Введение в разработку мультимедийных приложений с использованием библиотек OpenCV и IPP
700,00 руб.
В течение часа!
Экзамен "Введение в разработку мультимедийных приложений с использованием библиотек OpenCV и IPP" для пользователей и системных администраторов.
Форма сдачи теста: Экстерн
Количество вопросов: 30
Проходной балл: 90% и выше
Срок действия сертификата: неограничен
Сертификат появляется в профиле ресурса INTUIT, и Вы можете заказать его бумажную версию на сайте INTUIT.
Количество вопросов: 30
Проходной балл: 90% и выше
Срок действия сертификата: неограничен
Сертификат появляется в профиле ресурса INTUIT, и Вы можете заказать его бумажную версию на сайте INTUIT.
12450 шт.
Внимание !
Вопросы к тесту выложены исключительно в ознакомительных целях: количество вопросов может не совпадать с действительным, актуальность не поддерживается,- за решением теста Welcome to the cashier!
При перспективной проекции параллельные линии:
не могут пересекаться
остаются параллельными
могут пересекаться на изображении
С помощью линейной фильтрации можно:
и то, и другое
сделать изображение более чётким
сделать изображение более размытым.
При формировании изображения с помощью перспективной проекции размер проекции объекта
обратно пропорционален фокусному расстоянию
прямо пропорционален фокусному расстоянию
равен размеру объекта
Какие из перечисленных ниже свойств связанных компонент являются инвариантными к повороту изображения.
центр тяжести
периметр
описывающий прямоугольник
Интегральное изображение можно использовать для
быстрого нахождения минимального значения яркости в прямоугольной области
быстрого вычисления средней яркостей пикселей в прямоугольной области
и то, и другое
Окрестность угловая точка на изображении:
не изменяется только в одном направлении
изменяется в любом направлении
не изменяется в любом направлении
В цветовом пространстве HSV H-канал соответствует:
яркости пикселя
насыщенности цвета
оттенку цвета
Медианная фильтрация изображения по сравнению с линейной фильтрацией фильтром с ядром представленным единичной
сделать изображение более чётким
и то, и другое
сделать изображение более размытым
Аппроксимация контура объекта нужна для:
более компактного представления контура
для того и другого
для ускорения подсчета контурных признаков
Какие из перечисленных ниже свойств связанных компонент являются инвариантными к сдвигу связанной компоненты.
центр тяжести
описывающий прямоугольник
центральные моменты
Сколько четырех связанных компонент на приведенном ниже рисунке:
1
4
3
Сколько восьми связанных компонент на приведенном ниже рисунке:
1
3
4
Фильтр Собеля используется для
оценки интеграла функции интенсивности
оценки производной функции интенсивности
В цветовом пространстве YUV яркостная компонента соответствует:
Y - каналу
V - каналу
U - каналу
Какой из приведенных ниже фильтров сделает изображение более размытым:
1 2 1
2 4 2
1 2 1
1 1 1
1 1 1
1 1 1
второй
первый
Границы объектов на изображении соответствуют:
пикселам, в которых норма градиента больше определенного порога
пикселам, в которых обе производные функции интенсивности по модулю больше определенного порога
пикселам, в которых производная функции интенсивности по Y больше, чем производная по X
Угловым точкам соответствуют точки, в которых:
оба собственных числа матрицы Харриса меньше определенного порога
оба собственных числа матрицы Харриса больше определенного порога
хотя бы одно из собственных числа матрицы Харриса больше определенного порога
Какие точки на изображении наиболее подходят для вычисления оптического потока LK-методом.
Точки принадлежащие прямолинейным участкам границы объекта.
Точки соответствующие однородным областям объекта
Точки соответствующие непрямолинейным участкам границы объекта
Пиксель можно классифицировать как принадлежащий тени объекта если:
имеет одинаковые интенсивность и цвет с фоновым изображением
он темнее пиксела фонового изображения и имеет одинаковые цветовые характеристики
он светлее пиксела фонового изображения и имеет разные цветовые характеристики
Какие из перечисленных ниже задач компьютерного зрения относятся к задачам видеонаблюдения:
задача поиска логотипа на изображении
задача распознавания дорожых знаков
задача нахождения оставленных предметов
Основное назначение операции выравнивания гистограммы:
удаление шумов на изображении
размытие изображения
повышение контрастности изображения
Пусть заданы изображения
Изображение (2) является результатом применения к изображению (1) следующей операции:
эрозия
дилатация
размытие
Применение оператора дилатации:
увеличивает относительную площадь светлых областей на изображении
уменьшает относительную площадь светлых областей на изображении
не влияет на относительную площадь светлых областей на изображении
Пусть задано черно-белое изображение некоторого объекта. Чтобы уменьшить зернистость границы объекта, необходимо применить:
размыкание
замыкание
морфологический градиент
Пусть дано черно-белое изображение, содержащее шум, представляющий собой изолированные пиксели. Для удаления шума подобного рода целесообразно применить следующую морфологическую операцию:
морфологический градиент
замыкание
размыкание
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
эрозия
размыкание
замыкание
дилатация
Пусть задано черно-белое изображение:
Какое изображение получится в результате применения операции размыкания?
изображение не изменится
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано следующее изображение в оттенках серого:
Какое изображение получится в результате применения операции размытия с ядром размера 3x3? Граница дополняется посредством дублирования.
изображение, показанное на 2-ом рисунке
изображение, показанное на 1-ом рисунке
изображение, показанное на 3-ем рисунке
Какая функция библиотеки OpenCV позволяет вычислить эрозию исходного изображения?
dilate
morphologyEx
erode
Какая функция библиотеки OpenCV позволяет вычислить дилатацию исходного изображения?
morphologyEx
dilate
erode
Какая функция библиотеки OpenCV позволяет построить ребра на изображении?
Canny(…)
Sobel(…)
Laplace(…)
Какой метод вычитания фона наиболее адаптирован к динамическому изменению фона:
метод обучения фона с помощью скользящего среднего
гистограмный метод
метод вычитания статического фона
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления оператора Лапласа (для граничных пикселей выполняется дублирование)?
полностью черное изображение
изображение, показанное на следующем рисунке
полностью белое изображение
изображение, показанное на следующем рисунке
Пусть задано бинарное изображение:
Какое изображение получится в результате применения эрозии?
полностью белое изображение
полностью черное изображение
изображение, показанное на следующем рисунке
При повышении контраста сумма норм градиентов на изображении:
понижается
остается неизменной
повышается
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции замыкания?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Назначение функции filter2D:
вычисление функции линейной свертки
Фильтрация шумов на изображении
определение ребер на изображении
Пусть задано бинарное изображение
Какое изображение получится в результате выполнения морфологической операции замыкания?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Одним из возможных практических применений оператора Собеля является:
сглаживание изображения
удаление шумов на изображении
выделение границ объектов на изображении
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
размыкание
замыкание
эрозия
дилатация
вертикальный оператор Собеля
горизонтальный оператор Собеля
Какое ядро используется при вызове функции boxFilter из библиотеки OpenCV?
Пусть задано бинарное изображение:
Какое изображение получится в результате применения морфологической операции «черная шляпа» («black hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
LK - метод вычисления оптического потока осуществляет следующие вычисления:
минимизирует сумму квадратов расстояний между интенсивностями пикселов в соответствующих областях соседних кадров
максимизирует рассогласование между соседними кадрами видеопотока
ищет ближайшие по цвету пикселы в соседних кадрах
Пусть задано черно-белое изображение:
Какое изображение получится в результате вычисления морфологического градиента?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
замыкание
вертикальный оператор Собеля
размыкание
дилатация
эрозия
горизонтальный оператор Собеля
Пусть задано черно-белое изображение:
Какое изображение получится в результате применения операции размыкания?
изображение, показанное на следующем рисунке
изображение не изменится
изображение, показанное на следующем рисунке
Какая функция библиотеки OpenCV позволяет вычислить эрозию исходного изображения?
morphologyEx
erode
dilate
Применение оператора Собеля с ядром позволяет выделить на изображении:
горизонтальные ребра
горизонтальные и вертикальные ребра
вертикальные ребра
Гистограмма черно-белого изображения качественно выглядит следующим образом:
гистограмма содержит два пика, соответствующие интенсивностям, равным 0 и 255. Величина пиков в гистограмме совпадает
гистограмма содержит два пика, соответствующие интенсивностям, равным 0 и 255. Соответственно первый пик определяет количество пикселей черного цвета, второй пик – белого
гистограмма содержит два пика, соответствующие интенсивностям, равным 0 и 255. Соответственно первый пик определяет количество пикселей белого цвета, второй пик – черного
Применение морфологической операции «эрозия»:
не влияет на относительную площадь светлых областей на изображении
уменьшает относительную площадь светлых областей на изображении
увеличивает относительную площадь светлых областей на изображении
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции дилатации?
полностью черное изображение
изображение, показанное на следующем рисунке
изображение не изменится
полностью белое изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления дилатации?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Применение оператора Собеля с ядром позволяет выделить на изображении:
горизонтальные и вертикальные ребра
горизонтальные ребра
вертикальные ребра
Пусть задано бинарное изображение:Какое изображение получится в результате применения операции замыкания?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Основное отличие операции нормализации гистограммы от операции линейной растяжки гистограммы:
целью операции нормализации гистограммы является соответствие
в операции нормализации гистограммы используется нелинейное преобразование интенсивностей пикселей исходного изображения
в операции нормализации гистограммы используется наиболее информативная часть диапазона интенсивностей изображения
Пусть задано бинарное изображение:Какое изображение получится в результате применения морфологической операции «черная шляпа» («black hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
В основе детектора ребер Канни лежит:
размытие с гауссовым фильтром
оператор Собеля
операция дилатации
Пусть заданы изображения:
замыкание
горизонтальный оператор Собеля
дилатация
вертикальный оператор Собеля
эрозия
Пусть заданы изображения:
вертикальный оператор Собеля
эрозия
замыкание
горизонтальный оператор Собеля
дилатация
Полосно-пропускающий фильтр изменяет:
фазу преобразования Фурье
спектр преобразования Фурье.
и то, и другое
Пусть задано изображение:
Какое изображение получится в результате применения оператора Собеля с ядром ? Граница дополняется посредством дублирования.
полностью черное изображение
полностью белое изображение
изображение, показанное на рисунке
Пусть задано изображение:
Какое изображение получится в результате применения оператора Собеля с ядром ? Граница дополняется посредством дублирования.
изображение, показанное на рисунке
полностью черное изображение
полностью белое изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате применения морфологической операции «верх шляпы» («top hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Какие из перечисленных ниже задач относятся к задачам компьютерного зрения:
задача помощи водителю по визуальным данным
задача сжатия изображений
задача идентификации человека по голосу
Пусть задано изображение:
Какое изображение получится изображение в результате применения эрозии:
полностью белое изображение
белое изображение, у которого левая и правая границы содержат черные линии толщиной в 1 пиксель
полностью черное изображение
Гистограмма изображения позволяет получить:
статистическую картину о расположении пикселей разной интенсивности на изображении
статистическую картину о распределении интенсивностей пикселей заданного изображения
статистическую картину о распределении цветов на изображени
Пусть задано бинарное изображение:
Какое изображение получится в результате выполнения морфологической операции «черная шляпа» («black hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано изображение в оттенках серого:
Какое изображение получится в результате применения медианного фильтра?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
полностью черное изображение
применение операции не меняет изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления эрозии?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Какая оператор позволяет вычислить градиент изображения?
оператор Собеля
оператор Гаусса с ядром 5
оператор Лапласа
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления эрозии?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано черно-белое изображение:
Какое изображение получится в результате применения операции замыкания?
изображение не изменится
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Какое ядро используется при вызове функции blur из библиотеки OpenCV?
Пусть задано черно-белое изображение:
Какое изображение получится в результате применения медианного фильтра?
