Сертификат "Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP"
  • Сертификат "Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP"
  • Сертификат "Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP"
Сертификат "Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP"
  • Сертификат "Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP"
  • Сертификат "Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP"

Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP

700,00 руб.
В течение часа!
Экзамен "Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP" для пользователей и системных администраторов.
Количество
Есть в наличии!

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.
10855 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!

Какие из перечисленных ниже задач относятся к задачам компьютерного зрения:

задача идентификации человека по голосу.
задача сжатия изображений.
задача помощи водителю по визуальным данным.


С помощью линейной фильтрации можно:

сделать изображение более размытым.
и то, и другое.
сделать изображение более чётким.


При формировании изображения с помощью перспективной проекции размер проекции объекта

обратно пропорционален фокусному расстоянию.
прямо пропорционален фокусному расстоянию.
равен размеру объекта.


При перспективной проекции параллельные линии:

остаются параллельными.
могут пересекаться на изображении.
не могут пересекаться.


В цветовом пространстве YUV яркостная компонента соответствует:

Y - каналу.
V - каналу.
U - каналу.


В цветовом пространстве HSV H-канал соответствует:

яркости пикселя.
оттенку цвета.
насыщенности цвета.


Интегральное изображение можно использовать для
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:

не изменяется только в одном направлении.
не изменяется в любом направлении.
изменяется в любом направлении.


Сколько четырех связанных компонент на приведенном ниже рисунке:

 
1
3
4


Какие из перечисленных ниже свойств связанных компонент являются инвариантными к сдвигу связанной компоненты.

центральные моменты.
центр тяжести.
описывающий прямоугольник.


Аппроксимация контура объекта нужна для:

для того и другого.
для ускорения подсчета контурных признаков.
более компактного представления контура.


Сколько восьми связанных компонент на приведенном ниже рисунке:

 
3
1
4


Фильтр Собеля используется для

оценки производной функции интенсивности.
оценки интеграла функции интенсивности.


Какой из приведенных ниже фильтров сделает изображение более размытым:
 
1
2


Пусть дано черно-белое изображение, содержащее шум, представляющий собой изолированные пиксели. Для удаления шума подобного рода целесообразно применить следующую морфологическую операцию:

размыкание
замыкание
морфологический градиент


Гистограмма черно-белого изображения качественно выглядит следующим образом:

гистограмма содержит два пика, соответствующие интенсивностям, равным 0 и 255. Соответственно первый пик определяет количество пикселей белого цвета, второй пик – черного.
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.

 
Пусть задано изображение:

Какое изображение получится изображение в результате применения дилатации:
белое изображение, у которого левая и правая границы содержат черные линии толщиной в 1 пиксель
полностью черное изображение
полностью белое изображение



Какие из перечисленных ниже свойств связанных компонент являются инвариантными к повороту изображения.

описывающий прямоугольник.
центр тяжести.
периметр.


Полосно-пропускающий фильтр изменяет:

спектр преобразования Фурье.
и то, и другое
фазу преобразования Фурье.


Применение оператора дилатации:

уменьшает относительную площадь светлых областей на изображении
не влияет на относительную площадь светлых областей на изображении
увеличивает относительную площадь светлых областей на изображении


Основное назначение операции выравнивания гистограммы:

повышение контрастности изображения
удаление шумов на изображении
размытие изображения


Границы объектов на изображении соответствуют:

пикселам, в которых обе производные функции интенсивности по модулю больше определенного порога.
пикселам, в которых норма градиента больше определенного порога.
пикселам, в которых производная функции интенсивности по Y больше, чем производная по X.


Одним из возможных практических применений оператора Собеля является:

удаление шумов на изображении
сглаживание изображения
выделение границ объектов на изображении


В основе детектора ребер Канни лежит:

операция дилатации
размытие с гауссовым фильтром
оператор Собеля


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



Назначение функции filter2D:

определение ребер на изображении
фильтрация шумов на изображении
вычисление функции линейной свертки


Гистограмма изображения позволяет получить:

статистическую картину о распределении цветов на изображении
статистическую картину о распределении интенсивностей пикселей заданного изображения
статистическую картину о расположении пикселей разной интенсивности на изображении


Выберите верные утверждения:

медианный фильтр позволяет удалять шум на изображении. При этом новое значение интенсивности пикселя определяется как значение интенсивности, которое находится в середине отсортированного набора интенсивностей пикселей фиксированной окрестности.
медианный фильтр обеспечивает размытие изображения.
медианный фильтр позволяет удалять шум на изображении. При этом новое значение интенсивности пикселя определяется как среднее значение интенсивностей пикселей фиксированной окрестности.


Основное отличие операции нормализации гистограммы от операции линейной растяжки гистограммы:

в операции нормализации гистограммы используется наиболее информативная часть диапазона интенсивностей изображения
целью операции нормализации гистограммы является соответствие преобразованной гистограммы равномерному закону распределения
в операции нормализации гистограммы используется нелинейное преобразование интенсивностей пикселей исходного изображения


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.


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 3-ом рисунке
изображение, показанное на 1-ом рисунке


Угловым точкам соответствуют точки, в которых:

оба собственных числа матрицы Харриса больше определенного порога.
оба собственных числа матрицы Харриса меньше определенного порога.
хотя бы одно из собственных числа матрицы Харриса больше определенного порога.


Применение оператора Собеля с ядром позволяет выделить на изображении:

горизонтальные ребра
горизонтальные и вертикальные ребра
вертикальные ребра


Пусть задано изображение:

Какое изображение получится изображение в результате применения эрозии:
белое изображение, у которого левая и правая границы содержат черные линии толщиной в 1 пиксель
полностью черное изображение
полностью белое изображение


Детектор Харриса предназначен для выделения на изображении:

углов
областей экстремума интенсивности
ребер


При вычислении какого дескриптора используются вейвлеты Хаара:

SIFT
SURF
BRIEF


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-ом рисунке
 

Какая функция библиотеки OpenCV позволяет построить ребра на изображении?

