Appunti Uni

Domande orali passati

3 minuti

Domande orali passati

Domande passate

  • Trasformata di Hough, un metodo che usi rette/circonferenze/ellissi.
  • Object detection, come si valutano le prestazioni e ha chiesto metodo che andasse bene per utilizzo real time.
  • Semantic segmentation, come si valutano prestazioni e come sono fatte le reti, dinne una
  • keypoint e descrittori, spiegane alcuni e come funzionano, racconta SIFT
  • Descrittore di DoG come funziona e cos’è.
  • Bag of words
  • Mobile net
  • Che layer usi quando passi da ultimo layer di convoluzione alla parte fully connected? descrivilo

Simulazione per capitolo

00. Introduzione al corso

  • Visione artificiale vs pattern recognition.
  • Perché il pattern recognition è difficile?
  • Mapping opaco e mapping trasparente, differenze.
  • Che step usi per progettare un sistema VA/PR, descrivili.

01. Sistemi di visione

  • Proiezione prospettica, come funziona.
  • Come scegli FoV, working distance e DoF?
  • CCD vs CMOS.
  • Acquisizione 3D: stereo, structured light e time of flight.

02. Immagini digitali

  • Campionamento e quantizzazione.
  • RGB, HSV e YCbCr, quando li usi?
  • Cross-correlation e convoluzione, differenze.
  • Sobel, Prewitt e Roberts: spiegali e confrontali.

03. Segmentazione

  • Soglia globale e soglia adattiva.
  • Morfologia matematica: apertura e chiusura.
  • Superpixel, a cosa servono?
  • K-means vs mean shift nella segmentazione.

05. Estrazione feature 1

  • Feature invarianti, cosa vuol dire.
  • Istogrammi colore, vantaggi e limite principale.
  • GLCM: cosa descrive e che misure estrai.
  • LBP vs BSIF, cosa cambia sostanzialmente.

06. Estrazione feature 2

  • Shape features, quali puoi usare?
  • Chain code e problemi principali.
  • Shape signatures e descrittori di Fourier.
  • CBIR, semantic gap e relevance feedback.

07. Keypoint

  • Harris detector, come trova gli angoli.
  • SIFT, come trovi scala e orientazione.
  • SURF vs SIFT.
  • Ratio test e RANSAC nel matching.

08. Trasformazioni 2D e image stitching

  • Coordinate omogenee, perché le usi?
  • Gerarchia delle trasformazioni 2D.
  • Omografia: cosa preserva e quanti DOF ha.
  • Image stitching: pipeline completa.

09. Template matching rigido

  • Template matching, come valuti le prestazioni.
  • SSD e cross-correlation.
  • Viola e Jones: quali sono i 3 ingredienti.
  • Hough transform: come voti per una retta.

10. Bag of Words

  • Bag of words.
  • Come costruisci il dizionario visuale?
  • Come rappresenti un’immagine con BoW?
  • Che limiti ha BoW sull’informazione spaziale?

11. V-SLAM

  • Cos’è il Visual SLAM.
  • Pipeline della Visual Odometry.
  • 3D-3D, 3D-2D, 2D-2D: differenze.
  • Loop closing e drift, spiegali brevemente.

12. Deep learning for image classification

  • CNN: perché non usi un MLP sulle immagini?
  • Convoluzione: stride, padding e feature map.
  • ResNet: a cosa servono le skip connection?
  • ViT vs CNN: cosa cambia nel modo di vedere l’immagine?

13. Deep learning for object detection

  • AP e mAP, come si valutano le prestazioni.
  • R-CNN, Fast R-CNN e Faster R-CNN.
  • YOLO, perché va bene per real time?
  • SSD e default box.

14. Deep learning for semantic segmentation

  • Segmentazione semantica vs instance segmentation.
  • IoU e Dice, quando li usi?
  • Encoder-decoder per segmentazione, descrivilo.
  • U-Net e skip connection, perché servono?

15. Video content analysis

  • Background subtraction.
  • GMM per stimare il background.
  • Kalman filter nel tracking.
  • MEI e MHI, differenza?

Vista grafico