изображение, показанное на следующем рисунке
полностью черное изображение
изображение, показанное на следующем рисунке
применение операции не меняет изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции размыкания?
изображение, показанное на следующем рисунке
полностью черное изображение
полностью белое изображение
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
горизонтальный оператор Собеля
вертикальный оператор Собеля
эрозия
замыкание
дилатация
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
оператора Лапласа
однозначно определить нельзя
детектора ребер Канни
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции замыкания?
изображение, показанное на следующем рисунке
полностью черное изображение
полностью белое изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления морфологического градиента?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть заданы изображения
Изображение (2) является результатом применения к изображению (1) следующей операции:
эрозия
дилатация
размытие
Пусть задано бинарное изображение:
Какое изображение получится в результате выполнения морфологической операции «верх шляпы» («top hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано следующее изображение в оттенках серого:
Какое изображение получится в результате применения операции размытия с ядром размера 3x3? Граница дополняется посредством дублирования.
изображение, показанное на 1-ом рисунке
изображение, показанное на 3-ом рисунке
изображение, показанное на 2-ом рисунке
Пусть задано изображение:Какое изображение получится изображение в результате применения дилатации:
полностью черное изображение
полностью белое изображение
белое изображение, у которого левая и правая границы содержат черные линии толщиной в 1 пиксель
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции размыкания?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано бинарное изображение:
Какое изображение получится в результате применения дилатации?
полностью черное изображение
полностью белое изображение
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
оператора Собеля с ядром
оператора Собеля с ядром
детектора ребер Канни
Укажите ядро Гауссова размытия?
Выберите ядро оператора Лапласа.
Пусть заданы изображения:
дилатация
горизонтальный оператор Собеля
вертикальный оператор Собеля
замыкание
эрозия
Пусть заданы изображения:
эрозия
морфологический градиент
горизонтальный оператор Собеля
замыкание
дилатация
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления морфологического градиента?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Классификацией называется
задача построения по обучающей выборке функции, по входным переменным определяющей значение количественной объясняющей переменной
задача разбиения заданного множества объектов на непересекающиеся подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались
задача построения по обучающей выборке, состоящей из конечного множества объектов, для которых известно, к каким классам они относятся, алгоритма, способного классифицировать произвольный объект
Пусть ошибка классификатора, построенного по методу k-ближайших соседей, на тестовой выборке много больше ошибки на обучающей выборке. Какое из следующих действий разумно предпринять для исправления ситуации:
уменьшить k и построить новый классификатор
увеличить k и построить новый классификатор
Переобучением называется:
эффект, при котором ошибка решающего правила на тестовой выборке много больше ошибки на обучающей выборке
эффект, при котором ошибка решающего правила на тестовой выборке много меньше ошибки на обучающей выборке
Какие из следующих задач являются задачами обучения с учителем:
кластеризация
понижение размерности
классификация
прогнозирование временных рядов
восстановление регрессии
Пусть – обучающая выборка, причем . Указать правильную формулировку задачи нахождения оптимальной разделяющей гиперплоскости (в случае линейно разделимых классов):
при ограничениях
при ограничениях
Если точки из обучающей выборки, принадлежащие разным классам, линейно неразделимы, то:
можно применять машину опорных векторов с любым ядром
машину опорных векторов применять нельзя
можно применять машину опорных векторов только с нелинейным ядром
Кластеризацией называется
задача построения по обучающей выборке функции, по входным переменным определяющей значение количественной объясняющей переменной
задача построения по обучающей выборке, состоящей из конечного множества объектов, для которых известно, к каким классам они относятся, алгоритма, способного классифицировать произвольный объект
задача разбиения заданного множества объектов на непересекающиеся подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались
Пусть – обучающая выборка, причем y . Указать правильную формулировку задачи нахождения оптимальной разделяющей гиперплоскости:
при ограничениях
при ограничениях
при ограничениях
при ограничениях
при ограничениях
при ограничениях
Задачей восстановления регрессии называется
задача построения по обучающей выборке функции, по входным переменным определяющей значение количественной объясняющей переменной
задача разбиения заданного множества объектов на непересекающиеся подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались
задача построения по обучающей выборке, состоящей из конечного множества объектов, для которых известно, к каким классам они относятся, алгоритма, способного классифицировать произвольный объект
Какие из следующих методов нечувствительны к монотонным преобразованиям входных параметров:
деревья решений
машина опорных векторов (SVM)
метод k ближайших соседей
случайные леса (Random Forests)
Случайный лес (Random Forests) является:
Баггинг-алгоритмом (bagging)
Бустинг-алгоритмом (boosting)
модификацией алгоритма машины опорных векторов
Деревья решений разбивают пространство признаков
сферические области
на непересекающиеся параллелепипеды со сторонами, параллельными осям координат
на пересекающиеся параллелепипеды со сторонами, параллельными осям координат
Идея баггинг-алгоритмов (bagging) заключается в:
совместном использовании алгоритмов кластеризации и классификации
последовательном построении классификаторов, корректирующих ошибки предыдущих
построении множества «независимых» классификаторов
Использование ядер в машине опорных векторов позволяет:
строить нелинейную разделяющую поверхность в исходном пространстве признаков
задавать точки, через которые должна пройти разделяющая поверхность
разбивать пространство признаков на части и решать задачу классификации в каждой части независимо
Для чего выполняется процедура отсечений (pruning) после построения дерева решений:
для того, чтобы все пути от корня к листьям имели одинаковую длину
для борьбы с переобучением
для того, чтобы подобрать функцию неоднородности (impurity)
В алгоритме случайного леса деревья решений строятся:
на бутстрэп-выборке и с использованием случайно выбранных переменных (признаков)
путем генерации случайных разбиений в некоторых узлах дерева
путем добавления случайного шума к значениям признаков
Дерево решений (CART) строится c использованием:
жадного алгоритма минимизации функции неоднородности (impurity)
алгоритма глобальной минимизации функции неоднородности (impurity)
алгоритма одновременной минимизации размера дерева и функции неоднородности (impurity)
Машинное обучение – это:
наука, изучающая модели и разрабатывающая методы обучения человека с помощью информационных технологий
обучение с помощью Интернет и мультимедиа
область научного знания, изучающая методы построения алгоритмов, способных обучаться
Индуктивное обучение – это:
метод мышления, при котором частное положение логическим путём выводится из общего
обучение, основанное на использовании метода математической индукции
выявлении общих закономерностей по частным эмпирическим данным
Дедуктивное обучение – это:
обучение, основанное на формализации знаний экспертов и выводе из этих знаний новых правил и фактов
процесс логического вывода на основе перехода от частного положения к общему
обучение с помощью Интернет и мультимедиа
Если каждый из двух классов не пуст и классы линейно разделимы, то
существует оптимальная разделяющая гиперплоскость, в общем случае неединственная
существует единственная оптимальная разделяющая гиперплоскость
существует бесконечно много оптимальных разделяющих гиперплоскостей
Какая из следующих задач является задачей обучения без учителя:
восстановление регрессии
визуализация данных
классификация
Какая из следующих задач является задачей обучения без учителя:
классификация
кластеризация
восстановление регрессии
Какие из следующих задач являются задачами обучения без учителя:
прогнозирование временных рядов
восстановление регрессии
кластеризация
понижение размерности
классификация
Пусть обучающая выборка состоит из объектов двух классов. Оптимальная разделяющая гиперплоскость – это гиперплоскость, разделяющая объекты этих классов, такая, что
расстояние от нее до наиболее удаленной точки обучающей выборки минимально
расстояние от нее до ближайшей точки обучающей выборки минимально
расстояние от нее до наиболее удаленной точки обучающей выборки максимально
расстояние от нее до ближайшей точки обучающей выборки максимально
Какая из следующих задач является задачей обучения с учителем:
кластеризация
понижение размерности
классификации
Какая из следующих задач является задачей обучения с учителем:
восстановление регрессии
кластеризация
понижение размерности
Машина опорных векторов с линейным ядром строит границу между объектами двух классов в виде:
поверхности, проходящей через все опорные точки
линейной комбинации деревьев решений
гиперплоскости
Метод деревьев решений применяется для решения задач:
только восстановления регрессии
только классификации
и классификации и восстановления регрессии
Бутстрэп-выборка – это:
выборка, полученная из исходной путем процедуры изъятия без возвращения
то же самое, что и обучающая выборка
выборка, полученная из исходной путем процедуры изъятия с возвращением
Метод перекрестного (скользящего) контроля предназначен для:
проверки правильности вычисления решающего правила
проверки правильности работы алгоритма обучения
оценки обобщающей способности решающего правила
Обобщающая способность – это:
свойство метода синтезировать новые алгоритмы обучения, обобщающие известные
способность решающего правила правильно предсказывать ответ на объектах обучающей выборки
свойство решающего правила выдавать «близкие» к реальным ответы на объектах, не используемых для обучения
Что такое эмпирический риск?
среднеквадратическое отклонение штрафной функции
математическое ожидание значения штрафной функции
среднее значение штрафной функции на обучающей выборке
Вопросы к тесту выложены исключительно в ознакомительных целях: количество вопросов может не совпадать с действительным, актуальность не поддерживается,- за решением теста Welcome to the cashier!
При перспективной проекции параллельные линии:
не могут пересекаться
остаются параллельными
могут пересекаться на изображении
С помощью линейной фильтрации можно:
и то, и другое
сделать изображение более чётким
сделать изображение более размытым.
При формировании изображения с помощью перспективной проекции размер проекции объекта
обратно пропорционален фокусному расстоянию
прямо пропорционален фокусному расстоянию
равен размеру объекта
Какие из перечисленных ниже свойств связанных компонент являются инвариантными к повороту изображения.
центр тяжести
периметр
описывающий прямоугольник
Интегральное изображение можно использовать для
быстрого нахождения минимального значения яркости в прямоугольной области
быстрого вычисления средней яркостей пикселей в прямоугольной области
и то, и другое
Окрестность угловая точка на изображении:
не изменяется только в одном направлении
изменяется в любом направлении
не изменяется в любом направлении
В цветовом пространстве HSV H-канал соответствует:
яркости пикселя
насыщенности цвета
оттенку цвета
Медианная фильтрация изображения по сравнению с линейной фильтрацией фильтром с ядром представленным единичной
сделать изображение более чётким
и то, и другое
сделать изображение более размытым
Аппроксимация контура объекта нужна для:
более компактного представления контура
для того и другого
для ускорения подсчета контурных признаков
Какие из перечисленных ниже свойств связанных компонент являются инвариантными к сдвигу связанной компоненты.
центр тяжести
описывающий прямоугольник
центральные моменты
Сколько четырех связанных компонент на приведенном ниже рисунке:
1
4
3
Сколько восьми связанных компонент на приведенном ниже рисунке:
1
3
4
Фильтр Собеля используется для
оценки интеграла функции интенсивности
оценки производной функции интенсивности
В цветовом пространстве YUV яркостная компонента соответствует:
Y - каналу
V - каналу
U - каналу
Какой из приведенных ниже фильтров сделает изображение более размытым:
1 2 1
2 4 2
1 2 1
1 1 1
1 1 1
1 1 1
второй
первый
Границы объектов на изображении соответствуют:
пикселам, в которых норма градиента больше определенного порога
пикселам, в которых обе производные функции интенсивности по модулю больше определенного порога
пикселам, в которых производная функции интенсивности по Y больше, чем производная по X
Угловым точкам соответствуют точки, в которых:
оба собственных числа матрицы Харриса меньше определенного порога
оба собственных числа матрицы Харриса больше определенного порога
хотя бы одно из собственных числа матрицы Харриса больше определенного порога
Какие точки на изображении наиболее подходят для вычисления оптического потока LK-методом.
Точки принадлежащие прямолинейным участкам границы объекта.