Laplace(…)
Sobel(…)
Canny(…)


При повышении контраста сумма норм градиентов на изображении:

понижается.
остается неизменной.
повышается.


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


Какое ядро используется при вызове функции blur из библиотеки OpenCV?

 
Какой из детекторов выделит в качестве особой точки точку (*)
 
детектор Моравеца
FAST
MSER


Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции размыкания?

изображение, показанное на следующем рисунке
полностью черное изображение
полностью белое изображение



Пусть задано черно-белое изображение некоторого объекта. Чтобы уменьшить зернистость границы объекта, необходимо применить:

замыкание
морфологический градиент
размыкание


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


В каком из данных дескрипторов не используются значения градиентов интенсивности при описании ключевой точки:

SIFT
BRIEF
SURF


Пусть задано черно-белое изображение:
Какое изображение получится в результате применения медианного фильтра?

изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке


Алгоритмы классификации изображений, основанные на bag-of-words подходе, в качестве итогового признакового описания изображения используют:

значения градиентов в ключевых точках
значения дескрипторов ключевых точек
нормированные гистограммы, содержащие частоты встречаемости "слов" (вычисленных на этапе построения словаря) в данном изображении


Какой из данных детекторов предназначен для выделения областей экстремума интенсивности:

детектор Моравеца
детектор Харриса
MSER


Пусть задано изображение в оттенках серого:
Какое изображение получится в результате применения медианного фильтра?

полностью черное изображение
изображение, показанное на следующем рисунке
применение операции не меняет изображение
изображение, показанное на следующем рисунке


Пусть задано бинарное изображение:
Какое изображение получится в результате применения операции дилатации?

полностью белое изображение
изображение, показанное на следующем рисунке
изображение не изменится
полностью черное изображение


Какой из следующих алгоритмов не может использоваться при построении словаря в методах, использующих bag-of-words подход:

Gaussian Mixture Models
CART (дерево решений)
K-means


Пусть задано черно-белое изображение:
Какое изображение получится в результате применения медианного фильтра?

применение операции не меняет изображение
полностью черное изображение
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке


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 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
 

Какая функция библиотеки OpenCV позволяет вычислить дилатацию исходного изображения?

dilate
morphologyEx
erode


Выберите ядро оператора Лапласа.


Размерность итогового признакового описания изображения в алгоритмах классификации изображений, основанных на bag-of-words подходе, равна

числу ключевых точек на изображении
размерности дескриптора
числу "слов" (например, числу кластеров в алгоритме k-means)


В чем преимущество детектора Харриса по сравнению с детектором Моравеца:

более устойчив к преобразованиям поворота изображения
инвариантность относительно преобразования сдвига
скорость работы


Укажите ядро Гауссова размытия?

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(N^P)
O(P^N)
O(NP)


Детектор MSER предназначен для выделения на изображении:

ребер
областей экстремума интенсивности
углов


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


Основное отличие дескриптора GLOH от дескриптора SIFT

количество и форма областей, в которых вычисляются гистограммы градиентов
инвариантность относительно поворота изображения
использование набора бинарных тестов в качестве описания ключевой точки


Пусть задано бинарное изображение:
Какое изображение получится в результате вычисления оператора Лапласа (для граничных пикселей выполняется дублирование)?

полностью черное изображение
полностью белое изображение
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке


Пусть задано бинарное изображение
Какое изображение получится в результате применения дилатации?

изображение, показанное на следующем рисунке
полностью черное изображение
изображение, показанное на следующем рисунке
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 компьютерного зрения относятся к задачам видеонаблюдения:

задача распознавания дорожых знаков.
задача нахождения оставленных предметов.
задача поиска логотипа на изображении.


Какое ядро используется при вызове функции boxFilter из библиотеки OpenCV?
 

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


Детектор Моравеца предназначен для выделения на изображении

областей экстремума интенсивности
углов
ребер


Пусть задано бинарное изображение:
Какое изображение получится в результате выполнения морфологической операции размыкания?

изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
 

Окрестность угловая точка на изображении:

image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)

image = cv2.GaussianBlur(image, (7, 7), 1.5)

image = cv2.resize(image, (image.shape[1]/4, image.shape[0]/4))
    image = cv2.resize(image, (image.shape[1]*4, image.shape[0]*4))

   
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 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 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


Какая оператор позволяет вычислить градиент изображения?

оператор Собеля
оператор Лапласа
Оператор Гаусса с ядром 5


Пусть задано черно-белое изображение:
Какое изображение получится в результате применения операции замыкания?

изображение, показанное на следующем рисунке
изображение, показанное на следующем рисунке
изображение не изменится


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
 

LK - метод вычисления оптического потока осуществляет следующие вычисления:

максимизирует рассогласование между соседними кадрами видеопотока.
минимизирует сумму квадратов расстояний между интенсивностями пикселов в соответствующих областях соседних кадров.
ищет ближайшие по цвету пикселы в соседних кадрах.


Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):

замыкание
дилатация
вертикальный оператор Собеля
эрозия
горизонтальный оператор Собеля


Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):

эрозия
горизонтальный оператор Собеля
вертикальный оператор Собеля
замыкание
дилатация


Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):

однозначно определить нельзя
детектора ребер Канни
оператора Лапласа


На рисунке изображены ключевые точки, вычисленные для оригинального и повернутого изображения Для какого детектора наиболее характерно такое поведение:
 
MSER
детектор SIFT
детектор Моравеца


Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):

эрозия
горизонтальный оператор Собеля
вертикальный оператор Собеля
дилатация
замыкание
размыкание


Пиксель можно классифицировать как принадлежащий тени объекта если:

он темнее пиксела фонового изображения и имеет одинаковые цветовые характеристики.
он светлее пиксела фонового изображения и имеет разные цветовые характеристики.
он светлее пиксела фонового изображения и имеет разные цветовые характеристики.


Какая функция библиотеки OpenCV позволяет вычислить эрозию исходного изображения?

morphologyEx
dilate
erode


Пусть задано бинарное изображение
Какое изображение получится в результате применения эрозии?

