Loading

Alison's New App is now available on iOS and Android! Download Now

Study Reminders
Support
Text Version

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Esta conferencia, nos movemos un poco hacia adelante y hablamos. Otros tipos de artefactos de imágenes que son prácticamente útiles, específicamente tetas y esquinas. Antes de ir allí, nosotros dejamos una pregunta para ustedes al final de la última conferencia. Espero que usted pase algún tiempo trabajando la solución usted mismo. Si no es así, vamos a discutir brevemente el contorno ahora mismo y, uh, esperar a que usted trabaje los detalles usted mismo. Así que hablamos de tratar de usar los bordes de Ganni para obtener líneas rectas en imágenes. ¿Cómo se hace esto? Primero computa los bordes canosos en, en su imagen, lo que significa que computará sus gradientes en la dirección X y en la dirección Y. Y también puede calcular sus datos. Que son sus ángulos de cada uno de sus bordes, que es dado por tan inverso de gradiente con respecto a Y dividido por grado en perspectiva X. Ahora, como el siguiente paso, lo que hacemos es asignar cada borde a una de ocho direcciones. Es sólo un número que usted podría elegir. Cualquier otra cosa. ¿Le asignaría cada borde a una de ocho direcciones? Así que probablemente combinaremos siete pulgadas en una sola bandeja. Y para cada una de estas ocho direcciones, llamemos a una de esas direcciones para ser B obtenemos lo que se conoce como lente de borde y lo que son labios de borde, lits de borde son componentes conectados para píxeles de borde con direcciones en D menos uno D y D más uno. Así que para un dado, así que tienes ocho posibles direcciones en las que has sido todas tus adiciones de agilidad, y tomas una de ellas y las conectas con bordes. Pero. Orientación D menos uno y D más uno. Así que obtendrás un conjunto de lo que se conoce como edge let's. Una vez que usted computa su Atlas, entonces calculamos dos cantidades, la rectitud y la orientación de los labios del borde. La forma en que vamos a hacer esto es usando los valores de Eigenvectores Eigen del segundo momento, la matriz de los píxeles del borde. Por lo tanto, lo que hacemos aquí es que tiene sus píxeles de borde que pertenecen a un determinado borde elegido. Así que usted toma todos esos píxeles y calcula tal matriz. La matriz es dada por. Así que si nos fijamos en la primera entrada aquí, la primera entrada aquí, corresponde a X menos nueva X, la nueva X es la dimensión media X. Con todos esos pixeles en la tierra del borde y cada X corresponde a una de esas exportaciones y X de uno de esos pixeles de borde. Así que simplemente estás calculando en algún sentido, una sensación de varianza con respecto al píxel de borde medio a lo largo de la dirección X. Del mismo modo, usted tiene una varianza del a lo largo de la dirección Y de esos pixeles de borde con respecto a sus medios. Y también encuentras la obediencia con respecto a. Instrucciones X e Y. Así que una vez que tengas este video, similar a como sucede el análisis de componentes principal, tomamos los eigenvectores y eigenvalues de esta matriz de momento determinado. Y recuerde que el yo puedo vector y puedo, puedo vector que corresponde al mayor valor eigenvalue. Le daremos la dirección de la varianza máxima entre estos píxeles. Y eso es lo que estamos buscando. Comprensión. Así que finalmente decidimos que la orientación del intelecto se va a dar por 10 fue, hemos ganado por no ser donde queremos es el mayor eigenvector por más grande. Nos referimos al eigenvector correspondiente al mayor valor eigenvalue. Recuerda aquí que M es un para cruzar a la matriz, lo que significa que sólo tendrás dos eigenvalues al máximo. Y vas a tomar el eigenvector correspondiente a esos, al eigenvalue más grande. Y llamamos a eso ser, queremos, y no somos el otro es el otro, me pongo mejor. Así que si usted toma una tangente era de estos dos vectores, que