Точки соответствующие однородным областям объекта
Точки соответствующие непрямолинейным участкам границы объекта
Пиксель можно классифицировать как принадлежащий тени объекта если:
имеет одинаковые интенсивность и цвет с фоновым изображением
он темнее пиксела фонового изображения и имеет одинаковые цветовые характеристики
он светлее пиксела фонового изображения и имеет разные цветовые характеристики
Какие из перечисленных ниже задач компьютерного зрения относятся к задачам видеонаблюдения:
задача поиска логотипа на изображении
задача распознавания дорожых знаков
задача нахождения оставленных предметов
Основное назначение операции выравнивания гистограммы:
удаление шумов на изображении
размытие изображения
повышение контрастности изображения
Пусть заданы изображения
Изображение (2) является результатом применения к изображению (1) следующей операции:
эрозия
дилатация
размытие
Применение оператора дилатации:
увеличивает относительную площадь светлых областей на изображении
уменьшает относительную площадь светлых областей на изображении
не влияет на относительную площадь светлых областей на изображении
Пусть задано черно-белое изображение некоторого объекта. Чтобы уменьшить зернистость границы объекта, необходимо применить:
размыкание
замыкание
морфологический градиент
Пусть дано черно-белое изображение, содержащее шум, представляющий собой изолированные пиксели. Для удаления шума подобного рода целесообразно применить следующую морфологическую операцию:
морфологический градиент
замыкание
размыкание
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
эрозия
размыкание
замыкание
дилатация
Пусть задано черно-белое изображение:
Какое изображение получится в результате применения операции размыкания?
изображение не изменится
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано следующее изображение в оттенках серого:
Какое изображение получится в результате применения операции размытия с ядром размера 3x3? Граница дополняется посредством дублирования.
изображение, показанное на 2-ом рисунке
изображение, показанное на 1-ом рисунке
изображение, показанное на 3-ем рисунке
Какая функция библиотеки OpenCV позволяет вычислить эрозию исходного изображения?
dilate
morphologyEx
erode
Какая функция библиотеки OpenCV позволяет вычислить дилатацию исходного изображения?
morphologyEx
dilate
erode
Какая функция библиотеки OpenCV позволяет построить ребра на изображении?
Canny(…)
Sobel(…)
Laplace(…)
Какой метод вычитания фона наиболее адаптирован к динамическому изменению фона:
метод обучения фона с помощью скользящего среднего
гистограмный метод
метод вычитания статического фона
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления оператора Лапласа (для граничных пикселей выполняется дублирование)?
полностью черное изображение
изображение, показанное на следующем рисунке
полностью белое изображение
изображение, показанное на следующем рисунке
Пусть задано бинарное изображение:
Какое изображение получится в результате применения эрозии?
полностью белое изображение
полностью черное изображение
изображение, показанное на следующем рисунке
При повышении контраста сумма норм градиентов на изображении:
понижается
остается неизменной
повышается
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции замыкания?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Назначение функции filter2D:
вычисление функции линейной свертки
Фильтрация шумов на изображении
определение ребер на изображении
Пусть задано бинарное изображение
Какое изображение получится в результате выполнения морфологической операции замыкания?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Одним из возможных практических применений оператора Собеля является:
сглаживание изображения
удаление шумов на изображении
выделение границ объектов на изображении
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
размыкание
замыкание
эрозия
дилатация
вертикальный оператор Собеля
горизонтальный оператор Собеля
Какое ядро используется при вызове функции boxFilter из библиотеки OpenCV?
Пусть задано бинарное изображение:
Какое изображение получится в результате применения морфологической операции «черная шляпа» («black hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
LK - метод вычисления оптического потока осуществляет следующие вычисления:
минимизирует сумму квадратов расстояний между интенсивностями пикселов в соответствующих областях соседних кадров
максимизирует рассогласование между соседними кадрами видеопотока
ищет ближайшие по цвету пикселы в соседних кадрах
Пусть задано черно-белое изображение:
Какое изображение получится в результате вычисления морфологического градиента?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
замыкание
вертикальный оператор Собеля
размыкание
дилатация
эрозия
горизонтальный оператор Собеля
Пусть задано черно-белое изображение:
Какое изображение получится в результате применения операции размыкания?
изображение, показанное на следующем рисунке
изображение не изменится
изображение, показанное на следующем рисунке
Какая функция библиотеки OpenCV позволяет вычислить эрозию исходного изображения?
morphologyEx
erode
dilate
Применение оператора Собеля с ядром позволяет выделить на изображении:
горизонтальные ребра
горизонтальные и вертикальные ребра
вертикальные ребра
Гистограмма черно-белого изображения качественно выглядит следующим образом:
гистограмма содержит два пика, соответствующие интенсивностям, равным 0 и 255. Величина пиков в гистограмме совпадает
гистограмма содержит два пика, соответствующие интенсивностям, равным 0 и 255. Соответственно первый пик определяет количество пикселей черного цвета, второй пик – белого
гистограмма содержит два пика, соответствующие интенсивностям, равным 0 и 255. Соответственно первый пик определяет количество пикселей белого цвета, второй пик – черного
Применение морфологической операции «эрозия»:
не влияет на относительную площадь светлых областей на изображении
уменьшает относительную площадь светлых областей на изображении
увеличивает относительную площадь светлых областей на изображении
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции дилатации?
полностью черное изображение
изображение, показанное на следующем рисунке
изображение не изменится
полностью белое изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления дилатации?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Применение оператора Собеля с ядром позволяет выделить на изображении:
горизонтальные и вертикальные ребра
горизонтальные ребра
вертикальные ребра
Пусть задано бинарное изображение:Какое изображение получится в результате применения операции замыкания?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Основное отличие операции нормализации гистограммы от операции линейной растяжки гистограммы:
целью операции нормализации гистограммы является соответствие
в операции нормализации гистограммы используется нелинейное преобразование интенсивностей пикселей исходного изображения
в операции нормализации гистограммы используется наиболее информативная часть диапазона интенсивностей изображения
Пусть задано бинарное изображение:Какое изображение получится в результате применения морфологической операции «черная шляпа» («black hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
В основе детектора ребер Канни лежит:
размытие с гауссовым фильтром
оператор Собеля
операция дилатации
Пусть заданы изображения:
замыкание
горизонтальный оператор Собеля
дилатация
вертикальный оператор Собеля
эрозия
Пусть заданы изображения:
вертикальный оператор Собеля
эрозия
замыкание
горизонтальный оператор Собеля
дилатация
Полосно-пропускающий фильтр изменяет:
фазу преобразования Фурье
спектр преобразования Фурье.
и то, и другое
Пусть задано изображение:
Какое изображение получится в результате применения оператора Собеля с ядром ? Граница дополняется посредством дублирования.
полностью черное изображение
полностью белое изображение
изображение, показанное на рисунке
Пусть задано изображение:
Какое изображение получится в результате применения оператора Собеля с ядром ? Граница дополняется посредством дублирования.
изображение, показанное на рисунке
полностью черное изображение
полностью белое изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате применения морфологической операции «верх шляпы» («top hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Какие из перечисленных ниже задач относятся к задачам компьютерного зрения:
задача помощи водителю по визуальным данным
задача сжатия изображений
задача идентификации человека по голосу
Пусть задано изображение:
Какое изображение получится изображение в результате применения эрозии:
полностью белое изображение
белое изображение, у которого левая и правая границы содержат черные линии толщиной в 1 пиксель
полностью черное изображение
Гистограмма изображения позволяет получить:
статистическую картину о расположении пикселей разной интенсивности на изображении
статистическую картину о распределении интенсивностей пикселей заданного изображения
статистическую картину о распределении цветов на изображени
Пусть задано бинарное изображение:
Какое изображение получится в результате выполнения морфологической операции «черная шляпа» («black hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано изображение в оттенках серого:
Какое изображение получится в результате применения медианного фильтра?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
полностью черное изображение
применение операции не меняет изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления эрозии?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Какая оператор позволяет вычислить градиент изображения?
оператор Собеля
оператор Гаусса с ядром 5
оператор Лапласа
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления эрозии?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано черно-белое изображение:
Какое изображение получится в результате применения операции замыкания?
изображение не изменится
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Какое ядро используется при вызове функции blur из библиотеки OpenCV?
Пусть задано черно-белое изображение:
Какое изображение получится в результате применения медианного фильтра?
изображение, показанное на следующем рисунке
полностью черное изображение
изображение, показанное на следующем рисунке
применение операции не меняет изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции размыкания?
изображение, показанное на следующем рисунке
полностью черное изображение
полностью белое изображение
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
горизонтальный оператор Собеля
вертикальный оператор Собеля
эрозия
замыкание
дилатация
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
оператора Лапласа
однозначно определить нельзя
детектора ребер Канни
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции замыкания?
изображение, показанное на следующем рисунке
полностью черное изображение
полностью белое изображение
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления морфологического градиента?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть заданы изображения
Изображение (2) является результатом применения к изображению (1) следующей операции:
эрозия
дилатация
размытие
Пусть задано бинарное изображение:
Какое изображение получится в результате выполнения морфологической операции «верх шляпы» («top hat»)?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано следующее изображение в оттенках серого:
Какое изображение получится в результате применения операции размытия с ядром размера 3x3? Граница дополняется посредством дублирования.
изображение, показанное на 1-ом рисунке
изображение, показанное на 3-ом рисунке
изображение, показанное на 2-ом рисунке
Пусть задано изображение:Какое изображение получится изображение в результате применения дилатации:
полностью черное изображение
полностью белое изображение
белое изображение, у которого левая и правая границы содержат черные линии толщиной в 1 пиксель
Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции размыкания?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть задано бинарное изображение:
Какое изображение получится в результате применения дилатации?
полностью черное изображение
полностью белое изображение
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):
оператора Собеля с ядром
оператора Собеля с ядром
детектора ребер Канни
Укажите ядро Гауссова размытия?
Выберите ядро оператора Лапласа.
Пусть заданы изображения:
дилатация
горизонтальный оператор Собеля
вертикальный оператор Собеля
замыкание
эрозия
Пусть заданы изображения:
эрозия
морфологический градиент
горизонтальный оператор Собеля
замыкание
дилатация
Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления морфологического градиента?