полностью белое изображение
полностью черное изображение
изображение, показанное на следующем рисунке


Какие точки на изображении наиболее подходят для вычисления оптического потока LK- методом.

точки соответствующие непрямолинейным участкам границы объекта.
точки принадлежащие прямолинейным участкам границы объекта.
точки соответствующие однородным областям объекта.


Пусть заданы изображения
Изображение (2) является результатом применения к изображению (1) следующей операции:

эрозия
дилатация
размытие


Пусть заданы изображения
Изображение (2) является результатом применения к изображению (1) следующей операции:

эрозия
размытие
дилатация


Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):

размыкание
эрозия
замыкание
горизонтальный оператор Собеля
дилатация


Основной недостаток детектора Харриса по сравнению с детектором Моравеца:

вычислительная трудоемкость
отсутствие инвариантности относительно сдвига изображения
отсутствие инвариантности относительно поворота изображения


Какой из нижеперечисленных детекторов не является детектором углов:

детектор Харриса
MSER
детектор Моравеца


Пусть заданы изображения: Изображение (2) является результатом применения следующей операции к изображению (1):

оператора Собеля с ядром 
оператора Собеля с ядром 
детектора ребер Канни


Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):

оператора Собеля с ядром 
детектора ребер Канни
оператора Собеля с ядром


Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):

горизонтальный оператор Собеля
эрозия
вертикальный оператор Собеля
дилатация
замыкание


Какой метод вычитания фона наиболее адаптирован к динамическому изменению фона:

гистограмный метод.
метод обучения фона с помощью скользящего среднего.
метод вычитания статического фона.


Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):

замыкание
размыкание
эрозия
дилатация


Пусть заданы изображения:
Изображение (2) является результатом применения следующей операции к изображению (1):

эрозия
дилатация
горизонтальный оператор Собеля
замыкание
вертикальный оператор Собеля


Пусть заданы изображения: 
Изображение (2) является результатом применения следующей операции к изображению (1):

детектора ребер Канни
оператора Собеля с ядром 
оператора Собеля с ядром


Задачей восстановления регрессии называется

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 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


Классификацией называется

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
задача построения по обучающей выборке функции, по входным переменным определяющей значение количественной объясняющей переменной


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:

увеличить k и построить новый классификатор
уменьшить k и построить новый классификатор


Какие из следующих задач являются задачами обучения с учителем:

восстановление регрессии
кластеризация
понижение размерности
классификация
прогнозирование временных рядов


Если каждый из двух классов не пуст и классы линейно разделимы, то

существует единственная оптимальная разделяющая гиперплоскость
существует оптимальная разделяющая гиперплоскость, в общем случае неединственная
существует бесконечно много оптимальных разделяющих гиперплоскостей


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 ближайшей точки обучающей выборки максимально
расстояние от нее до наиболее удаленной точки обучающей выборки максимально


Метод k-ближайших соседей применяется для решения задач:

только классификации
только восстановления регрессии
и классификации и восстановления регрессии


Идея баггинг-алгоритмов (bagging) заключается в:

совместном использовании алгоритмов кластеризации и классификации
последовательном построении классификаторов, корректирующих ошибки предыдущих
построении множества «независимых» классификаторов


Случайный лес (Random Forests) является:

модификацией алгоритма машины опорных векторов
Бустинг-алгоритмом (boosting)
Баггинг-алгоритмом (bagging)


Какой из следующих методов заключается в построении линейной разделяющей поверхности:

метод k ближайших соседей
машина опорных векторов с произвольным ядром
машина опорных векторов с линейным ядром
случайный лес (Random Forests)


Идея бустинг-алгоритмов (boosting) заключается в:

построении множества «независимых» классификаторов
совместном использовании алгоритмов кластеризации и классификации
последовательном построении классификаторов, корректирующих ошибки предыдущих


Какие из следующих задач являются задачами обучения без учителя:

понижение размерности
прогнозирование временных рядов
восстановление регрессии
кластеризация
классификация


В алгоритме случайного леса деревья решений строятся:

на бутстрэп-выборке и с использованием случайно выбранных переменных (признаков)
путем добавления случайного шума к значениям признаков
путем генерации случайных разбиений в некоторых узлах дерева


За предсказание, сделанное с помощью модели случайного леса, принимается:

класс, который предсказало большинство деревьев решений
сумма предсказаний всех деревьев решений
класс, который предсказало случайно выбранное дерево решений


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 того, чтобы подобрать функцию неоднородности (impurity)
для борьбы с переобучением


Индуктивное обучение – это:

обучение, основанное на использовании метода математической индукции
выявлении общих закономерностей по частным эмпирическим данным
метод мышления, при котором частное положение логическим путём выводится из общего


Машинное обучение – это:

обучение с помощью Интернет и мультимедиа
область научного знания, изучающая методы построения алгоритмов, способных обучаться
наука, изучающая модели и разрабатывающая методы обучения человека с помощью информационных технологий


Дедуктивное обучение – это:

обучение, основанное на формализации знаний экспертов и выводе из этих знаний новых правил и фактов
обучение с помощью Интернет и мультимедиа
процесс логического вывода на основе перехода от частного положения к общему


Если точки из обучающей выборки, принадлежащие разным классам, линейно неразделимы, то:

машину опорных векторов применять нельзя
можно применять машину опорных векторов с любым ядром
можно применять машину опорных векторов только с нелинейным ядром


Деревья решений разбивают пространство признаков

на непересекающиеся параллелепипеды со сторонами, параллельными осям координат
на пересекающиеся параллелепипеды со сторонами, параллельными осям координат
сферические области


Какая из следующих задач является задачей обучения с учителем:

кластеризация
понижение размерности
классификации


Какая из следующих задач является задачей обучения с учителем:

восстановление регрессии
понижение размерности
кластеризация


Какая из следующих задач является задачей обучения без учителя:

визуализация данных
классификация
восстановление регрессии


Какая из следующих задач является задачей обучения без учителя:

кластеризация
классификация
восстановление регрессии


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 средний риск?