los datos le darán la dirección de ese atleta general. Okay. Así que en caso de que, uh, usted está encontrando esto difícil de entender, por favor regrese y lea el análisis principal de componentes, y usted será capaz de conectar eso a esta idea en particular. Y definimos la rectitud para ser Lambda dos por Londres. Uno donde Lambda dos es el segundo mayor valor eigenvalue y Lambda uno es el mayor valor eigenvalue. Así que la declaración está aquí va a ser el valor más alto cuando tanto los twos Lambda y Lambda son, uh, son, están igualmente cerca de cerca de igual. Y una vez que usted obtiene esta cantidad, usted apenas el umbral de la rectitud apropiadamente y los segmentos de la línea de la historia. Así que realmente no importa si se mide la dulzura como cordero, que dos por Lambda uno o Lander uno por Lambda dos. Sólo tiene que asegurarse de que construye el umbral de forma adecuada. Si usted interna la relación de rectitud, usted sólo tiene que asegurarse de que usted lanza, acorte el valor apropiado y luego obtener su enfermedad de la línea. Así que aquí hay un ejemplo visual. Así que puedes ver que después de aplicar canny, obtienes todos estos bordes a la izquierda. Así que usted consigue un montón de bordes, que son bastante, bien conectados no demasiado ruidoso, pero no todos corresponden a líneas rectas. Muchos de ellos corresponden a bordes que representan el, dicen la textura del piso y así sucesivamente y así sucesivamente. Pero realmente no queremos una que cuando el modelo digamos que hay una aplicación que realmente no la queremos. Así que entonces usted utiliza este tipo de un enfoque para obtener sólo las líneas rectas de su Kenyon. Sólo piensa más en esto, si, y usted puede, creo que saber más sobre BCA le ayudará a entender esto un poco mejor. Avanzando. Como hemos dicho, el foco va a ir de los bordes a los artefactos más nuevos que son tetas y esquinas. Así que recuerda, última conferencia, hablamos de tomar el y dijimos que los pasos cero del laboratorio, lección de hierba, guardianes podrían darte una medida de solo una imagen. Esa era otra forma en la que se podía obtener, sólo en una imagen. Ahora van a hablar de ello ligeramente de manera diferente. Así que una vez más, solo para recapitular, recuerda, esta es tu Esta es tu derivada de las Garcias, y esta es tu vuelta LaSeon de tu disfraz. Donde la escena de LA nos definimos el grado F de grado F es igual a hacer cuadrado F por la X al cuadrado por D más esos cuadrados Y por X, me disemo. Ahora, digamos que un ejemplo de un va a parecer algo así, donde tienes un menos cuatro en el centro. Y uno, uno, uno, uno en sus vecinos más cercanos y cero cero, cero, cero. Y es el siguiente nivel de Núñez Nápoles. Pero puedes tratar de adivinar por qué este es un punto relevante para saber, hace el up es un igual y también podría haber sido cero cero, cero, cero menos uno, menos uno, menos uno, menos uno y cuatro. Así que si realmente visualiza el espíritu hacia arriba, usted los vería en el centro. Hay un pico. Y son vecinos inmediatos más cercanos. Hay un menos uno. Hay un valor que va debajo debajo de su cero. Y luego hay ceros en otros lugares. Así que si intentas visualizar la calle, eso sería muy, muy similar a la forma del, pero acabamos de ver en la luz más temprana, pero eso es una especie de geometría de la perspectiva conceptual. ¿Por qué dijimos cuarto? ¿Por qué no? ¿Por qué no? ¿Ocho? ¿Por qué no? ¿Cualquier otro número? Una vez más, se vuelve a aproximar los gradientes de alguna manera. Y podemos trabajar esto para mostrarle cómo funciona esto. Así que recuerda, estamos compitiendo por dormitorios secundarios aquí. Así que los cuadrados F haciendo cuadrado se puede reconocer en la aproximación utilizando los primeros principios. Puedes decir que es F de X más uno, Y. Además F de X menos uno, Y menos dos F de X, Y de manera similar, puedes escribirlo para esos cuadrados F por la plaza