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
Классификацией называется
задача построения по обучающей выборке функции, по входным переменным определяющей значение количественной объясняющей переменной
задача разбиения заданного множества объектов на непересекающиеся подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались
задача построения по обучающей выборке, состоящей из конечного множества объектов, для которых известно, к каким классам они относятся, алгоритма, способного классифицировать произвольный объект
Пусть ошибка классификатора, построенного по методу k-ближайших соседей, на тестовой выборке много больше ошибки на обучающей выборке. Какое из следующих действий разумно предпринять для исправления ситуации:
уменьшить k и построить новый классификатор
увеличить k и построить новый классификатор
Переобучением называется:
эффект, при котором ошибка решающего правила на тестовой выборке много больше ошибки на обучающей выборке
эффект, при котором ошибка решающего правила на тестовой выборке много меньше ошибки на обучающей выборке
Какие из следующих задач являются задачами обучения с учителем:
кластеризация
понижение размерности
классификация
прогнозирование временных рядов
восстановление регрессии
Пусть – обучающая выборка, причем . Указать правильную формулировку задачи нахождения оптимальной разделяющей гиперплоскости (в случае линейно разделимых классов):
при ограничениях
при ограничениях
Если точки из обучающей выборки, принадлежащие разным классам, линейно неразделимы, то:
можно применять машину опорных векторов с любым ядром
машину опорных векторов применять нельзя
можно применять машину опорных векторов только с нелинейным ядром
Кластеризацией называется
задача построения по обучающей выборке функции, по входным переменным определяющей значение количественной объясняющей переменной
задача построения по обучающей выборке, состоящей из конечного множества объектов, для которых известно, к каким классам они относятся, алгоритма, способного классифицировать произвольный объект
задача разбиения заданного множества объектов на непересекающиеся подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались
Пусть – обучающая выборка, причем y . Указать правильную формулировку задачи нахождения оптимальной разделяющей гиперплоскости:
при ограничениях
при ограничениях
при ограничениях
при ограничениях
при ограничениях
при ограничениях
Задачей восстановления регрессии называется
задача построения по обучающей выборке функции, по входным переменным определяющей значение количественной объясняющей переменной
задача разбиения заданного множества объектов на непересекающиеся подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались
задача построения по обучающей выборке, состоящей из конечного множества объектов, для которых известно, к каким классам они относятся, алгоритма, способного классифицировать произвольный объект
Какие из следующих методов нечувствительны к монотонным преобразованиям входных параметров:
деревья решений
машина опорных векторов (SVM)
метод k ближайших соседей
случайные леса (Random Forests)
Случайный лес (Random Forests) является:
Баггинг-алгоритмом (bagging)
Бустинг-алгоритмом (boosting)
модификацией алгоритма машины опорных векторов
Деревья решений разбивают пространство признаков
сферические области
на непересекающиеся параллелепипеды со сторонами, параллельными осям координат
на пересекающиеся параллелепипеды со сторонами, параллельными осям координат
Идея баггинг-алгоритмов (bagging) заключается в:
совместном использовании алгоритмов кластеризации и классификации
последовательном построении классификаторов, корректирующих ошибки предыдущих
построении множества «независимых» классификаторов
Использование ядер в машине опорных векторов позволяет:
строить нелинейную разделяющую поверхность в исходном пространстве признаков
задавать точки, через которые должна пройти разделяющая поверхность
разбивать пространство признаков на части и решать задачу классификации в каждой части независимо
Для чего выполняется процедура отсечений (pruning) после построения дерева решений:
для того, чтобы все пути от корня к листьям имели одинаковую длину
для борьбы с переобучением
для того, чтобы подобрать функцию неоднородности (impurity)
В алгоритме случайного леса деревья решений строятся:
на бутстрэп-выборке и с использованием случайно выбранных переменных (признаков)
путем генерации случайных разбиений в некоторых узлах дерева
путем добавления случайного шума к значениям признаков
Дерево решений (CART) строится c использованием:
жадного алгоритма минимизации функции неоднородности (impurity)
алгоритма глобальной минимизации функции неоднородности (impurity)
алгоритма одновременной минимизации размера дерева и функции неоднородности (impurity)
Машинное обучение – это:
наука, изучающая модели и разрабатывающая методы обучения человека с помощью информационных технологий
обучение с помощью Интернет и мультимедиа
область научного знания, изучающая методы построения алгоритмов, способных обучаться
Индуктивное обучение – это:
метод мышления, при котором частное положение логическим путём выводится из общего
обучение, основанное на использовании метода математической индукции
выявлении общих закономерностей по частным эмпирическим данным
Дедуктивное обучение – это:
обучение, основанное на формализации знаний экспертов и выводе из этих знаний новых правил и фактов
процесс логического вывода на основе перехода от частного положения к общему
обучение с помощью Интернет и мультимедиа
Если каждый из двух классов не пуст и классы линейно разделимы, то
существует оптимальная разделяющая гиперплоскость, в общем случае неединственная
существует единственная оптимальная разделяющая гиперплоскость
существует бесконечно много оптимальных разделяющих гиперплоскостей
Какая из следующих задач является задачей обучения без учителя:
восстановление регрессии
визуализация данных
классификация
Какая из следующих задач является задачей обучения без учителя:
классификация
кластеризация
восстановление регрессии
Какие из следующих задач являются задачами обучения без учителя:
прогнозирование временных рядов
восстановление регрессии
кластеризация
понижение размерности
классификация
Пусть обучающая выборка состоит из объектов двух классов. Оптимальная разделяющая гиперплоскость – это гиперплоскость, разделяющая объекты этих классов, такая, что
расстояние от нее до наиболее удаленной точки обучающей выборки минимально
расстояние от нее до ближайшей точки обучающей выборки минимально
расстояние от нее до наиболее удаленной точки обучающей выборки максимально
расстояние от нее до ближайшей точки обучающей выборки максимально
Какая из следующих задач является задачей обучения с учителем:
кластеризация
понижение размерности
классификации
Какая из следующих задач является задачей обучения с учителем:
восстановление регрессии
кластеризация
понижение размерности
Машина опорных векторов с линейным ядром строит границу между объектами двух классов в виде:
поверхности, проходящей через все опорные точки
линейной комбинации деревьев решений
гиперплоскости
Метод деревьев решений применяется для решения задач:
только восстановления регрессии
только классификации
и классификации и восстановления регрессии
Бутстрэп-выборка – это:
выборка, полученная из исходной путем процедуры изъятия без возвращения
то же самое, что и обучающая выборка
выборка, полученная из исходной путем процедуры изъятия с возвращением
Метод перекрестного (скользящего) контроля предназначен для:
проверки правильности вычисления решающего правила
проверки правильности работы алгоритма обучения
оценки обобщающей способности решающего правила
Обобщающая способность – это:
свойство метода синтезировать новые алгоритмы обучения, обобщающие известные
способность решающего правила правильно предсказывать ответ на объектах обучающей выборки
свойство решающего правила выдавать «близкие» к реальным ответы на объектах, не используемых для обучения
Что такое эмпирический риск?
среднеквадратическое отклонение штрафной функции
математическое ожидание значения штрафной функции
среднее значение штрафной функции на обучающей выборке
Внимание !
Вопросы к тесту выложены исключительно в ознакомительных целях: количество вопросов может не совпадать с действительным, актуальность не поддерживается,- за решением теста Welcome to the cashier!
Что такое средний риск?
математическое ожидание значения штрафной функции
среднеквадратическое отклонение штрафной функции
среднее значение штрафной функции на обучающей выборке
Какой из следующих методов является реализацией принципа бустинга (boosting):
алгоритм CART
случайный лес (random forest)
алгоритм AdaBoost
Какой из следующих методов является реализацией принципа бустинга (boosting):
Градиентный бустинг деревьев решений (gradient boosting trees)
случайный лес (random forest)
метод ближайших соседей
Какой из следующих методов является реализацией принципа баггинга (bagging):
алгоритм AdaBoost
случайный лес (random forest)
Градиентный бустинг деревьев решений (gradient boosting trees)
В каком из перечисленных случаев переобучение НЕ будет наблюдаться
увеличение количества деревьев в алгоритме случайного леса
увеличение высоты дерева решений
увеличение количества деревьев в алгоритме градиентного бустинга
Метод центров тяжестей (средних) может принимать на вход
как признаковое описание, так и матрицу расстояний
только матрицу расстояний между объектами
только признаковое описание объектов
Метод медиан применяется для:
кластеризации
восстановления регрессии
классификации
Метод медиан может принимать на вход
как признаковое описание, так и матрицу расстояний
только признаковое описание объектов
только матрицу расстояний между объектами
Метод k-ближайших соседей применяется для решения задач:
только классификации
только восстановления регрессии
и классификации и восстановления регрессии
Какой из следующих методов заключается в построении линейной разделяющей поверхности:
машина опорных векторов с линейным ядром
метод k ближайших соседей
случайный лес (Random Forests)
машина опорных векторов с произвольным ядром
Метод центров тяжестей (средних) применяется для решения задачи:
восстановления регрессии
кластеризации
классификации
За предсказание, сделанное с помощью модели случайного леса, принимается:
класс, который предсказало случайно выбранное дерево решений
сумма предсказаний всех деревьев решений
класс, который предсказало большинство деревьев решений
Метод центров тяжестей (средних) – это
жадный алгоритм, стремящийся минимизировать суммарное квадратичное отклонение точек кластеров от центров этих кластеров
статистический метод, состоящий в нахождении проекции многомерных данных, для которой достигает максимума некоторая функция качества проекции
метод уменьшения размерности, основанный на вычислении собственных векторов и собственных значений ковариационной матрицы
Какой из данных детекторов использует в своей работе алгоритмы машинного обучения:
MSER
SIFT
FAST
Детектор Моравеца предназначен для выделения на изображении
ребер
углов
областей экстремума интенсивности
В каком из данных дескрипторов не используются значения градиентов интенсивности при описании ключевой точки:
SURF
BRIEF
SIFT
При вычислении какого дескриптора используются вейвлеты Хаара:
SURF
SIFT
BRIEF
В основе детектора GLOH лежит следующий дескриптор:
SURF
SIFT
BRIEF
Какой из данных детекторов использует пирамиду разностей гауссианов:
MSER
SIFT
FAST
Какой из следующих алгоритмов не может использоваться при построении словаря в методах, использующих bag-of-words подход:
CART (дерево решений)
K-means
Gaussian Mixture Models
На рисунке изображены ключевые точки, вычисленные для оригинального и повернутого изображения Для какого детектора наиболее характерно такое поведение:
MSER
детектор Моравеца
детектор SIFT
Основное назначение вычисления ориентации ключевой точки в детекторе SIFT:
обеспечить инвариантность дескриптора относительно изменения масштаба изображения
обеспечить инвариантность дескриптора относительно преобразования сдвига изображения
обеспечить инвариантность дескриптора относительно поворота изображения
Какой из данных детекторов предназначен для выделения областей экстремума интенсивности:
детектор Моравеца
детектор Харриса
MSER
Размерность итогового признакового описания изображения в алгоритмах классификации изображений, основанных на bag-of-words подходе, равна
размерности дескриптора
числу "слов" (например, числу кластеров в алгоритме k-means)
числу ключевых точек на изображении
Основной недостаток детектора Харриса по сравнению с детектором Моравеца:
отсутствие инвариантности относительно сдвига изображения
вычислительная трудоемкость
отсутствие инвариантности относительно поворота изображения
В основе дескриптора BRIEFлежат:
средние значения интенсивности пикселей в окрестности ключевой точки
значения вейвлетов Хаара
значения множества бинарных тестов
Какой алгоритм машинного обучения использует в своей работе детектор FAST:
нейронная сеть
дерево решений
машина опорных векторов
Какой из нижеперечисленных детекторов не является детектором углов:
MSER
детектор Харриса
детектор Моравеца
В основе детектора SIFTлежит:
поиск экстремума интенсивности в пирамиде разности гауссианов исходного изображения
поиск областей экстремума интенсивности на исходном изображении
поиск угловых точек на изображении
Направление ориентации ключевой точки в детекторе SIFT определяется как:
направления, соответствующие максимальной компоненте взвешенной гистограммы градиентов в окрестности особой точки и всем компонентам со значениями не меньше 80% от максимального
направление, соответствующее максимальной компоненте взвешенной гистограммы градиентов в окрестности особой точки
направление градиента, вычисленное в особой точке
В основе дескриптора SURFлежат:
гистограммы градиентов
вейвлеты Хаара
усредненные значения интенсивности в окрестности ключевой точки
Инвариантность дескриптораSIFT относительно поворота изображения обеспечивается за счёт:
предварительного преобразования изображения
вычисления дескриптора с учетом ориентации ключевой точки
усреднения значений в окрестности ключевой точки
Укажите правильную последовательность шагов при обучении словаря в bag-of-wordsметоде классификации изображений:
запуск алгоритма k-means, детектирование ключевых точек, вычисление дескрипторов ключевых точек
детектирование ключевых точек, запуск алгоритма k-means
детектирование ключевых точек, вычисление дескрипторов ключевых точек, запуск алгоритма k-means
Какие данные используются при обучении словаря в bag-of-wordsметоде классификации изображений:
дескрипторы ключевых точек
гистограммы встречаемости ключевых точек в изображении
координаты ключевых точек
В основе дескриптора GLOHлежат:
значения набора бинарных тестов
вейвлеты Хаара
гистограммы градиентов
В чем преимущество детектора Харриса по сравнению с детектором Моравеца:
более устойчив к преобразованиям поворота изображения
инвариантность относительно преобразования сдвига
скорость работы
Составной частью какого детектора является дерево, описывающее иерархию связанных компонент на бинаризованном при разных значениях порога изображении:
MSER
FAST
SIFT
Результатом работы алгоритма классификации изображений является:
размер объекта на изображении
категория, к которой относится объект на изображении
расположение объекта на изображении
Критерием ключевой точки в детекторе FAST является:
наличие непрерывной последовательности в окрестности точки, значения интенсивностей в точках которой одновременно больше/меньше значения интенсивности в исследуемой точке (с учетом дополнительного порога)
отношением интенсивности в данной точке к средней интенсивности пикселей в её окрестности
превышение значением градиента в данной точке определенного порога
В чем заключается основное преимущество дескриптора SURFнад дескриптором SIFT:
инвариантность относительно преобразования поворота исходного изображения
инвариантность относительно аффинных преобразований интенсивностей исходного изображения
скорость вычисления
В каком из нижеперечисленных дескрипторов используется PrincipalComponentAnalysisдля уменьшения размерности дескриптора:
SURF
BRIEF
GLOH
В чем заключается основная идея алгоритма сопоставления пространственных пирамид:
вычисление взвешенной суммы числа совпадений дескрипторов ключевых точек в последовательности вложенных друг в друга подобластей пространства признаков
сопоставление дескрипторов ключевых точек на изображениях, преобразованных к разным масштабам
сопоставление интенсивностей пикселей во вложенных друг в друга подобластях изображения
Пусть модель объекта содержит P частей, каждая часть может принимать одно из N положений на изображении. Какова вычислительная сложность алгоритма вывода, если зависимость между частями объекта описывается структурой типа k-fan:
O(N^P)
O(NPk)
O(N^k)
Пусть словарь в алгоритме классификации изображений изображений, основанном на bag-of-words подходе, строится с использованием алгоритма k-means на наборе из M дескрипторов ключевых точек, размерность дескриптора равна N, число кластеров равно L. Чему будет равна размерность итогового признакового описания изображения:
M
N
L
Какой из нижеперечисленных алгоритмов не может использовать для обучения модели классификации изображений по вычисленным признаковым описаниям:
K-means
нейронная сеть
Машина опорных векторов
Что из нижеперечисленного не является недостатком детектора Моравеца:
не является инвариантным относительно преобразования поворота
не является инвариантным относительно преобразования сдвига
большое число ложных срабатываний на ребрах вследствие шума
Какие из нижеперечисленных алгоритмов могут использоваться для обучения модели классификации изображений по вычисленным признаковым описаниям:
дерево решений
случайный лес
K-means
Что из нижеперечисленного может использоваться в качестве представления отдельных частей объекта для моделей объектов, основанных на частях:
гистограммы ориентированных градиентов (HoG)
дерево решений
машина опорных векторов
Пусть модель объекта содержит P частей, каждая часть может принимать одно из N положений на изображении. Какова вычислительная сложность алгоритма вывода, если зависимость между частями объекта описывается структурой типа constellation ("созвездие"):
O(NP)
O(N^P)
O(P^N)
Детектор MSER предназначен для выделения на изображении:
ребер
углов
областей экстремума интенсивности
Пусть словарь в алгоритме классификации изображений изображений, основанном на bag-of-words подходе, строится с использованием алгоритма k-means. Число кластеров равно 3, центроиды кластеров равны, соответственно (0,0), (1, 1) и (2,2). Изображение, для которого необходимо построить признаковое описание, содержит 2 ключевых точки с дескрипторами, равными (0, 0.25) и (1.75, 1.75). Какое из нижеперечисленных признаковых описаний соответствует данному изображению:
(0.5, 0, 0.5)
(0.5, 0.5)
(0, 0.5, 0.5)
Какой из нижеперечисленных алгоритмов может использоваться при обучении представления отдельных частей объекта для моделей объектов, основанных на частях:
Gaussian Mixture Model
машина опорных векторов
K-means
Какие из нижеперечисленных пунктов являются основными элементами моделей, основанных на частях:
представление (модель) отдельных частей объекта
методы обучения представления отдельных частей объекта
описание связей между частями объекта
Основное отличие дескриптора GLOH от дескриптора SIFT
инвариантность относительно поворота изображения
количество и форма областей, в которых вычисляются гистограммы градиентов
использование набора бинарных тестов в качестве описания ключевой точки
В цветовом пространстве HSV H-канал соответствует:
насыщенности цвета.
оттенку цвета.
яркости пикселя.
Какой из детекторов выделит в качестве особой точки точку (*)
MSER
детектор Моравеца
FAST
Детектор Харриса предназначен для выделения на изображении:
областей экстремума интенсивности
ребер
углов
Какой из данных дескрипторов использует в качестве описания ключевой точки набор бинарных тестов:
GLOH
BRIEF
SIFT
Пусть словарь в алгоритме классификации изображений изображений, основанном на bag-of-words подходе, строится с использованием алгоритма k-means. Число кластеров равно 3, центроиды кластеров равны, соответственно (0,0), (1, 1) и (2,2). Изображение, для которого необходимо построить признаковое описание, содержит 4 ключевых точки с дескрипторами, равными (-1, -1), (-2, -2), (3, 3) и (3.25, 3.75). Какое из нижеперечисленных признаковых описаний соответствует данному изображению:
(0.5, 0, 0, 0.5)
(0, 0, 0.5, 0.5)
(0.5, 0.25, 0.25, 0)
Пусть модель объекта содержит P частей, каждая часть может принимать одно из N положений на изображении. Какова вычислительная сложность алгоритма вывода, если зависимость между частями объекта описывается структурой типа star ("звезда"):
O(N^P)
O(P^N)
O(N^2)
В чем основное преимущество использования моделей объектов, основанных на частях, по сравнению с bag-of-words подходом:
нет необходимости в обучении словаря дескрипторов ключевых точек
учитываются связи и взаимное расположение отдельных частей объекта
скорость работы алгоритма
Алгоритмы классификации изображений, основанные на bag-of-words подходе, в качестве итогового признакового описания изображения используют:
значения дескрипторов ключевых точек
нормироfванные гистограммы, содержащие частоты встречаемости "слов" (вычисленных на этапе построения словаря) в данном изображении
значения градиентов в ключевых точках
Какой из нижеперечисленных алгоритмов не может использоваться при обучении представления отдельных частей объекта для моделей объектов, основанных на частях:
K-means
Машина опорных векторов
наивный байесовский классификатор
За счет чего достигается повышение чувствительности к шуму в детекторе Харриса:
вычисление градиента интенсивности в ключевой точке с помощью более точных разностных производных
вычисление изменения интенсивности в окрестности ключевой точки с учетом изменения интенсивности в соседних точках, взятых с гауссовыми весами
отсечение неперспективных вариантов с использованием алгоритмов машинного обучения
Пусть задано изображение
Какой из детекторов выделит область, отмеченную на изображении черным квадратом:
детектор Харриса
MSER
SIFT
Какому требованию в первую очередь должны удовлетворять дескрипторы ключевых точек с точки зрения качества описания особенностей изображения:
наименьший размер дескриптора
инвариантность относительно различных преобразований изображения
сложность вычисления дескриптора
Что из нижеперечисленного является проблемой методов класса bag-of-words, в которых не учитывается пространственная информация:
скорость работы
совпадение признакового описания изображений со схожими по дескрипторам наборами ключевых точек, находящимися в совершенно разных пространственных конфигурациях
невозможность использования алгоритмов обучения с учителем для работы с итоговыми признаковыми описаниями изображений
Какие языки программирования официально поддерживаются в OpenCV?:
C/C++, Python, Matlab
C/C++, Matlab, Java
C/C++, Python, Java
Для чего в OpenCV используется CMake:
для сборки самой библиотеки на разных платформах и для упрощения использования библиотеки на разных платформах, включая Windows
для сборки самой библиотеки на разных платформах и для упрощения использования библиотеки на разных платформах, за исключением Windows
для сборки самой библиотеки на разных платформах
Можно ли использовать OpenCV в коммерческих приложениях?:
да, если в документации или сопроводительных материалах содержится копия лицензии OpenCV
да, если об этом никто не узнает
нет
Какой из циклов реализует подсчет производной по оси X с помощью оператора Собеля:
Mat deriv(img.rows, img.cols, CV_16S);
for( int i = 1; i < img.rows-1; i++) for( int j=0; j < img.cols-1; j++)
deriv.at<short>(i,j)=
img.at<uchar>(i-1,j+1)+img.at<uchar>(i,j+1)*2+img.at<uchar>(i+1,j+1) –
img.at<uchar>(i-1,j-1)-img.at<uchar>(i,j-1)*2+img.at<uchar>(i+1,j-1);
Mat deriv(img.rows, img.cols, CV_16S);
for( int i = 1; i < img.rows-1; i++) for( int j=0; j < img.cols-1; j++)
deriv.at<short>(i,j)=
img.at<uchar>(i-1,j)+img.at<uchar>(i,j-1)-img.at<uchar>(i,j)*4 +
img.at<uchar>(i,j+1)+img.at<uchar>(i+1,j);
Mat deriv(img.rows, img.cols, CV_16S);
for( int i = 1; i < img.rows-1; i++) for( int j=0; j < img.cols-1; j++)
deriv.at<short>(i,j)=
img.at<uchar>(i+1,j-1)+img.at<uchar>(i+1,j)*2+img.at<uchar>(i+1,j+1) –
img.at<uchar>(i-1,j-1)-img.at<uchar>(i-1,j)*2+img.at<uchar>(i-1,j+1);
Чему будет равен счетчик ссылок матрицы A после вызова make_aligned_rgb_image
Mat make_aligned_rgb_image(int width, int height)
{
Mat img(height, ((width+15)/16)*16, CV_8UC3);
return img(Rect(0, 0, width, height));
}
…
Mat A = make_aligned_rgb_image(13, 13);
2
1
ничему, программа упадет
Как в Питоне создать эффект "расфокусированного" изображения:
и то, и другое
быстрого нахождения минимального значения яркости в прямоугольной области
быстрого вычисления средней яркостей пикселей в прямоугольной области
Окрестность угловая точка на изображении:
image = cv2.GaussianBlur(image, (7, 7), 1.5)
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
image = cv2.resize(image, (image.shape[1]/4, image.shape[0]/4))
image = cv2.resize(image, (image.shape[1]*4, image.shape[0]*4))
Для чего вызывается мы вызываем waitKey() в цикле обработки видео и указываем там задержку 30мс?:
чтобы пользователь успел увидеть результаты обработки
чтобы выйти из цикла по нажатию клавиши и чтобы обработать события от оконной системы (в частности, запросы на перерисовку)
чтобы пользователь успел увидеть результаты обработки и чтобы выйти из цикла по нажатию клавиши
Вы работаете в Ми-6. Ваш друг, Джейс Бонд, вручил вам фотографию какого-то здания, и попросил найти по базе, что это за здание. Вы отсканировали фотографию. Ваши дальнейшие действия:
то же что и b, но использовать фундаментальную матрицу вместо матрицы гомографии
использовать алгоритм поиска плоского изображения, отобрать результаты с большим количеством согласованных совпадений после вычисления матрицы гомографии
попросить помощи на answers.opencv.org, приложить фото, объяснить ситуацию
В каких случаях Питон предпочтительней C++ при работе с OpenCV:
для прототипирования
для написания кросс-платформенных программ
для написания законченных коммерческих программ
Какую функциональность содержит модуль features2d?:
обработка изображений
захват видео с камеры
нахождение особых точек и вычисление их описателей
На каких операционных системах работает OpenCV?:
Windows, Linux
Windows, Linux, iOS, Android
Windows
Какая из приведенных программ на C++ корректно подсчитывает кол-во пикселей полутонового изображения img, яркость которых больше чем определенный порог t:
int count = countNonZero(img > t);
int count = 0; for(int i = 0; i < (int)img.total(); i++) count += img.data[i] > t;
Mat mask; inRange(img, t, t+255, mask); int count = countNonZero(mask);
Как получить справку по функции OpenCV при использовании Питон?:
зайти на сайт docs.opencv.org и набрать имя функции
"import cv2; print cv2.<имя функции>.__doc__
оба способа подходят
Какой результат произведет следующий код:
Mat* img = new Mat(10, 10, CV_8U);
printf("sum=%g\n", sum(*img)[0]);
img->release();
delete img;
напечатает 0 и завершится ошибкой из-за двойного освобождения памяти
напечатает некоторое число
завершится ошибкой при попытке посчитать сумму элементов, поскольку созданная матрица не инициализирована
Вам нужно определить на изображении участок NxN пикселей, в котором контраст максимален (область фокусировки). Какой из приведенных фрагментов решает эту задачу наиболее оптимально и корректно?
