterbi algorithm. Proceedings of the IEEE, Num 3, Vol 61, 1973, Beleznai, C. and Frühstück, B. and Bischof, H.: Human tracking by mode seeking. Proceedings of the 4th International Symposium on Image and Signal Processing and Analysis, 2005, Moeslund, T. B. and Hilton, A. and Krüger, V.: A survey of advances in visionbased human motion capture and analysis. Computer Vision and Image Understanding, Num 2-3, Vol 104, 2006, Zhang, D. and Gatica-Perez, D. and Bengio, S. and McCowan, I.: Semi-Supervised Adapted HMMs for Unusual Event Detection. Proceedings of the Conference on Computer Vision and Pattern Recognition, 2005, Jiang, F. and Wu, Y. and Katsaggelos, A. K.: Abnormal Event Detection from Surveillance Video by Dynamic Hierarchical Clustering. Proceedings of the International Conference on Image Processing, 2007, Moeslund, B. T. and Granum, E.: A survey of advances in vision-based human motion capture. Computer Vision and Image Understanding, Vol 81, Num 3, 2001, Utasi, Á. and Czúni, L.: Anomaly Detection with Low-level Processes in Videos, Proceedings of the International Conference on Computer Vision Theory and Applications. 2008, Utasi, Á. and Czúni, L.: Detection of unusual optical flow patterns by multilevel hidden Markov models. Optical Engineering, 2010
Idő-multiplexelt biztonsági felvételek elemzése
Idő-multiplexelt biztonsági felvételek elemzése Utasi Ákos1 és Czúni László 2 1 MTA-SZTAKI 1111 Budapest Kende u. 13-17. http://www.sztaki.hu 2 Pannon Egyetem, Villamosmérnöki és Információs Rendszerek
RészletesebbenHidden Markov Model. March 12, 2013
Hidden Markov Model Göbölös-Szabó Julianna March 12, 2013 Outline 1 Egy példa 2 Feladat formalizálása 3 Forward-algoritmus 4 Backward-algoritmus 5 Baum-Welch algoritmus 6 Skálázás 7 Egyéb apróságok 8 Alkalmazás
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
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
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
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
RészletesebbenÚj valószín ségi módszerek videó-meggyelési alkalmazásokhoz
Pannon Egyetem Informatikai Tudományok Doktori Iskola Tézisfüzet Új valószín ségi módszerek videó-meggyelési alkalmazásokhoz Utasi Ákos Villamosmérnöki és Információs Rendszerek Tanszék Témavezet : Dr.
RészletesebbenÁltalános követelmények a kép tartalmával és minőségével kapcsolatban
Általános követelmények a kép tartalmával és minőségével kapcsolatban A következő követelmények egyrészt azért fontosak, hogy megfelelően dokumentálják az eseményeket (bizonyítékként felhasználóak legyenek),
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
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
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
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,
RészletesebbenVI. Magyar Földrajzi Konferencia 524-529
Van Leeuwen Boudewijn Tobak Zalán Szatmári József 1 BELVÍZ OSZTÁLYOZÁS HAGYOMÁNYOS MÓDSZERREL ÉS MESTERSÉGES NEURÁLIS HÁLÓVAL BEVEZETÉS Magyarország, különösen pedig az Alföld váltakozva szenved aszályos
RészletesebbenKözúti forgalomszámlálás e_sensor rendszerrel. 2012.06.04 2012.06.10 Budapest dugódíj projekt (sajtóanyag)
Közúti forgalomszámlálás e_sensor rendszerrel 2012.06.04 2012.06.10 Budapest dugódíj projekt (sajtóanyag) 1 Cégbemutató A Sensor Technologies Kft. videó analitikai rendszereket fejleszt budapesti székhellyel.