blanca. Ahora, si usted intenta poner ambos de estos en su laboratorio de la ecuación del traje de loseno o su ecuación, en este caso en particular, entonces tendría que el cuadrado F es igual a F de X más uno Y más. F de X menos uno, blanco más F de X blanco más uno más F de X, Y menos uno, menos cuatro veces X, Y esto debe enderezar anillo una campana para usted en cuanto a por qué tiene este tipo de miedo de F de X deslizar. El coeficiente es menos cuatro y sus vecinos X más uno X menos uno. Y de manera similar, Y más uno por menos uno, el coeficiente es uno. Así que el simplemente vino de. Tomando una aproximación del gradiente. Recuerda que podrías tener otro tipo de aproximaciones del degradado con respecto al barrio local. Usted podría considerar una ventana más grande, una y así sucesivamente. Si usted hace eso, obviamente la definición de la tendría que ser apropiadamente. Otra ilustración visual aquí es la imagen original. Aquí simplemente está tomando el y aquí está el postre. Si tomas la vuelta Lyceum de disfraz, recuerda de nuevo, eso te da el efecto alisador, que suaviza el ruido y luego escoge la de tu imagen original. Una vez más, recuerda la cerveza, basta con tomar un filtro y en el filtro desplazándolo en cada punto de la imagen y obteniendo tu opinión. Ahora vamos a hacer la pregunta. Así que esto es algo que ustedes vieron parcialmente lo último. Entonces, ¿qué es, puedes, tienes ideas? La otra cosa que la pasión de García puede hacer es detectar tetas. Y recuerda que una vuelta por último, ya sabes, Gus en filtro se ve algo así. Recuerda que podrías escribir el Laplace de esta manera o de la otra manera. Realmente no importa. Como, por lo tanto, uh, al final del día para la detección de bordes y la detección similar de otros artefactos, el único tomar el valor absoluto, si la salida es negativa o positiva, sólo tomamos el valor observado. Así que eso cambiaría si tuvieras un círculo blanco con un agujero negro, O un círculo negro que el blanco, idealmente no nos importa. Ambos son blogs para nosotros. Y lo ideal es que queramos reconocer tetas en ambos casos. Así que podrías escribir tu laboratorio, glicina de García de esta manera, u otra forma en la que tu pico central suba encima. Por lo tanto, y la otra parte viene abajo. Esto es similar a escribir el laboratorio, la lección de disfraz con un menos cuatro en el centro. Y uno, uno, uno alrededor o que ofrece en el centro y menos uno, menos uno, menos uno. Así que ahora, si intentas visualizar esto como una imagen, así que si tomaste una vuelta lisina de Gus liberó un tres por tres, tal vez demasiado pequeño, digamos que expandiste, toma un barrio más grande. Digamos que se toma un siete por siete u 11 por 11. Encontrarías que la última lección de la libertad de Gustin, solo el filtro en sí. Recuerda que también es matriz que también se puede visualizar como una imagen se vería algo así. Uh, blob negro en el anillo medio o blanco, que es donde tienes un pico y gris todo, todo el camino. En otros lugares, también podrías tener un inversor de esto, donde tienes blanco en medio del verde negro, y luego gris por todo lo que de estos son similares. Y al mirar el filtro, se puede decir que es probable que detecte blogs en algún sentido, podemos hacer mostrar que el filtro puede ser visto como. Comparando una pequeña imagen de lo que se quiere encontrar contra todas las regiones locales en la imagen. Así que eso es un ligero matiz, que es diferente. Esto se ve un poco similar a la coincidencia de la plantilla para lo que se utiliza la correlación cruzada, pero en la convolución, usted doblaría el filtro y la búsqueda de que a través de la imagen. Pero cuando su filtro es simétrico, realmente no importa qué correlación cruzada y combinación estaremos buscando la misma libertad en la imagen. Así que una vez, una vez que usted tiene una aplicación de glicina como esta, usted puede probablemente