Point maxLoc; double maxContrast=0; for( int i = 0; i+N <= img.rows; i++ ) for( int j = 0; j+N <= img.cols; j++ ) { Mat window = img(Rect(j, i, N, N)); /* здесь идет код из лекции, который считает контраст внутри окна, сравнивает его с текущим maxContrast и обновляет максимум и его позицию, если нужно */ }
Mat dx, dy, mag; Sobel(img, dx, CV_32F, 1, 0, 3); Sobel(img, dy, CV_32F, 0, 1, 3); magnitude(dx, dy, mag); blur(mag, mag, Size(N, N)); Point maxLoc; minMaxLoc(mag, 0, 0, 0, &maxLoc);
Mat edges; Canny(img, edges, 5, 50); blur(edges, edges, Size(N, N)); Point maxLoc; minMaxLoc(edges, 0, 0, 0, &maxLoc);
Вы пишете коммерческую программу для фотосьемки для мобильного телефона, которая должна фокусироваться на лицах. Вы обнаружили, что скорость работы детектора из OpenCV недостаточна. Какие из нижепредложенных методов могут помочь и наиболее действенны?
увеличить размер minSize – параметр, подаваемый в метод detectMultiScale()
запускать детектор в параллельном потоке на некоторых "ключевых" кадрах, следить за обнаруженными лицами для вычисления их положений на промежуточных кадрах
уменьшить изображение перед детектированием. Использовать аппаратное ускорение для уменьшения изображения.
Что такое особые точки на изображении?:
точки, для которых проще всего вычислять дескрипторы
точки с наибольшим локальным контрастом
точки, которые при изменении ракурса и условий освещения по-прежнему позволяют корректно оценить положение объектов, на которых они находятся.
Что такое дескрипторы?:
дескриторы описывают положение, размер, зашумленность, уровень освещения и другие подобные характеристики особых точек
описатели особых точек, инвариантные к небольшим изменениям ракурса, условий освещения и т.д. Представляют собой вектора в многомерном пространстве
дескрипторы – это описатели файлов в операционной системе. При чем здесь компьютерное зрение?
Что означает слово «бенчмарк» в контексте анализа и оптимизации производительности программ?
программа для сбора и анализа результатов экспериментов
алгоритм, обеспечивающий наилучшую производительность
набор тестовых данных, на которых проводятся эксперименты
Каким из перечисленных ниже свойств должен обладать бенчмарк:
рациональность
повторяемость
формальность
ортогональность
Каким из перечисленных ниже свойств должен обладать бенчмарк:
коммутативность
репрезентативность
ассоциативность
транзитивность
Укажите желательное время работы программы на тестовых данных при оптимизации производительности (время обработки бенчмарка):
несколько секунд
несколько недель
несколько часов
несколько дней
Почему непосредственное сравнение производительности библиотек IPP и OpenCV выглядит сомнительным?
библиотеки содержат только те алгоритмы, время работы которых не является критичным для практических приложений
библиотеки содержат разную функциональность и разные реализации одной и той же функциональности
время работы алгоритмы в библиотеке OpenCV заведомо меньше времени работы алгоритмов в библиотеке IPP
время работы алгоритмы в библиотеке IPP заведомо меньше времени работы алгоритмов в библиотеке OpenCV
С какой целью производилось искусственное увеличение размера тестового изображения при сравнении производительности функций IPP и OpenCV:
для получения приемлемого времени работы функций
для понижения качества работы алгоритмов
для повышения качества работы алгоритмов
Укажите основные области применения библиотеки Intel IPP:
высокопроизводительные вычисления в задачах линейной алгебры
кодирование/декодирование видео
кодирование/декодирование аудио
Ядро библиотеки Intel IPP поставляется:
в бинарном виде
как в исходном коде, так и в бинарном виде
в виде исходных кодов
Какую из следующих функций можно использовать для освобождения памяти, выделенной при помощи функции ippMalloc:
только ippFree
как free, так и ippFree
только free
В чем основное отличие функции malloc от функции ippMalloc
функцию ippMalloc обязательно использовать при работе с данными, обрабатываемыми другими функциями библиотеки
функция ippMalloc возвращает указатель на данные, выровненные по 32 байт
функция ippMalloc возвращает указатель на данные, выровненные по 16 байт
Для выделения памяти под изображение используется семейство функций:
ippsMalloc
ippiMalloc
ippmMalloc
Функция ippsMalloc выделяет память под следующую структуру данных:
кадр видео
изображение
одномерный массив
Память, выделенную под изображение с использованием функций библиотеки Intel IPP, необходимо освобождать с помощью функции:
ippsFree
free
ippiFree
Какой из видов линковки поддерживается библиотекой Intel IPP:
только статическая линковка
как динамическая, так и статическая линковка
только динамическая линковка
Функцию ippsFree необходимо использовать для освобождения памяти, выделенной:
функцией ippsMalloc
оператором new
функцией malloc
Функция ippsAdd_32f предназначена для поэлементного сложения:
двух одномерных массивов, элементами которых являются числа с плавающей запятой одинарной точности
двух изображений, интенсивности пикселей в которых заданы числами с плавающей запятой одинарной точности
двух изображений, интенсивности пикселей в которых заданы целыми 32 битными числами со знаком
Функция ippiCopy_8u_C1 предназначена для копирования:
одноканального изображения, интенсивность пикселей в котором задана элементами типа unsigned char
одномерного массива, элементами которого являются значения типа unsigned char
одноканального изображения, интенсивность пикселей в котором задана элементами типа unsigned int
Что НЕ является назначением высокоуровневых API, поставляемых в виде примеров с библиотекой Intel IPP:
предоставить разработчику примеры использования примитивов библиотеки
предоставить разработчику API, которые возможно использовать в собственных приложениях
предоставить разработчику полностью законченные, соответствующие стандарту реализации видеокодеков
Какая из нижеприведенных функций копирует одномерный массив, элементами которого являются числа с плавающей запятой двойной точности:
ippiCopy_64f_C1
ippsCopy_64f
ippiCopy_64f
Какая из функций выделяет данные под одномерный массив, содержащий числа с плавающей запятой одинарной точности:
ippsMalloc_32s
ippiMalloc_32f
ippsMalloc_32f
Какой объем памяти будет выделен функцией ippiMalloc_8u_C1, если высота изображения равна 32, а ширина 5:
160 байт
1280 байт
1024 байт
В каких областях могут эффективно использоваться функции библиотеки Intel IPP:
решение систем линейных уравнений большой размерности
операции с матрицами небольшого размера
разработка видеокодеков
Какой объем памяти будет выделен функцией ippiMalloc_8u_C3, если высота изображения равна 32, а ширина 10:
7680 байт
1024 байт
960 байт
Какую из нижеперечисленных функций необходимо использовать для автоматического выбора оптимальной реализации библиотеки при динамической линковке:
только ippStaticInit
только ippInit
оба варианта правильны
Какая из нижеприведенных функций копирует одномерный массив, элементами которого являются целые 32-битные числа без знака:
ippiCopy_32s_C1
ippiCopy_32u_C1
ippsCopy_32u
Пусть с помощью функции ippiMalloc_8u_C1 выделена память под изображение высотой 32 пикселя и шириной 34 пикселя. Чему равна разность указателей на данные, хранящие вторую и первую строки изображения:
34 байта
64 байта
32 байта
Какой объем памяти будет выделен функцией ippiMalloc_32f_C3, если высота изображения равна 32, а ширина 3:
9216 байт
1152 байт
2048 байт
Вопросы к тесту выложены исключительно в ознакомительных целях: количество вопросов может не совпадать с действительным, актуальность не поддерживается,- за решением теста Welcome to the cashier!
Что такое средний риск?