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
RészletesebbenAlter Róbert Báró Csaba Sensor Technologies Kft
Közúti forgalomelemzés kamerával e_traffic Alter Róbert Báró Csaba Sensor Technologies Kft Előadás témái Cégbemutató Videó analitikai eljárások Forgalomszámláló eszközök összehasonlítása e_traffic forgalomelemző
RészletesebbenKétdimenziós mesterséges festési eljárások. Hatások és alkalmazások
Pannon Egyetem Informatikai Tudományok Doktori Iskola Tézisfüzet Kétdimenziós mesterséges festési eljárások. Hatások és alkalmazások Kovács Levente Képfeldolgozás és Neuroszámítógépek Tanszék Témavezet
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
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenKözlekedési események képi feldolgozása
Közlekedési események képi feldolgozása Max Gyula Budapest Műszaki és Gazdaságtudományi Egyetem, Automatizálási és Alkalmazott Informatikai Tanszék 1521 Budapest, Pf. 91, { e-mail: max@aut.bme.hu} Abstract.
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
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
RészletesebbenAz e-kereskedelem elvárásai a biometriával szemben
Őszi Arnold Az e-kereskedelem elvárásai a biometriával szemben Az e-kereskedelem elvárásai a biometriával szemben Őszi Arnold Óbudai Egyetem, Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar oszi.arnold@bgk.uni-obuda.hu
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,
RészletesebbenÖnálló labor beszámoló Képek szegmentálása textúra analízis segítségével. MAJF21 Eisenberger András május 22. Konzulens: Dr.
Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével 2011. május 22. Konzulens: Dr. Pataki Béla Tartalomjegyzék 1. Bevezetés 2 2. Források 2 3. Kiértékelő szoftver 3 4. A képek feldolgozása
RészletesebbenICT ÉS BP RENDSZEREK HATÉKONY TELJESÍTMÉNY SZIMULÁCIÓJA DR. MUKA LÁSZLÓ
ICT ÉS BP RENDSZEREK HATÉKONY TELJESÍTMÉNY SZIMULÁCIÓJA DR. MUKA LÁSZLÓ 1 TARTALOM 1.1 A MODELLEZÉS ÉS SZIMULÁCIÓ META-SZINTŰ HATÉKONYSÁGÁNAK JAVÍTÁSA A. Az SMM definiálása, a Jackson Keys módszer kiterjesztése
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
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
RészletesebbenGépi tanulás és Mintafelismerés
Gépi tanulás és Mintafelismerés jegyzet Csató Lehel Matematika-Informatika Tanszék BabesBolyai Tudományegyetem, Kolozsvár 2007 Aug. 20 2 1. fejezet Bevezet A mesterséges intelligencia azon módszereit,
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
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
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika Kar 1.3 Intézet Magyar Matematika és Informatika Intézet 1.4
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
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
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
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
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)
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenA KUTATÁS EREDMÉNYEI ZÁRÓJELENTÉS 2004-2006.
ÖNELLENŐRZÉS ÉS FUTÁSIDEJŰ VERIFIKÁCIÓ SZÁMÍTÓGÉPES PROGRAMOKBAN OTKA T-046527 A KUTATÁS EREDMÉNYEI ZÁRÓJELENTÉS 2004-2006. Témavezető: dr. Majzik István Budapesti Műszaki és Gazdaságtudományi Egyetem
RészletesebbenBEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA
BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Következtetés
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenProbabilisztikus funkcionális modellek idegrendszeri adatok elemzésére
Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Bányai Mihály! MTA Wigner FK! Computational Systems Neuroscience Lab!! KOKI-VIK szeminárium! 2014. február 11. Struktúra és funkció
RészletesebbenGépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés
Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük
RészletesebbenBitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján. Hegedűs István
BitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján Hegedűs István Ajánló rendszerek Napjainkban egyre népszerűbb az ajánló rendszerek alkalmazása A cégeket is hasznos információval
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenSzámítástechnikai és Automatizálási Kutatóintézet (MTA SZTAKI), 1111, Budapest, Kende utca 13 17, email:{vezetéknév.keresztnév}@sztaki.mta.