venir algunas flores en un campo, o probablemente puede detectar, uh, glóbulos rojos, uh, células en su análisis de sangre. Cualquiera, cualquier estructura que blobs a través de una imagen, claramente en esta imagen con girasoles, hay blobs de diferentes tamaños. Así que usted tendría que ejecutar un laboratorio con diferentes, uh, los diferentes tamaños de tetas. Para poder capturar todos esos blobs en la imagen. No vamos a avanzar hacia el siguiente artefacto, que es muy útil esperar de las imágenes para una gran parte. Uh, extraer rincones de una imagen era un área muy, muy importante de investigación en visión informática a finales de los noventa y principios de los dos miles, mucho, probablemente en los años noventa y principios de los dos miles. Así que trataremos de describir un método popular hoy en día. Y empecemos por hacer la pregunta. Supongamos que teníamos una imagen como esta, lo que serían características interesantes que diferencian esta imagen de cualquier otra dimensión, recuerde que queremos hacer cualquier proceso. Queremos ser capaces de extraer algunos elementos únicos de la imagen. Entonces, ¿cuáles son esos elementos únicos en esta imagen? Y vas a decir que esos van a ser tus. Kronos, pero intentemos ir ahí. Lo ideal es buscar imágenes, imágenes, regiones que son inusuales, algo que distingue, esa imagen algunas, esa imagen de región de otras imágenes. Si tienes una región que es texturas, por ejemplo, el cielo azul, entonces eso podría ser común a través de varias imágenes. Y puede que realmente no sea única para esa imagen en particular. Es posible que no pueda localizar esa región en ninguna otra dimensión con la misma, con el contenido similar. Lo ideal es buscar parches con grandes cambios de contraste, gradientes grandes. Al igual que sólo eres un buen ejemplo, pero hablaremos de por qué es posible que no sea el artefacto adecuado en un momento, pero estamos buscando algunos parches o algunas regiones en la imagen, que tienen grandes cambios de contraste como las calificaciones. Pero el problema con los bordes es que acaba de sufrir de lo que se conoce como D. Acerca de su problema. Su problema es sólo, uh, ver una ilustración visual en la diapositiva siguiente, pero que por qué sólo son buenos, aspectos únicos de una imagen en particular, que sufren de un problema, que vamos a hablar de la diapositiva siguiente. Así que lo que idealmente estamos buscando son regiones de la imagen o lo que vamos a llamar esquinas, donde los gradientes en al menos dos direcciones diferentes son significativas. Así que recuerda que el borde es un artefacto en el que tienes un gradiente significativo en una dirección, que va a ser normal a la página. Podría ser cualquier dirección, el borde, tal vez la dirección normal a ese borde va a ser la orientación de eso, de ese borde. Pero la cosa que queremos, esos puntos donde podría haber un gradiente significativo, ¿qué significa eso? No quiero algunos. Tomemos un ejemplo tangible. Vamos a suponer que hay un artefacto como este, esto parece algo invertido V digamos, y tenemos este tal artefacto y queremos averiguar, uh, que parte de esto usted mencionó, vamos a asumir el sistema para la imagen o ignorar la caja azul. La caja azul es para explicarte a ti. Basta con considerar la imagen con sólo en el botón V. Usted quiere averiguar ahora qué aspecto de la imagen es único para él, que puede ayudarnos. Reconoce que dice otras veces, o si usted ve esa imagen de otros. Así que si consideras esta caja azul colocada aquí, ves que esa es una región textualista plana. No hay cambio de intensidad en esa región. Así que no va a ser muy útil. Es como el cielo azul sin absolutamente ningún cambio. No va a ser muy útil cuando intentas comparar esta imagen con otras imágenes. Así que si ahora colocas la caja azul en el borde, parte de la, uh, De la imagen. Esto es bueno. Hay algún artefacto que es útil, pero el problema es