математическое ожидание значения штрафной функции
среднеквадратическое отклонение штрафной функции
среднее значение штрафной функции на обучающей выборке
Какой из следующих методов является реализацией принципа бустинга (boosting):
алгоритм CART
случайный лес (random forest)
алгоритм AdaBoost
Какой из следующих методов является реализацией принципа бустинга (boosting):
Градиентный бустинг деревьев решений (gradient boosting trees)
случайный лес (random forest)
метод ближайших соседей
Какой из следующих методов является реализацией принципа баггинга (bagging):
алгоритм AdaBoost
случайный лес (random forest)
Градиентный бустинг деревьев решений (gradient boosting trees)
В каком из перечисленных случаев переобучение НЕ будет наблюдаться
увеличение количества деревьев в алгоритме случайного леса
увеличение высоты дерева решений
увеличение количества деревьев в алгоритме градиентного бустинга
Метод центров тяжестей (средних) может принимать на вход
как признаковое описание, так и матрицу расстояний
только матрицу расстояний между объектами
только признаковое описание объектов
Метод медиан применяется для:
кластеризации
восстановления регрессии
классификации
Метод медиан может принимать на вход
как признаковое описание, так и матрицу расстояний
только признаковое описание объектов
только матрицу расстояний между объектами
Метод k-ближайших соседей применяется для решения задач:
только классификации
только восстановления регрессии
и классификации и восстановления регрессии
Какой из следующих методов заключается в построении линейной разделяющей поверхности:
машина опорных векторов с линейным ядром
метод k ближайших соседей
случайный лес (Random Forests)
машина опорных векторов с произвольным ядром
Метод центров тяжестей (средних) применяется для решения задачи:
восстановления регрессии
кластеризации
классификации
За предсказание, сделанное с помощью модели случайного леса, принимается:
класс, который предсказало случайно выбранное дерево решений
сумма предсказаний всех деревьев решений
класс, который предсказало большинство деревьев решений
Метод центров тяжестей (средних) – это
жадный алгоритм, стремящийся минимизировать суммарное квадратичное отклонение точек кластеров от центров этих кластеров
статистический метод, состоящий в нахождении проекции многомерных данных, для которой достигает максимума некоторая функция качества проекции
метод уменьшения размерности, основанный на вычислении собственных векторов и собственных значений ковариационной матрицы
Какой из данных детекторов использует в своей работе алгоритмы машинного обучения:
MSER
SIFT
FAST
Детектор Моравеца предназначен для выделения на изображении
ребер
углов
областей экстремума интенсивности
В каком из данных дескрипторов не используются значения градиентов интенсивности при описании ключевой точки:
SURF
BRIEF
SIFT
При вычислении какого дескриптора используются вейвлеты Хаара:
SURF
SIFT
BRIEF
В основе детектора GLOH лежит следующий дескриптор:
SURF
SIFT
BRIEF
Какой из данных детекторов использует пирамиду разностей гауссианов:
MSER
SIFT
FAST
Какой из следующих алгоритмов не может использоваться при построении словаря в методах, использующих bag-of-words подход:
CART (дерево решений)
K-means
Gaussian Mixture Models
На рисунке изображены ключевые точки, вычисленные для оригинального и повернутого изображения Для какого детектора наиболее характерно такое поведение:
MSER
детектор Моравеца
детектор SIFT
Основное назначение вычисления ориентации ключевой точки в детекторе SIFT:
обеспечить инвариантность дескриптора относительно изменения масштаба изображения
обеспечить инвариантность дескриптора относительно преобразования сдвига изображения
обеспечить инвариантность дескриптора относительно поворота изображения
Какой из данных детекторов предназначен для выделения областей экстремума интенсивности:
детектор Моравеца
детектор Харриса
MSER
Размерность итогового признакового описания изображения в алгоритмах классификации изображений, основанных на bag-of-words подходе, равна
размерности дескриптора
числу "слов" (например, числу кластеров в алгоритме k-means)
числу ключевых точек на изображении
Основной недостаток детектора Харриса по сравнению с детектором Моравеца:
отсутствие инвариантности относительно сдвига изображения
вычислительная трудоемкость
отсутствие инвариантности относительно поворота изображения
В основе дескриптора BRIEFлежат:
средние значения интенсивности пикселей в окрестности ключевой точки
значения вейвлетов Хаара
значения множества бинарных тестов
Какой алгоритм машинного обучения использует в своей работе детектор FAST:
нейронная сеть
дерево решений
машина опорных векторов
Какой из нижеперечисленных детекторов не является детектором углов:
MSER
детектор Харриса
детектор Моравеца
В основе детектора SIFTлежит:
поиск экстремума интенсивности в пирамиде разности гауссианов исходного изображения
поиск областей экстремума интенсивности на исходном изображении
поиск угловых точек на изображении
Направление ориентации ключевой точки в детекторе SIFT определяется как:
направления, соответствующие максимальной компоненте взвешенной гистограммы градиентов в окрестности особой точки и всем компонентам со значениями не меньше 80% от максимального
направление, соответствующее максимальной компоненте взвешенной гистограммы градиентов в окрестности особой точки
направление градиента, вычисленное в особой точке
В основе дескриптора SURFлежат:
гистограммы градиентов
вейвлеты Хаара
усредненные значения интенсивности в окрестности ключевой точки
Инвариантность дескриптораSIFT относительно поворота изображения обеспечивается за счёт:
предварительного преобразования изображения
вычисления дескриптора с учетом ориентации ключевой точки
усреднения значений в окрестности ключевой точки
Укажите правильную последовательность шагов при обучении словаря в bag-of-wordsметоде классификации изображений:
запуск алгоритма k-means, детектирование ключевых точек, вычисление дескрипторов ключевых точек
детектирование ключевых точек, запуск алгоритма k-means
детектирование ключевых точек, вычисление дескрипторов ключевых точек, запуск алгоритма k-means
Какие данные используются при обучении словаря в bag-of-wordsметоде классификации изображений:
дескрипторы ключевых точек
гистограммы встречаемости ключевых точек в изображении
координаты ключевых точек
В основе дескриптора GLOHлежат:
значения набора бинарных тестов
вейвлеты Хаара
гистограммы градиентов
В чем преимущество детектора Харриса по сравнению с детектором Моравеца:
более устойчив к преобразованиям поворота изображения
инвариантность относительно преобразования сдвига
скорость работы
Составной частью какого детектора является дерево, описывающее иерархию связанных компонент на бинаризованном при разных значениях порога изображении:
MSER
FAST
SIFT
Результатом работы алгоритма классификации изображений является:
размер объекта на изображении
категория, к которой относится объект на изображении
расположение объекта на изображении
Критерием ключевой точки в детекторе FAST является:
наличие непрерывной последовательности в окрестности точки, значения интенсивностей в точках которой одновременно больше/меньше значения интенсивности в исследуемой точке (с учетом дополнительного порога)
отношением интенсивности в данной точке к средней интенсивности пикселей в её окрестности
превышение значением градиента в данной точке определенного порога
В чем заключается основное преимущество дескриптора SURFнад дескриптором SIFT:
инвариантность относительно преобразования поворота исходного изображения
инвариантность относительно аффинных преобразований интенсивностей исходного изображения
скорость вычисления
В каком из нижеперечисленных дескрипторов используется PrincipalComponentAnalysisдля уменьшения размерности дескриптора:
SURF
BRIEF
GLOH
В чем заключается основная идея алгоритма сопоставления пространственных пирамид:
вычисление взвешенной суммы числа совпадений дескрипторов ключевых точек в последовательности вложенных друг в друга подобластей пространства признаков
сопоставление дескрипторов ключевых точек на изображениях, преобразованных к разным масштабам
сопоставление интенсивностей пикселей во вложенных друг в друга подобластях изображения
Пусть модель объекта содержит P частей, каждая часть может принимать одно из N положений на изображении. Какова вычислительная сложность алгоритма вывода, если зависимость между частями объекта описывается структурой типа k-fan:
O(N^P)
O(NPk)
O(N^k)
Пусть словарь в алгоритме классификации изображений изображений, основанном на bag-of-words подходе, строится с использованием алгоритма k-means на наборе из M дескрипторов ключевых точек, размерность дескриптора равна N, число кластеров равно L. Чему будет равна размерность итогового признакового описания изображения:
M
N
L
Какой из нижеперечисленных алгоритмов не может использовать для обучения модели классификации изображений по вычисленным признаковым описаниям:
K-means
нейронная сеть
Машина опорных векторов
Что из нижеперечисленного не является недостатком детектора Моравеца:
не является инвариантным относительно преобразования поворота
не является инвариантным относительно преобразования сдвига
большое число ложных срабатываний на ребрах вследствие шума
Какие из нижеперечисленных алгоритмов могут использоваться для обучения модели классификации изображений по вычисленным признаковым описаниям:
дерево решений
случайный лес
K-means
Что из нижеперечисленного может использоваться в качестве представления отдельных частей объекта для моделей объектов, основанных на частях:
гистограммы ориентированных градиентов (HoG)
дерево решений
машина опорных векторов
Пусть модель объекта содержит P частей, каждая часть может принимать одно из N положений на изображении. Какова вычислительная сложность алгоритма вывода, если зависимость между частями объекта описывается структурой типа constellation ("созвездие"):
O(NP)
O(N^P)
O(P^N)
Детектор MSER предназначен для выделения на изображении:
ребер
углов
областей экстремума интенсивности
Пусть словарь в алгоритме классификации изображений изображений, основанном на bag-of-words подходе, строится с использованием алгоритма k-means. Число кластеров равно 3, центроиды кластеров равны, соответственно (0,0), (1, 1) и (2,2). Изображение, для которого необходимо построить признаковое описание, содержит 2 ключевых точки с дескрипторами, равными (0, 0.25) и (1.75, 1.75). Какое из нижеперечисленных признаковых описаний соответствует данному изображению:
(0.5, 0, 0.5)
(0.5, 0.5)
(0, 0.5, 0.5)
Какой из нижеперечисленных алгоритмов может использоваться при обучении представления отдельных частей объекта для моделей объектов, основанных на частях:
Gaussian Mixture Model
машина опорных векторов
K-means
Какие из нижеперечисленных пунктов являются основными элементами моделей, основанных на частях:
представление (модель) отдельных частей объекта
методы обучения представления отдельных частей объекта
описание связей между частями объекта
Основное отличие дескриптора GLOH от дескриптора SIFT
инвариантность относительно поворота изображения
количество и форма областей, в которых вычисляются гистограммы градиентов
использование набора бинарных тестов в качестве описания ключевой точки
В цветовом пространстве HSV H-канал соответствует:
насыщенности цвета.
оттенку цвета.
яркости пикселя.
Какой из детекторов выделит в качестве особой точки точку (*)
MSER
детектор Моравеца
FAST
Детектор Харриса предназначен для выделения на изображении:
областей экстремума интенсивности
ребер
углов
Какой из данных дескрипторов использует в качестве описания ключевой точки набор бинарных тестов:
GLOH
BRIEF
SIFT
Пусть словарь в алгоритме классификации изображений изображений, основанном на bag-of-words подходе, строится с использованием алгоритма k-means. Число кластеров равно 3, центроиды кластеров равны, соответственно (0,0), (1, 1) и (2,2). Изображение, для которого необходимо построить признаковое описание, содержит 4 ключевых точки с дескрипторами, равными (-1, -1), (-2, -2), (3, 3) и (3.25, 3.75). Какое из нижеперечисленных признаковых описаний соответствует данному изображению:
(0.5, 0, 0, 0.5)
(0, 0, 0.5, 0.5)
(0.5, 0.25, 0.25, 0)
Пусть модель объекта содержит P частей, каждая часть может принимать одно из N положений на изображении. Какова вычислительная сложность алгоритма вывода, если зависимость между частями объекта описывается структурой типа star ("звезда"):
O(N^P)
O(P^N)
O(N^2)
В чем основное преимущество использования моделей объектов, основанных на частях, по сравнению с bag-of-words подходом:
нет необходимости в обучении словаря дескрипторов ключевых точек
учитываются связи и взаимное расположение отдельных частей объекта
скорость работы алгоритма
Алгоритмы классификации изображений, основанные на bag-of-words подходе, в качестве итогового признакового описания изображения используют:
значения дескрипторов ключевых точек
нормироfванные гистограммы, содержащие частоты встречаемости "слов" (вычисленных на этапе построения словаря) в данном изображении
значения градиентов в ключевых точках
Какой из нижеперечисленных алгоритмов не может использоваться при обучении представления отдельных частей объекта для моделей объектов, основанных на частях:
K-means
Машина опорных векторов
наивный байесовский классификатор
За счет чего достигается повышение чувствительности к шуму в детекторе Харриса:
вычисление градиента интенсивности в ключевой точке с помощью более точных разностных производных