математическое ожидание значения штрафной функции
среднее значение штрафной функции на обучающей выборке
среднеквадратическое отклонение штрафной функции


Что такое эмпирический риск?

среднеквадратическое отклонение штрафной функции
математическое ожидание значения штрафной функции
среднее значение штрафной функции на обучающей выборке


Какой из следующих методов является реализацией принципа баггинга (bagging):

алгоритм AdaBoost
Градиентный бустинг деревьев решений (gradient boosting trees)
случайный лес (random forest)


Бутстрэп-выборка – это:

то же самое, что и обучающая выборка
выборка, полученная из исходной путем процедуры изъятия без возвращения
выборка, полученная из исходной путем процедуры изъятия с возвращением


Метод перекрестного (скользящего) контроля предназначен для:

оценки обобщающей способности решающего правила
проверки правильности работы алгоритма обучения
проверки правильности вычисления решающего правила


Какой из следующих методов является реализацией принципа бустинга (boosting):

алгоритм AdaBoost
случайный лес (random forest)
алгоритм CART


Какой из следующих методов является реализацией принципа бустинга (boosting):

Градиентный бустинг деревьев решений (gradient boosting trees)
случайный лес (random forest)
метод ближайших соседей


Метод центров тяжестей (средних) может принимать на вход

как признаковое описание, так и матрицу расстояний
только матрицу расстояний между объектами
только признаковое описание объектов


Дерево решений (CART) строится c использованием:

алгоритма одновременной минимизации размера дерева и функции неоднородности (impurity)
алгоритма глобальной минимизации функции неоднородности (impurity)
жадного алгоритма минимизации функции неоднородности (impurity)


Метод медиан может принимать на вход

как признаковое описание, так и матрицу расстояний
только признаковое описание объектов
только матрицу расстояний между объектами


Метод центров тяжестей (средних) применяется для решения задачи:

классификации
восстановления регрессии
кластеризации


Метод медиан применяется для:

кластеризации
классификации
восстановления регрессии


Метод деревьев решений применяется для решения задач:

и классификации и восстановления регрессии
только классификации
только восстановления регрессии


Какие из следующих методов нечувствительны к монотонным преобразованиям входных параметров:

машина опорных векторов (SVM)
случайные леса (Random Forests)
метод k ближайших соседей
деревья решений


В каком из перечисленных случаев переобучение НЕ будет наблюдаться

увеличение высоты дерева решений
увеличение количества деревьев в алгоритме градиентного бустинга
увеличение количества деревьев в алгоритме случайного леса


Пусть   – обучающая выборка, причем  . Указать правильную формулировку задачи нахождения оптимальной разделяющей гиперплоскости (в случае линейно разделимых классов):

при ограничениях 
при ограничениях 

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!

Пусть задано изображение
Какой из детекторов выделит область, отмеченную на изображении черным квадратом:

SIFT
MSER
детектор Харриса


В основе детектора SIFTлежит:

поиск областей экстремума интенсивности на исходном изображении
поиск угловых точек на изображении
поиск экстремума интенсивности в пирамиде разности гауссианов исходного изображения


Какой из данных детекторов использует в своей работе алгоритмы машинного обучения:

FAST
MSER
SIFT


В основе детектора GLOH лежит следующий дескриптор:

SIFT
BRIEF
SURF


Какой из данных дескрипторов использует в качестве описания ключевой точки набор бинарных тестов:

SIFT
BRIEF
GLOH


Какой из данных детекторов использует пирамиду разностей гауссианов:

MSER
SIFT
FAST


Какой из нижеперечисленных алгоритмов может использоваться при обучении представления отдельных частей объекта для моделей объектов, основанных на частях:

K-means
машина опорных векторов
Gaussian Mixture Model


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 градиента, вычисленное в особой точке
направление, соответствующее максимальной компоненте взвешенной гистограммы градиентов в окрестности особой точки


Какой алгоритм машинного обучения использует в своей работе детектор FAST:

машина опорных векторов
нейронная сеть
дерево решений


В основе дескриптора BRIEFлежат:

значения множества бинарных тестов
значения вейвлетов Хаара
средние значения интенсивности пикселей в окрестности ключевой точки


Какие данные используются при обучении словаря в bag-of-wordsметоде классификации изображений:

дескрипторы ключевых точек
координаты ключевых точек
гистограммы встречаемости ключевых точек в изображении


Какой из нижеперечисленных алгоритмов не может использовать для обучения модели классификации изображений по вычисленным признаковым описаниям:

K-means
нейронная сеть
Машина опорных векторов


В чем заключается основное преимущество дескриптора SURFнад дескриптором SIFT:

инвариантность относительно аффинных преобразований интенсивностей исходного изображения
инвариантность относительно преобразования поворота исходного изображения
скорость вычисления


Какой из нижеперечисленных детекторов является детектором углов:

MSER
BRIEF
детектор Харриса


В основе дескриптора SURFлежат:

гистограммы градиентов
вейвлеты Хаара
усредненные значения интенсивности 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, вычисление дескрипторов ключевых точек, запуск алгоритма k-means
детектирование ключевых точек, запуск алгоритма k-means


Инвариантность дескриптораSIFT относительно поворота изображения обеспечивается за счёт:

вычисления дескриптора с учетом ориентации ключевой точки
усреднения значений в окрестности ключевой точки
предварительного преобразования изображения


За счет чего достигается повышение чувствительности к шуму в детекторе Харриса:

вычисление изменения интенсивности в окрестности ключевой точки с учетом изменения интенсивности в соседних точках, взятых с гауссовыми весами
вычисление градиента интенсивности в ключевой точке с помощью более точных разностных производных
отсечение неперспективных вариантов с использованием алгоритмов машинного обучения


Что из нижеперечисленного не является недостатком детектора Моравеца:

большое число ложных срабатываний на ребрах вследствие шума
не является инвариантным относительно преобразования сдвига
не является инвариантным относительно преобразования поворота


Что из нижеперечисленного не является преимуществом детектора MSER:

инвариантность относительно аффинных преобразований интенсивностей исходного изображения
возможность использования алгоритмов машинного обучения для быстрого нахождения областей локального экстремума
одновременное детектирование областей разного масштаба


В основе дескриптора GLOHлежат:

вейвлеты Хаара
значения набора бинарных тестов
гистограммы градиентов


Критерием ключевой точки в детекторе FAST является:

отношением интенсивности в данной точке к средней интенсивности пикселей в её окрестности
наличие непрерывной последовательности в окрестности точки, значения интенсивностей в точках которой одновременно больше/меньше значения интенсивности в исследуемой точке (с учетом дополнительного порога)
превышение значением градиента в данной точке определенного порога


Составной частью какого детектора является дерево, описывающее иерархию связанных компонент на бинаризованном при разных значениях порога изображении:

MSER
SIFT
FAST


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)


В каком из нижеперечисленных дескрипторов используется PrincipalComponentAnalysisдля уменьшения размерности дескриптора:

SURF
GLOH
BRIEF


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:

L
M
N


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(P^N)
O(N^2)
O(N^P)


В чем заключается основная идея алгоритма сопоставления пространственных пирамид:

сопоставление интенсивностей пикселей во вложенных друг в друга подобластях изображения
сопоставление дескрипторов ключевых точек на изображениях, преобразованных к разным масштабам
вычисление взвешенной суммы числа совпадений дескрипторов ключевых точек в последовательности вложенных друг в друга подобластей пространства признаков


Какие из нижеперечисленных алгоритмов могут использоваться для обучения модели классификации изображений по вычисленным признаковым описаниям:

случайный лес
дерево решений
K-means


В чем основное преимущество использования моделей объектов, основанных на частях, по сравнению с bag-of-words подходом:

учитываются связи и взаимное расположение отдельных частей объекта
нет необходимости в обучении словаря дескрипторов ключевых точек
скорость работы алгоритма


Что из нижеперечисленного является проблемой методов класса bag-of-words, в которых не учитывается пространственная информация:

совпадение признакового описания изображений со схожими по дескрипторам наборами ключевых точек, находящимися в совершенно разных пространственных конфигурациях
скорость работы
невозможность использования алгоритмов обучения с учителем для работы с итоговыми признаковыми описаниями изображений


Какие из нижеперечисленных пунктов являются основными элементами моделей, основанных на частях:

описание связей между частями объекта
представление (модель) отдельных частей объекта
методы обучения представления отдельных частей объекта


Какой из нижеперечисленных алгоритмов не может использоваться при обучении представления отдельных частей объекта для моделей объектов, основанных на частях:

Машина опорных векторов
наивный байесовский классификатор
K-means


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, 0.25, 0.25, 0)
(0.5, 0, 0, 0.5)
(0, 0, 0.5, 0.5)


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, 0.5, 0.5)
(0.5, 0.5)


Что из нижеперечисленного может использоваться в качестве представления отдельных частей объекта для моделей объектов, основанных на частях:

дерево решений
машина опорных векторов
гистограммы ориентированных градиентов (HoG)


В цветовом пространстве YUV яркостная компонента соответствует:

V - каналу.
Y - каналу.
U - каналу.


Основное свойство аффинного преобразования?

при аффинном преобразовании прямая переходит в прямую
при аффинном преобразовании плоскость переходит в сферу
при аффинном преобразовании окружность переходит в окружность


Зачем вычисляется расстояния Махаланобиса в методе вычитания фона, основанного на представлении модели фона смесью Гауссовых распределений?

расстояние Махаланобиса применяется для определения Гауссова распределения, которому соответствует очередное значение цвета/интенсивности пикселя
расстояние Махаланобиса для сопоставления Гауссовых распределений, смесью которых представлена модель фона
расстояние Махаланобиса не вычисляется в методе вычитания фона, основанного на представлении модели фона смесью Гауссовых распределений


Выберите среди предложенного списка функций ошибки функцию кросс-корреляции.
 
 
Что из нижеперечисленного является результатом детектирования объектов на изображении:

координаты контура, ограничивающего объект
набор дескрипторов ключевых точек, принадлежащих объекту
координаты прямоугольника, ограничивающего объекта


За счет чего достигается ускорение при решении задачи определения областей движения с использованием иерархического схемы полного перебора?

конструируется пирамида для некоторого набора последовательно идущих кадров видео посредством масштабирования каждого изображения последовательности (чем дальше кадр в последовательности, тем больше его размер). Последующий поиск выполняется от мелких изображений к более крупным, в результате чего постепенно отсекаются направления смещения, в которых заведомо не происходит движение.
конструируется пара пирамид для пары последовательно идущих изображений посредством масштабирования исходных изображений. Последующий поиск выполняется от мелких изображений к более крупным, в результате чего постепенно отсекаются направления смещения, в которых заведомо не происходит движение.


Выберите правильное утверждение, которое связано с понятием многоуровневого движения:

пиксели сгруппированы в слои – точки, имеющие одинаковое направление градиента. Многоуровневое движение – движение отдельных слоев.
пиксели сгруппированы в слои – точки, имеющие одинаковый цвет/интенсивность. Многоуровневое движение – движение отдельных слоев.
пиксели сгруппированы в слои – точки, имеющие одинаковую магнитуду градиента. Многоуровневое движение – движение отдельных слоев.
пиксели сгруппированы в слои – точки, находящиеся на разной глубине изображения. Многоуровневое движение – движение отдельных слоев.


В каких случаях схема вычитания фона в задаче определения движения работает неэффективно?

резкое изменение освещенности
наличие медленно движущихся объектов
наличие постоянного источника света
наличие шума
резкая смена фона в результате движения камеры
быстрое изменение положения движущихся объектов


какое преобразование определяется моделью  ?

поворот со сдвигом
поворот с масштабированием
преобразование подобия


Какое преобразование определяется моделью ?

поворот с масштабированием
перспективная проекция
преобразование подобия


Какое преобразование определяется моделью  ?
 