si usted mueve esta campana de parche fuera de aquí antes de que todos los que tienen la misma respuesta, usted nunca sabrá si colocó su caja aquí en aquí, porque todos ellos tendrían exactamente la misma respuesta. Y no hay diferencia en las características locales en todos estos lugares. Así que, lo que significa que si bien es útil, hay algo que les falta. Así que lo que significa que si tratas de igualar o digamos que tomas una foto panorámica en tu teléfono y tratas de alinear dos imágenes, es posible que no sepas qué parte del borde para alinear eso. Idealmente buscando colocar la caja en ese tipo de punto donde hay cambio en dos direcciones, y ese punto podría ser único. A esta imagen en particular. Y lo ideal es que estemos buscando muchos puntos de este tipo en una imagen, pero tales puntos son el tipo de puntos que queremos detectar en una imagen. ¿Cómo encontramos esos puntos en una imagen? Como sabemos hacerlo, sólo sé, pero digamos que vamos un nivel más allá para tratar de ver cómo se encuentran tales esquinas en una imagen para hacer eso? Vamos a definir una cantidad o auto correlación. Okay. Como el nombre de los Estados, es la correlación automática, es correlación consigo misma. Así que si no vas a usar ninguna libertad externa, va a tomar un parche en la imagen y ver cómo se correlaciona consigo mismo. ¿Qué significa eso? Tratemos de cuantificar eso. Por lo tanto, vamos a definir la función de autocorrelación como la toma de un parche en la imagen, y se calcula la suma de las diferencias cuadradas entre las intensidades de píxel. Pero pequeñas variaciones en la posición del parche de imagen. Así que si tuvieras un punto B I en la imagen, digamos que lo colocas en el centro. Eso es lo que va a ser el ojo. Y si ahora tienes un día pequeño, eres tú, que va a ser la diferencia. Vas a mover ese parche por cierto Delta. Recuerdas BI y Delta, son ambas coordenadas 2d. Así que, incluso entonces, probablemente lo tendrá. Y hablar, tú y el Delta serán, por ejemplo, como quiero, hacemos eso menciona que es eléctrico, que va a ser, así que sí, tengo BI, que es la intensidad de la imagen en ese punto BI, entonces mueves el punto, el I más Delta, tú, lo moves un poco y ves cuál es la intensidad de imagen en esa nueva ubicación? Y usted piensa la suma de las diferencias cuadradas para todas las personas en ese parche en particular. Así que si tomas un parche cuadrado, Toma cada punto, moverlo un poco para mover toda esa caja de la misma. Y luego computa las distancias por pares entre las mismas ubicaciones en el parche original y el nuevo parche y suma todas. Esto es lo que definimos como correlación automática sobre la disfunción, WPI. WF BI es una función que te dice cuánto quieres dar peso para cada punto en particular en ese lote, tal vez para el pixel central, quieres darle más peso a un píxel en la periferia de ese cuadrado de esa plaza azul que tienes. Es posible que desee ponderarlo un poco menos de él. Así que podrías tener una tarifa fija para todos los puntos de esa plaza. O podría tener un que defina WF BI. Cuando esperas en el centro comercial pixel central. Y los píxeles de la periferia, una pequeña lección, lo definimos como auto más. Ahora vamos a tratar de ver cómo usted, uh, calcular la autocorrelación y luego volver a cómo calcular el honor utilizando esta correlación automática? Así que vamos a ver esto más profundamente. Consideremos la expansión de la serie Taylor de su. I have BI plus Delta U book PA. Además de la entrevista se trata de tomar el parche, que se centró en BI y moverlo por un Delta U y colocarlo en una ubicación ligeramente compensada en la misma imagen de la expansión de la serie de Taylor, se puede escribir desastre IFPI más grad del Delta del IPI. Usted fue gratificado. RPI es el gradiente de imagen en esa ubicación en particular? Do I. BI by new X come up though. I en BI BI puerta, usted sabe cómo el gradiente de la