вычисление изменения интенсивности в окрестности ключевой точки с учетом изменения интенсивности в соседних точках, взятых с гауссовыми весами
отсечение неперспективных вариантов с использованием алгоритмов машинного обучения
Пусть задано изображение
Какой из детекторов выделит область, отмеченную на изображении черным квадратом:
детектор Харриса
MSER
SIFT
Какому требованию в первую очередь должны удовлетворять дескрипторы ключевых точек с точки зрения качества описания особенностей изображения:
наименьший размер дескриптора
инвариантность относительно различных преобразований изображения
сложность вычисления дескриптора
Что из нижеперечисленного является проблемой методов класса bag-of-words, в которых не учитывается пространственная информация:
скорость работы
совпадение признакового описания изображений со схожими по дескрипторам наборами ключевых точек, находящимися в совершенно разных пространственных конфигурациях
невозможность использования алгоритмов обучения с учителем для работы с итоговыми признаковыми описаниями изображений
Какие языки программирования официально поддерживаются в OpenCV?:
C/C++, Python, Matlab
C/C++, Matlab, Java
C/C++, Python, Java
Для чего в OpenCV используется CMake:
для сборки самой библиотеки на разных платформах и для упрощения использования библиотеки на разных платформах, включая Windows
для сборки самой библиотеки на разных платформах и для упрощения использования библиотеки на разных платформах, за исключением Windows
для сборки самой библиотеки на разных платформах
Можно ли использовать OpenCV в коммерческих приложениях?:
да, если в документации или сопроводительных материалах содержится копия лицензии OpenCV
да, если об этом никто не узнает
нет
Какой из циклов реализует подсчет производной по оси X с помощью оператора Собеля:
Mat deriv(img.rows, img.cols, CV_16S);
for( int i = 1; i < img.rows-1; i++) for( int j=0; j < img.cols-1; j++)
deriv.at<short>(i,j)=
img.at<uchar>(i-1,j+1)+img.at<uchar>(i,j+1)*2+img.at<uchar>(i+1,j+1) –
img.at<uchar>(i-1,j-1)-img.at<uchar>(i,j-1)*2+img.at<uchar>(i+1,j-1);
Mat deriv(img.rows, img.cols, CV_16S);
for( int i = 1; i < img.rows-1; i++) for( int j=0; j < img.cols-1; j++)
deriv.at<short>(i,j)=
img.at<uchar>(i-1,j)+img.at<uchar>(i,j-1)-img.at<uchar>(i,j)*4 +
img.at<uchar>(i,j+1)+img.at<uchar>(i+1,j);
Mat deriv(img.rows, img.cols, CV_16S);
for( int i = 1; i < img.rows-1; i++) for( int j=0; j < img.cols-1; j++)
deriv.at<short>(i,j)=
img.at<uchar>(i+1,j-1)+img.at<uchar>(i+1,j)*2+img.at<uchar>(i+1,j+1) –
img.at<uchar>(i-1,j-1)-img.at<uchar>(i-1,j)*2+img.at<uchar>(i-1,j+1);
Чему будет равен счетчик ссылок матрицы A после вызова make_aligned_rgb_image
Mat make_aligned_rgb_image(int width, int height)
{
Mat img(height, ((width+15)/16)*16, CV_8UC3);
return img(Rect(0, 0, width, height));
}
…
Mat A = make_aligned_rgb_image(13, 13);
2
1
ничему, программа упадет
Как в Питоне создать эффект "расфокусированного" изображения:
и то, и другое
быстрого нахождения минимального значения яркости в прямоугольной области
быстрого вычисления средней яркостей пикселей в прямоугольной области
Окрестность угловая точка на изображении:
image = cv2.GaussianBlur(image, (7, 7), 1.5)
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
image = cv2.resize(image, (image.shape[1]/4, image.shape[0]/4))
image = cv2.resize(image, (image.shape[1]*4, image.shape[0]*4))
Для чего вызывается мы вызываем waitKey() в цикле обработки видео и указываем там задержку 30мс?:
чтобы пользователь успел увидеть результаты обработки
чтобы выйти из цикла по нажатию клавиши и чтобы обработать события от оконной системы (в частности, запросы на перерисовку)
чтобы пользователь успел увидеть результаты обработки и чтобы выйти из цикла по нажатию клавиши
Вы работаете в Ми-6. Ваш друг, Джейс Бонд, вручил вам фотографию какого-то здания, и попросил найти по базе, что это за здание. Вы отсканировали фотографию. Ваши дальнейшие действия:
то же что и b, но использовать фундаментальную матрицу вместо матрицы гомографии
использовать алгоритм поиска плоского изображения, отобрать результаты с большим количеством согласованных совпадений после вычисления матрицы гомографии
попросить помощи на answers.opencv.org, приложить фото, объяснить ситуацию
В каких случаях Питон предпочтительней C++ при работе с OpenCV:
для прототипирования
для написания кросс-платформенных программ
для написания законченных коммерческих программ
Какую функциональность содержит модуль features2d?:
обработка изображений
захват видео с камеры
нахождение особых точек и вычисление их описателей
На каких операционных системах работает OpenCV?:
Windows, Linux
Windows, Linux, iOS, Android
Windows
Какая из приведенных программ на C++ корректно подсчитывает кол-во пикселей полутонового изображения img, яркость которых больше чем определенный порог t:
int count = countNonZero(img > t);
int count = 0; for(int i = 0; i < (int)img.total(); i++) count += img.data[i] > t;
Mat mask; inRange(img, t, t+255, mask); int count = countNonZero(mask);
Как получить справку по функции OpenCV при использовании Питон?:
зайти на сайт docs.opencv.org и набрать имя функции
"import cv2; print cv2.<имя функции>.__doc__
оба способа подходят
Какой результат произведет следующий код:
Mat* img = new Mat(10, 10, CV_8U);
printf("sum=%g\n", sum(*img)[0]);
img->release();
delete img;
напечатает 0 и завершится ошибкой из-за двойного освобождения памяти
напечатает некоторое число
завершится ошибкой при попытке посчитать сумму элементов, поскольку созданная матрица не инициализирована
Вам нужно определить на изображении участок NxN пикселей, в котором контраст максимален (область фокусировки). Какой из приведенных фрагментов решает эту задачу наиболее оптимально и корректно?
Point maxLoc; double maxContrast=0; for( int i = 0; i+N <= img.rows; i++ ) for( int j = 0; j+N <= img.cols; j++ ) { Mat window = img(Rect(j, i, N, N)); /* здесь идет код из лекции, который считает контраст внутри окна, сравнивает его с текущим maxContrast и обновляет максимум и его позицию, если нужно */ }
Mat dx, dy, mag; Sobel(img, dx, CV_32F, 1, 0, 3); Sobel(img, dy, CV_32F, 0, 1, 3); magnitude(dx, dy, mag); blur(mag, mag, Size(N, N)); Point maxLoc; minMaxLoc(mag, 0, 0, 0, &maxLoc);
Mat edges; Canny(img, edges, 5, 50); blur(edges, edges, Size(N, N)); Point maxLoc; minMaxLoc(edges, 0, 0, 0, &maxLoc);
Вы пишете коммерческую программу для фотосьемки для мобильного телефона, которая должна фокусироваться на лицах. Вы обнаружили, что скорость работы детектора из OpenCV недостаточна. Какие из нижепредложенных методов могут помочь и наиболее действенны?
увеличить размер minSize – параметр, подаваемый в метод detectMultiScale()
запускать детектор в параллельном потоке на некоторых "ключевых" кадрах, следить за обнаруженными лицами для вычисления их положений на промежуточных кадрах
уменьшить изображение перед детектированием. Использовать аппаратное ускорение для уменьшения изображения.
Что такое особые точки на изображении?:
точки, для которых проще всего вычислять дескрипторы
точки с наибольшим локальным контрастом
точки, которые при изменении ракурса и условий освещения по-прежнему позволяют корректно оценить положение объектов, на которых они находятся.
Что такое дескрипторы?:
дескриторы описывают положение, размер, зашумленность, уровень освещения и другие подобные характеристики особых точек
описатели особых точек, инвариантные к небольшим изменениям ракурса, условий освещения и т.д. Представляют собой вектора в многомерном пространстве
дескрипторы – это описатели файлов в операционной системе. При чем здесь компьютерное зрение?
Что означает слово «бенчмарк» в контексте анализа и оптимизации производительности программ?
программа для сбора и анализа результатов экспериментов
алгоритм, обеспечивающий наилучшую производительность
набор тестовых данных, на которых проводятся эксперименты
Каким из перечисленных ниже свойств должен обладать бенчмарк:
рациональность
повторяемость
формальность
ортогональность
Каким из перечисленных ниже свойств должен обладать бенчмарк:
коммутативность
репрезентативность
ассоциативность
транзитивность
Укажите желательное время работы программы на тестовых данных при оптимизации производительности (время обработки бенчмарка):
несколько секунд
несколько недель
несколько часов
несколько дней
Почему непосредственное сравнение производительности библиотек IPP и OpenCV выглядит сомнительным?
библиотеки содержат только те алгоритмы, время работы которых не является критичным для практических приложений
библиотеки содержат разную функциональность и разные реализации одной и той же функциональности
время работы алгоритмы в библиотеке OpenCV заведомо меньше времени работы алгоритмов в библиотеке IPP
время работы алгоритмы в библиотеке IPP заведомо меньше времени работы алгоритмов в библиотеке OpenCV
С какой целью производилось искусственное увеличение размера тестового изображения при сравнении производительности функций IPP и OpenCV:
для получения приемлемого времени работы функций
для понижения качества работы алгоритмов
для повышения качества работы алгоритмов
Укажите основные области применения библиотеки Intel IPP:
высокопроизводительные вычисления в задачах линейной алгебры
кодирование/декодирование видео
кодирование/декодирование аудио
Ядро библиотеки Intel IPP поставляется:
в бинарном виде
как в исходном коде, так и в бинарном виде
в виде исходных кодов
Какую из следующих функций можно использовать для освобождения памяти, выделенной при помощи функции ippMalloc:
только ippFree
как free, так и ippFree
только free
В чем основное отличие функции malloc от функции ippMalloc
функцию ippMalloc обязательно использовать при работе с данными, обрабатываемыми другими функциями библиотеки
функция ippMalloc возвращает указатель на данные, выровненные по 32 байт
функция ippMalloc возвращает указатель на данные, выровненные по 16 байт
Для выделения памяти под изображение используется семейство функций:
ippsMalloc
ippiMalloc
ippmMalloc
Функция ippsMalloc выделяет память под следующую структуру данных:
кадр видео
изображение
одномерный массив
Память, выделенную под изображение с использованием функций библиотеки Intel IPP, необходимо освобождать с помощью функции:
ippsFree
free
ippiFree
Какой из видов линковки поддерживается библиотекой Intel IPP:
только статическая линковка
как динамическая, так и статическая линковка
только динамическая линковка
Функцию ippsFree необходимо использовать для освобождения памяти, выделенной:
функцией ippsMalloc
оператором new
функцией malloc
Функция ippsAdd_32f предназначена для поэлементного сложения:
двух одномерных массивов, элементами которых являются числа с плавающей запятой одинарной точности
двух изображений, интенсивности пикселей в которых заданы числами с плавающей запятой одинарной точности
двух изображений, интенсивности пикселей в которых заданы целыми 32 битными числами со знаком
Функция ippiCopy_8u_C1 предназначена для копирования:
одноканального изображения, интенсивность пикселей в котором задана элементами типа unsigned char
одномерного массива, элементами которого являются значения типа unsigned char
одноканального изображения, интенсивность пикселей в котором задана элементами типа unsigned int
Что НЕ является назначением высокоуровневых API, поставляемых в виде примеров с библиотекой Intel IPP:
предоставить разработчику примеры использования примитивов библиотеки
предоставить разработчику API, которые возможно использовать в собственных приложениях
предоставить разработчику полностью законченные, соответствующие стандарту реализации видеокодеков
Какая из нижеприведенных функций копирует одномерный массив, элементами которого являются числа с плавающей запятой двойной точности:
ippiCopy_64f_C1
ippsCopy_64f
ippiCopy_64f
Какая из функций выделяет данные под одномерный массив, содержащий числа с плавающей запятой одинарной точности:
ippsMalloc_32s
ippiMalloc_32f
ippsMalloc_32f
Какой объем памяти будет выделен функцией ippiMalloc_8u_C1, если высота изображения равна 32, а ширина 5:
160 байт
1280 байт
1024 байт
В каких областях могут эффективно использоваться функции библиотеки Intel IPP:
решение систем линейных уравнений большой размерности
операции с матрицами небольшого размера
разработка видеокодеков
Какой объем памяти будет выделен функцией ippiMalloc_8u_C3, если высота изображения равна 32, а ширина 10:
7680 байт
1024 байт
960 байт
Какую из нижеперечисленных функций необходимо использовать для автоматического выбора оптимальной реализации библиотеки при динамической линковке:
только ippStaticInit
только ippInit
оба варианта правильны
Какая из нижеприведенных функций копирует одномерный массив, элементами которого являются целые 32-битные числа без знака:
ippiCopy_32s_C1
ippiCopy_32u_C1
ippsCopy_32u
Пусть с помощью функции ippiMalloc_8u_C1 выделена память под изображение высотой 32 пикселя и шириной 34 пикселя. Чему равна разность указателей на данные, хранящие вторую и первую строки изображения:
34 байта
64 байта
32 байта
Какой объем памяти будет выделен функцией ippiMalloc_32f_C3, если высота изображения равна 32, а ширина 3:
9216 байт
1152 байт
2048 байт
Вы можете обратится к нам напрямую, через:
По Skype: molodoyberkut
По Telegram: @MolodoyBerkut
По ICQ: 657089516
Или через форму обратной связи на нашем сайте
По Skype: molodoyberkut По Telegram: @MolodoyBerkut По ICQ: 657089516Или через форму обратной связи на нашем сайте
Пока сочиняется...
Экзамен "Введение в разработку мультимедийных приложений с использованием библиотек OpenCV и IPP" для пользователей и системных администраторов.