Mozgó személyek követése és 4D vizualizációja Lidar-alapú járáselemzéssel Nagy Balázs 1, Benedek Csaba 1 és Jankó Zsolt 2 1 Elosztott Események Elemzése Kutatólaboratórium, Magyar Tudományos Akadémia,
RészletesebbenSZOMSZÉDSÁGI SZEKVENCIÁK ÉS ALKALMAZÁSAIK A KÉPFELDOLGOZÁSBAN ÉS KÉPI ADATBÁZISOKBAN
SZOMSZÉDSÁGI SZEKVENCIÁK ÉS ALKALMAZÁSAIK A KÉPFELDOLGOZÁSBAN ÉS KÉPI ADATBÁZISOKBAN NEIGHBORHOOD SEQUENCES AND THEIR APPLICATIONS IN IMAGE PROCESSING AND IMAGE DATABASES András Hajdu, János Kormos, Tamás
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
RészletesebbenOsztályozó- és javítóvizsga témakörei MATEMATIKA tantárgyból 2016 / tanév
9. évfolyam I. Halmazok Osztályozó- és javítóvizsga témakörei MATEMATIKA tantárgyból 2016 / 2017. tanév 1. Halmaz, részhalmaz fogalma, részhalmazok száma, jelölések 2. Intervallumok 3. Halmazműveletek
RészletesebbenHelyi tanterv Német nyelvű matematika érettségi előkészítő. 11. évfolyam
Helyi tanterv Német nyelvű matematika érettségi előkészítő 11. évfolyam Tematikai egység címe órakeret 1. Gondolkodási és megismerési módszerek 10 óra 2. Geometria 30 óra 3. Számtan, algebra 32 óra Az
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
RészletesebbenA 3D mozgáselemző rendszer és alkalmazásának lehetőségei. Dr. Béres Sándor PhD főiskolai docens SZTE JGYPK TSTI
A 3D mozgáselemző rendszer és alkalmazásának lehetőségei Dr. Béres Sándor PhD főiskolai docens SZTE JGYPK TSTI A 3D mozgáselemzés A teljesítményfokozás talán leghatékonyabb legális, kutatók, edzők, oktatók
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenOsztályozóvizsga és javítóvizsga témakörei Matematika 9. évfolyam
Osztályozóvizsga és javítóvizsga témakörei Matematika 9. évfolyam 1. félév Gondolkozás, számolás - halmazok, műveletek halmazokkal, intervallumok - racionális számok, műveletek racionális számokkal, zárójel
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenAz éghajlati modellek eredményeinek alkalmazhatósága hatásvizsgálatokban
Az éghajlati modellek eredményeinek alkalmazhatósága hatásvizsgálatokban Szépszó Gabriella Országos Meteorológiai Szolgálat, szepszo.g@met.hu RCMTéR hatásvizsgálói konzultációs workshop 2015. június 23.
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
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
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
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
RészletesebbenVALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA
VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA A VALÓSZÍNŰSÉGI SZEMLÉLET ALAPOZÁSA 1-6. OSZTÁLY A biztos, a lehetetlen és a lehet, de nem biztos események megkülünböztetése Valószínűségi játékok, kísérletek események
RészletesebbenOsztályozó- és javítóvizsga. Matematika tantárgyból
Osztályozó- és javítóvizsga Matematika tantárgyból 2018-2019 A vizsga 60 perces írásbeli vizsga (feladatlap) a megadott témakörökből. A megjelölt százalék (50%) nem teljesítése esetén szóbeli vizsga is,
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
RészletesebbenVisszacsatolt (mély) neurális hálózatok
Visszacsatolt (mély) neurális hálózatok Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Sima előrecsatolt neurális hálózat Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Pl.: kép feliratozás,
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
RészletesebbenAKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA
AKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA Kovács Ernő 1, Füvesi Viktor 2 1 Egyetemi docens, PhD; 2 tudományos segédmunkatárs 1 Eletrotechnikai és Elektronikai Tanszék, Miskolci Egyetem
RészletesebbenLoványi 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:
Részletesebben1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.