computadora, como ya hemos visto que hasta ahora. Ahora vamos a escribir la correlación automática. Recuerde que la definición de correlación automática que escribimos en la diapositiva anterior es esta donde decimos cuál es la correlación WPI en IFPI, más Delta U menos IFPI. Ahora mismo vamos a sustituir, tengo IFPI más Delta U. Con esta expansión de las ciudades de Taylor. Así que tapando eso en aquí, vas a tener WPI este primer elemento aquí se escribe como IFPI más Delta IFPI, Delta U menos IFPA. Así que sólo para, uh, sólo para explicar las notaciones aquí por Delta de U V significa un Delta del vector de usted y decir Delta V. Porque es, hemos sacado una presentación aquí. Simplemente lo escriben como uno de esos datos de usar la visión. Como, de todos modos, eso va a ser una sumisión para TAVI, que se hará cargo de la otra competente. Una vez que tengas esto, puedes ver que IFPI e IFPI se cancela y te quedas con summation sería X, Y WPI en ésos. ¿Por qué tengo BI? ¿Se mantiene el script? Y vamos a escribir que como cantidad, Delta, se transpone una matriz a en Delta U. Okay. Así que recuerde que usted tiene esta pequeña plaza, usted acaba de dividir en dos partes donde usted tiene una parte que viene aquí. Y una parte que va aquí y el resto de lo que tienes a WPI a través de, ITI, usted combina eso en una matriz. ¿Cómo se vería bien? Parece que algo así como este número va a ser una combinación de lo azul en su dispositivo aunque hielo. Así que significa que se va a ver algo así. W has venido una semana, vas a tener el número dos, competencia de la sumisión. ¿Está al cuadrado? I X I, Y I S I, Y I, my square, ésos are going to be tus gradientes, y eso va a ser tu Imitrex. Así que tomamos la definición. Así que definimos la autocorrelación de una manera particular donde dijimos, tomamos un parche, lo movemos un poco y vemos cómo las propiedades de la imagen cambiaron en esa región local. Así que entonces tomamos la definición de la correlación automática, jugamos con un poco, y luego surgió con una expansión, que se ve algo así. Y no nos estamos enfocando en esta matriz. Así. Esto puede ser un DECA así que es simplemente el cambio que ha impuesto en el lote, um, en la ubicación del parche. Al igual que eso es lo que es, lo que publicó es lo que le está dando cómo los degradados cambiaron entre esos dos parches y, uh, w factor de calificación que le dice cuánto debe leer la parte central de ese lote frente a las partes periféricas. Así que ya que es lo que define el cambio de intensidad, vas a considerar. Y no pude descomponer de un, que ha dado por ti Lambda que transpone que Lambda va a ser una matriz diagonal con Lambda uno y Lambda dos a dos puedo valores. Recuerde que es una matriz de dos dimensiones, que significa que el número máximo de valores de eigenvalues que puede tener es a, de, en la interfaz de usuario es igual a la tierra que usted quiere y su estándar puedo hacer la composición. Esto es maravilloso. Así que, una vez más, empezamos con la correlación automática. Kim lo escribió de una manera un poco más diferente, ligeramente diferente. Y entonces ahora estamos hechos. No podía descomponer, Hey, ¿de dónde vamos desde aquí? ¿Cómo vamos de su, a ellos para encontrar una columna? Esa es la pregunta que te haríamos. Piénsalo por un momento. ¿Cómo cree que puede pasar de los valores de eigenvalues de una posición de una columna? Muy similar a la discusión que tuvimos en la primera parte de la conferencia, cuando ambos Lambda uno y Lambda dos, un grande, usted sabe, que la intensidad cambia en ambas direcciones en esos puntos cuando o Lambda dos es mayor que la tierra, mucho mayor que Lambda uno o Lambda uno es mucho mayor que Lambda dos. Va a ser un borde porque va a haber cambiado sólo en una dirección. Y si tanto Lambda uno como Lambda dos, un pequeño, vas a decir que es una bandera o junto a esta región. Lo que significa que sabemos que desde la