поворот с масштабированием
преобразование подобия
аффинное преобразование


Что такое траектория движения объекта?

последовательность координат прямоугольников, окаймляющих определенный объект
совокупность контуров определенного объекта, полученных на последовательности кадров видео
перечисленные определения являются частными. В общем случае, последовательность положений объекта на последовательности кадров видео
последовательность координат центра масс контуров объекта, полученных на последовательности кадров видео


Выберите условия применимости метода вычисления оптического потока для определения областей движения.

ближайшие пиксели двигаются с одинаковой скоростью
изменение яркости пикселя описывается нормальным распределением с математическим ожиданием, равным нулю
ближайшие точки, принадлежащие одному объекту, в плоскости изображения двигаются с похожей скоростью
яркость каждой точки объекта не изменяется с течением времени


Что понимается под положением объекта на изображении?

координаты прямоугольника, окаймляющего объект
все перечисленные утверждения верны
координаты центра масс контура объекта
последовательность координат пикселей, принадлежащих контуру объекта


Для чего применяется алгоритм RANSAC?

RANSAC – это общий метод, который используется для оценки параметров модели на основании случайных выборок.
RANSAC используется для сопоставления дескрипторов ключевых точек
RANSAC используется для вычисления дескрипторов ключевых точек


В чем разница между сопровождением компонент (kernel tracking) и сопровождением силуэта (silhouette tracking)?

принципиальной разницы нет
при сопровождении компонент выполняется сопоставление отдельных фрагментов изображения, содержащих объект, с модельными фрагментами, а при сопровождении силуэта осуществляется сопоставление контура объекта с модельным набором контуров различных объектов.
при сопровождении компонент объект представляется шаблоном геометрической формы, а при сопровождении силуэта объект определяется собственным контуром или набором геометрических примитивов, соответствующих отдельным его частям


К какой группе можно отнести методы сопоставления (matching) ключевых точек для сопровождения объектов?

детерминистские методы сопровождения особых точек
вероятностные методы сопровождения особых точек
методы сопровождения компонент


В процессе применения алгоритма RANSAC при сопоставлении ключевых точек модель представляет собой:

матрицу проекций дескрипторов ключевых точек
матрицу соответствий дескрипторов ключевых точек на паре сопоставляемых изображений
матрицу преобразования дескрипторов ключевых точек на паре сопоставляемых изображений


Что представляет собой наблюдение при построении фильтра Кальмана для случая равномерного движения?

координаты и компоненты вектора скорости точки на плоскости, связанной с изображением
вектор скорости точки на плоскости, связанной с изображением
координаты точки на плоскости, связанной с изображением, и угол наклона вектора скорости относительно горизонтальной оси указанной плоскости
координаты точки на плоскости, связанной с изображением


Какой принцип теории управления является базовым для методов, основанных на применении фильтра Кальмана и фильтра частниц?

принцип компенсации (управление по возмущениям)
принцип обратной связи
принцип разомкнутого (программного) управления


Что из нижеперечисленного является основными этапами алгоритма вывода в методах детектирования объектов на изображении, основанных на извлечении признаков:

оценка степени соответствия признакового описания изображения (части изображения) с шаблоном
применение алгоритма классификации к признаковому описанию изображения (части изображения)
3извлечение признаков из изображения (части изображения) 


Пусть рассматривается метод детектирования объектов на изображении, основанный на извлечении признаков. В качестве признакового описания используется HoG (гистограмма ориентированных градиентов), в качестве классификатора – машина опорных векторов (обученный при фиксированной размерности пространства признаков). Известно, что на изображении имеются объекты разного масштаба. Какой из нижеперечисленных подходов возможно применить в данном случае:

зафиксировать размер «скользящего окна», рассмотреть изображение в разных масштабах
зафиксировать размер изображения, рассмотреть «скользящее окно» в разных масштабах
возможны оба варианта


Условия применимости фильтра частиц для решения задачи сопровождения объектов:

выполнено условие марковской цепи для последовательности состояний
в системе присутствуют шумы с мультимодальным распределением
линейность системы (наблюдение является линейно функцией состояния)
в системе возможен только «белый» шум


Что представляет собой состояние системы при построении фильтра Кальмана для случая равномерного движения?

координаты и компоненты вектора скорости точки на плоскости, связанной с изображением
координаты точки на плоскости, связанной с изображением, и угол наклона вектора скорости относительно горизонтальной оси указанной плоскости
вектор скорости точки на плоскости, связанной с изображением
координаты точки на плоскости, связанной с изображением


Условия применимости фильтра Кальмана для решения задачи сопровождения объектов:

в системе возможен только «белый» шум
линейность системы (наблюдение является линейно функцией состояния)
в системе присутствуют шумы с мультимодальным распределением


В чем преимущество метода «скользящего окна» для детектирования объектов на изображении:

позволяет детектировать объекты сложной формы на изображении
позволяет детектировать несколько объектов на изображении
позволяет увеличить скорость работы алгоритма детектирования


Что из нижеперечисленного может использоваться в качестве классификаторов в методах детектирования объектов на изображении, основанных на извлечении признаков:

гистограммы ориентированных градиентов
нейронные сети
случайный лес


О чем свидетельствует увеличение величины площади под ROC-кривой, на которой отображены значения precision/recall для алгоритма нахождения совпадений между ключевыми точками на изображении и шаблоне:

об увеличении скорости работы данного алгоритма
об улучшении качества работы данного алгоритма
об ухудшении качества работы данного алгоритма


Пусть рассматривается метод детектирования объектов на изображении, основанный на сопоставлении с шаблоном, который представляет собой набор дескрипторов ключевых точек. В качестве меры совпадения ключевой точки на изображении с точкой на шаблоне используется критерий близости их дескрипторов по евклидовой метрике (значение данной величины должно быть меньше определенного порога). К чему приведет уменьшение значения данного порога:

к уменьшению числа правильно продетектированных несовпадений, к уменьшению числа правильных соответствий, которые были отброшены
к увеличению числа правильно продетектированных несовпадений, к увеличению числа правильных соответствий, которые были отброшены
к уменьшению числа правильно продетектированных несовпадений, к увеличению числа правильных соответствий, которые были отброшены