1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét
RészletesebbenDodé Réka (ELTE BTK Nyelvtudomány Doktori IskolaAlkalmazott Alknyelvdok 2017 nyelvészet program) február 3. 1 / 17
Doménspecifikus korpusz építése és validálása Dodé Réka ELTE BTK Nyelvtudomány Doktori Iskola Alkalmazott nyelvészet program 2017. február 3. Dodé Réka (ELTE BTK Nyelvtudomány Doktori IskolaAlkalmazott
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
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
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
Részletesebbeny ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
RészletesebbenRejtett Markov Modell
Rejtett Markov Modell A Rejtett Markov Modell használata beszédfelismerésben Készítette Feldhoffer Gergely felhasználva Fodróczi Zoltán előadásanyagát Áttekintés hagyományos Markov Modell Beszédfelismerésbeli
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
RészletesebbenInformáció megjelenítés Diagram tervezés
Információ megjelenítés Diagram tervezés Statisztikák Háromféle hazugság van: hazugságok, átkozott hazugságok és statisztikák A lakosság 82%-a nem eszik elég rostot. 3-ból 2 gyerek az USA-ban nem nem tudja
RészletesebbenOpponensi vélemény. Kézdi Gábor: Heterogeneity in Stock Market Expectation. and Portfolio Choice of American Households
Opponensi vélemény Kézdi Gábor: Heterogeneity in Stock Market Expectation and Portfolio Choice of American Households című, MTA doktori címre benyújtott disszertációjáról Kézdi Gábor disszertációjában
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
RészletesebbenCluster Analysis. Potyó László
Cluster Analysis Potyó László What is Cluster Analysis? Cluster: a collection of data objects Similar to one another within the same cluster Dissimilar to the objects in other clusters Cluster analysis
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
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenIdősorok elemzése. Salánki Ágnes
Idősorok elemzése Salánki Ágnes salanki.agnes@gmail.com 2012.04.13. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék 1 Idősorok analízise Alapfogalmak Komponenselemzés
RészletesebbenVALÓS HULLÁMFRONT ELŐÁLLÍTÁSA A SZÁMÍTÓGÉPES ÉS A DIGITÁLIS HOLOGRÁFIÁBAN PhD tézisfüzet
VALÓS HULLÁMFRONT ELŐÁLLÍTÁSA A SZÁMÍTÓGÉPES ÉS A DIGITÁLIS HOLOGRÁFIÁBAN PhD tézisfüzet PAPP ZSOLT Budapesti Műszaki és Gazdaságtudományi Egyetem Fizika Tanszék 2003 1 Bevezetés A lézerek megjelenését
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
RészletesebbenStatisztika I. 13. előadás Idősorok elemzése. Előadó: Dr. Ertsey Imre
Statisztika I. 13. előadás Idősorok elemzése Előadó: Dr. Ertse Imre A társadalmi - gazdasági jelenségek időbeli alakulásának törvénszerűségeit kell vizsgálni a változás, a fejlődés tendenciáját. Ezek a
RészletesebbenKözlekedéshez kifejlesztett szenzorhálózat kiépítése, tesztelése és elônyei a forgalomirányításban
Közlekedéshez kifejlesztett szenzorhálózat kiépítése, tesztelése és elônyei a forgalomirányításban SZÛCS GÁBOR Budapesti Mûszaki és Gazdaságtudományi Egyetem, Távközlési és Médiainformatikai Tanszék szucs@tmit.bme.hu
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
RészletesebbenTANMENET. a matematika tantárgy tanításához 11.E osztályok számára
Az iskola fejbélyegzője TANMENET a matematika tantárgy tanításához 11.E osztályok számára Készítette: Természettudományi Munkaközösség matematikát tanító tanárai Készült: a gimnáziumi tanterv alapján Használatos
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
RészletesebbenÚj markovi változásdetekciós modellek a képfeldolgozásban
Új markovi változásdetekciós modellek a képfeldolgozásban Ph.D. disszertáció tézisei Benedek Csaba mérnök-informatikus Tudományos vezető: Dr. Szirányi Tamás az MTA doktora Pázmány Péter Katolikus Egyetem
RészletesebbenAutópálya forgalomszabályozás felhajtókorlátozás és változtatható sebességkorlátozás összehangolásával és fejlesztési lehetőségei
Autópálya forgalomszabályozás felhajtókorlátozás és változtatható sebességkorlátozás összehangolásával és fejlesztési lehetőségei Tettamanti Tamás, Varga István, Bokor József BME Közlekedésautomatikai
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
RészletesebbenA CAN mint ipari kommunikációs protokoll CAN as industrial communication protocol
A CAN mint ipari kommunikációs protokoll CAN as industrial communication protocol Attila FODOR 1), Dénes FODOR Dr. 1), Károly Bíró Dr. 2), Loránd Szabó Dr. 2) 1) Pannon Egyetem, H-8200 Veszprém Egyetem
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
Részletesebben