Пусть на изображении и на шаблоне содержится n ключевых точек. Чему равна вычислительная сложность алгоритма нахождения соответствий между точками на изображении и точками на шаблоне в случае использования метода полного перебора:

O(n)
O(n^2)
O(log n)


В чем основное назначение использования пирамиды изображений при детектировании объектов на изображениях:

возможность детектирования объектов разных классов
ускорение вычислений
возможность детектирования объектов разных размеров


Что из нижеперечисленного является основными этапами алгоритма вывода в методах детектирования объектов на изображении, основанных на сравнении с шаблоном:

выделение признаков из изображения (части изображения)
выделение признаков из изображения (части изображения)
нахождение меры соответствия признаков, извлеченных из изображения (части изображения) с признаками, извлеченными из шаблона


Пусть дано изображение шириной и высотой в 32 пикселя. Ширина и высота «скользящего окна» равна 10 пикселям. Чему равно число различных положений «скользящего окна», полностью лежащего на исходном изображении:

529
1024
100


Что является решением задачи определения областей движения на видео?

совокупность бинарных изображений, в которых белые пиксели соответствуют пикселям, принадлежащим движущимся объектам, а черные – пикселям фона
совокупность пикселей, в которых происходит движение, для каждого кадра видео
набор пикселей изображения, в которых происходит движение


О чем свидетельствует уменьшение величины площади под ROC-кривой, на которой отображены значения precision/recall для алгоритма нахождения совпадений между ключевыми точками на изображении и шаблоне:

Об улучшении качества работы данного алгоритма
Об уменьшении скорости работы данного алгоритма
Об ухудшении качества работы данного алгоритма


Пусть дано изображение шириной и высотой в 22 пикселя. Ширина и высота «скользящего окна» равна 8 пикселям. Чему равно число различных положений «скользящего окна» на исходном изображении:

64
225
484


Чем определяется количество Гауссовых распределений в смеси Гауссовых распределений, которая представляет модель фона?

количество распределений определяется сложностью моделей движения объектов
количество распределений определяется объемами имеющихся вычислительных мощностей
количество распределений определяется размерами изображения
количество распределений определяется сложностью фона


В процессе поиска движущихся объектов в отличие от задачи определения областей движения необходимо построить траектории движения Что является решением задачи определения областей движения на видео?

задача поиска движущихся объектов предполагает не просто определение области движения, но и вычисление положения движущихся объектов на последовательности кадров видеопотока
в процессе поиска движущихся объектов в отличие от задачи определения областей движения необходимо построить траектории движения
принципиальной разницы нет


Зачем вводятся коэффициенты дисторсии?

для уменьшения численной ошибки вычислений с плавающей точкой
для моделирования искажений линз
для выравнивания цветов пикселей, полученных с камеры


Пусть рассматривается метод детектирования объектов на изображении, основанный на сопоставлении с шаблоном, который представляет собой набор дескрипторов ключевых точек. В качестве меры совпадения ключевой точки на изображении с точкой на шаблоне используется критерий близости их дескрипторов по евклидовой метрике (значение данной величины должно быть меньше определенного порога). К чему приведет увеличение значения данного порога:

к увеличению числа найденных совпадений, к увеличению числа ложных срабатываний
к увеличению числа найденных совпадений, к уменьшению числа ложных срабатываний
к уменьшению числа найденных совпадений, к уменьшению числа ложных срабатываний


Что из нижеперечисленного может использоваться в качестве признаков, извлеченных из изображения в методах детектирования объектов на изображении, основанных на извлечении признаков:

CART
гистограммы ориентированных градиентов
машина опорных векторов


Что такое калибрация камеры?

определение параметров камеры, например по нескольким изображениям известного шаблона
установка нужных драйверов при подключении камеры к компьютеру
серия ударов по камере, чтобы выровнять её внутренние параметры


Как записывается fundamental matrix constraint?
 

Если стерео-смещение (диспарити) точки A больше, чем у точки B, и рассматривается расстояние вдоль оптической оси камер (то есть рассматривается координата Z), то:

точка A расположена дальше к камерам, чем точка B
точка A может быть как ближе к камерам, так и дальше, чем точка B
точка A расположена ближе к камерам, чем точка B


В чём заключается проблема PnP?

определение позы объекта, если известны параметры камеры и соответствия между 3D точками объекта и 2D точками на изображении
определение соответствий между 3D точками объекта и 2D точками на изображении, если известны параметры камеры и поза объекта
определение позы объекта, если известны параметры камеры, 3D точки объекта и 2D точки на изображении


Что такое ошибка репроекции?

расстояние от точки, спроецированной на изображение, до соответствующей ей точки на изображении
ошибка в координатах спроецированной точки, вызванная погрешностью вычислений
ошибка при решении задачи обратной к задаче проектирования точки


Что такое эпиполярная линия?

это линия в эпиполярном пространстве, соединяющая два эпиполя
это линия, которая является проекцией луча, проходящего через центр камеры и интересующий нас пиксель, на изображение другой камеры
это линия, расположенная над эпиполем


Что такое геометрическая валидация соответствий?

применение преобразования гомографии к какому-либо соответствию
то же самое, что и валидационное соответствие геометрии
откидывание ложных соответствий, которые не удовлетворяют используемой геометрической модели


В какой книге нужно искать ответ на сложный вопрос по геометрии в компьютерном зрении?

Richard Hartley and Andrew Zisserman. Multiple View Geometry in Computer Vision.
John von Neumann and Alan Turing. Geometry in Computer Vision: a Modern Approach.
Gary Bradski. The Hitchhiker's Guide to Geometry in Computer Vision.


Насколько точно можно восстановить трёхмерные координаты точки, зная её координаты на одном изображении и внутренние параметры камеры?

можно найти только луч, на котором расположена точка
возможны два решения: в первом точка расположена перед камерой, а во втором на таком же расстоянии за камерой
можно однозначно определить трёхмерные координаты точки


Что делает преобразование стерео-ректификации?

выравнивает два изображения так, что соответствующие друг другу точки находятся на одной эпиполярной линии
выравнивает два изображения так, что соответствующие друг другу точки находятся на одной горизонтальной линии
выравнивает два изображения и создаёт из них одно, на которое можно смотреть в стерео-очках


Что делает преобразование, обратное к преобразованию дисторсии (undistortion)?

убирает на изображении искажения, внесённые несовершенством линз
выравнивает цвета пикселей, полученных с камеры
по координатам пикселя восстанавливает координаты соответствующей трехмерной точки


Зачем в компьютерном зрении используется проективная геометрия?

чтобы придать солидность публикуемым статьям и разрабатываемым алгоритмам
чтобы по одному или нескольким изображениям получить некоторую информацию о трёхмерной структуре снимаемой сцены
чтобы ускорить работу фильтров обработки изображений на непланарных объектах разной формы


Что такое оптическая ось камеры?

ось, на которую крепится оптика камеры
прямая, проходящая через центр камеры перпендикулярно плоскости изображения
прямая, проходящая через центр камеры и пиксель, выбранный на изображении


Если – матрица внутренних параметров камеры, R – матрица поворота объекта, T – вектор его параллельного переноса, то чему равна проекционная матрица P?

P=K(R | T)
P=R(K | T)
P=K^(-1) (R | T)K


Если (X Y Z) – координаты трехмерной точки, P – проекционная матрица, то по какой формуле найти координаты (u v) этой точки на изображении?
 
 
Какую задачу решает алгоритм Левенберга — Марквардта?

нахождение локального минимума целевой функции из задачи о наименьших квадратах
нахождение глобального минимума выпуклой функции
нахождение глобального минимума выпуклой функции


Сколько степеней свободы в матрице гомографии?

8
3
9


Какой ранг имеет фундаментальная матрица?

3
2
1


Что нужно знать, чтобы для точки с известными трёхмерными координатами найти её координаты в пикселях на изображении?

матрицу внутренних параметров камеры и коэффициенты дисторсии
коэффициенты дисторсии
матрицу внутренних параметров камеры


Изображения каких объектов связаны между собой преобразованием гомографии?

любых
текстурных
плоских


Множество пар 2D-3D точек в задаче PnP содержит 80% ошибок. Сколько в среднем потребуется итераций RANSAC для её решения?

80^2
5^4
5^3


Когда применяется метод RANSAC?

для перехода из одной системы координат в другую
для определения параметров модели в случае зашумлённых данных
для проекции точки с известными трёхмерными координатами на изображение


Какие языки программирования официально поддерживаются в OpenCV?:

C/C++, Matlab, Java
C/C++, Python, Java
C/C++, Python, Matlab


В каких случаях Питон предпочтительней C++ при работе с OpenCV:

для написания законченных коммерческих программ
для написания кросс-платформенных программ
для прототипирования


Можно ли использовать OpenCV в коммерческих приложениях?:

да, если в документации или сопроводительных материалах содержится копия лицензии OpenCV
нет
да, если об этом никто не узнает



Какой результат произведет следующий код:

Mat* img = new Mat(10, 10, CV_8U);
printf("sum=%g\n", sum(*img)[0]);
img->release();
delete img;

завершится ошибкой при попытке посчитать сумму элементов, поскольку созданная матрица не инициализирована
напечатает некоторое число
напечатает 0 и завершится ошибкой из-за двойного освобождения памяти


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);

ничему, программа упадет
2
1


Как в Питоне создать эффект "расфокусированного" изображения:

быстрого нахождения минимального значения яркости в прямоугольной области
и то, и другое
быстрого вычисления средней яркостей пикселей в прямоугольной области



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?

уменьшить изображение перед детектированием. Использовать аппаратное ускорение для уменьшения изображения.
запускать детектор в параллельном потоке на некоторых "ключевых" кадрах, следить за обнаруженными лицами для вычисления их положений на промежуточных кадрах
увеличить размер minSize – параметр, подаваемый в метод detectMultiScale()


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


Для чего вызывается мы вызываем waitKey() в цикле обработки видео и указываем там задержку 30мс?:

чтобы пользователь успел увидеть результаты обработки
чтобы пользователь успел увидеть результаты обработки и чтобы выйти из цикла по нажатию клавиши
чтобы выйти из цикла по нажатию клавиши и чтобы обработать события от оконной системы (в частности, запросы на перерисовку)


Машина опорных векторов с линейным ядром строит границу между объектами двух классов в виде:

линейной комбинации деревьев решений
гиперплоскости
поверхности, проходящей через все опорные точки


На каких операционных системах работает OpenCV?:

Windows
Windows, Linux, iOS, Android
Windows, Linux


Какую функциональность содержит модуль features2d?:

нахождение особых точек и вычисление их описателей
захват видео с камеры
обработка изображений


Какая из приведенных программ на C++ корректно подсчитывает кол-во пикселей полутонового изображения img, яркость которых больше чем определенный порог t:

int count = 0; for(int i = 0; i < (int)img.total(); i++) count += img.data[i] > t;
int count = countNonZero(img > t);
Mat mask; inRange(img, t, t+255, mask); int count = countNonZero(mask);


Что такое особые точки на изображении?:

точки, которые при изменении ракурса и условий освещения по-прежнему позволяют корректно оценить положение объектов, на которых они находятся.
точки с наибольшим локальным контрастом
точки, для которых проще всего вычислять дескрипторы


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


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?

Mat edges; Canny(img, edges, 5, 50); blur(edges, edges, Size(N, N)); Point maxLoc; minMaxLoc(edges, 0, 0, 0, &maxLoc);
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);
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 */ }

Вы можете обратится к нам напрямую, через:

skype По Skype: molodoyberkut
telegram По Telegram: @MolodoyBerkut
icq По ICQ: 657089516

Или через форму обратной связи на нашем сайте
Пока сочиняется...
4.png