posición idéntica de Abe, todo lo que estamos buscando es, una vez más, valores para ser engañados. Y sabemos que probablemente acercas un rincón, así que vamos a ver cómo realmente haces esta inferencia. Así que hay otra forma de mirarlo es. Así que siempre que hay qué borde de cosquillas o el borde horizontal vas a tener ya sea Londres, uno mayor que Londres, dos o Londres, dos mayores que el de la esquina. Usted podría tener tanto Londres como Londres para, para ser lanzado. Y en una región plana, vas a tener tanto Londres como Londres, muy pequeños. Entonces, ¿qué hacemos con esto? Así que el bebé, vas a computar tu esquina. Este fue un método dado por parte opuesta. Cómo lo hace, y por eso es conocido como el detector de la esquina más caliente. Es un detectado muy popular. Fue utilizado por varios, varios años. Por supuesto, ha habido un montón de mejoras y mejores métodos que la gente ha desarrollado, pero este fue uno de los primeros, uh, detectores de esquina que se desarrolló y se utilizó durante muchos años. La totalidad de las ventajas, su falso sigue, algo así. Usted calcula gradientes en cada punto de la imagen. Utilizando que se calcula la matriz de objetivos. Usted puede utilizar una función de ponderación, o si usted no utiliza una función de ponderación, usted acaba de asumir que usted va a considerar todos ellos para igualar todas las posiciones de posición por lotes de ese lote para ser igual. A continuación, lo ideal es calcular el valor de su icono y diseñar su esquina en función del valor del icono. Pero debido a que puedo descomponerse por sí mismo puede ser un proceso costoso. Tratamos de hacer una ligera, una ligera desviación para poder computar un continente como se mide. Así que tenemos que definir un común tan medido como Lambda uno en Lambda dos menos tiempos CAPA Lambda uno Lambda, dos cuadrados. Te dejo trabajar esto para demostrar que cuando toda esta altura de las cantidades, sabrás que tanto esos Lambda unos como Landa twos son altura. ¿Qué hace el arte por ti mismo? Pruebe las diferentes cuotas de Londres y Londres. Y verás lo que estoy diciendo, pero lo que es interesante aquí es Lambda uno y el número dos no es más que el determinante de un y Londres uno más número dos no es más que los árboles de ocho, lo que significa que podemos definir nuestro continente como medido como determinante de un menos unos tiempos de cobre constantes. Tres cuadrados de un CAPA es solo una constante que tienes que definir para conseguir lo que quieres conseguir cuatro imágenes diferentes. Es posible que tengas que decir diferente. ¿Por qué es útil? Normalmente es necesario calcular el Imitrex descompuesto ideal. Solo necesitas calcular tu determinante y tu lugar, lo cual es un poco más fácil en la computación. Por último. Entonces usted toma todos los puntos en esa imagen que ha pasado como medida es mayor que el umbral. Así que usted puede tomar un montón de puntos diferentes, probablemente todos los puntos, calcular los colonizadores utilizando la correlación automática, y luego el que sea mayor que un umbral particular. En realidad los llama rincones. Usted puede finalmente también realizar la supresión no máxima donde si usted encuentra que hay muchos rincones en un barrio local muy pequeño. Usted escoge el que tiene la medida más alta que nos llama. Esa es su supresión máxima normal de la que también hablamos en, uh, en el, en el detector de borde del Condado. Así que no hay supresión máxima seguirá viniendo y volviendo a nosotros en varias etapas en las partituras en varios, uh, uh, en, en varios casos de uso. Así que aquí hay una ilustración visual de. El detector de la esquina más caliente. Así que consideremos dos imágenes del mismo objeto. Vienen de diferentes ángulos. Los objetos están en diferentes poses y la iluminación también es diferente. Intentemos ejecutar el detector de Conor más caliente. Idealmente, lo que queremos es que en ambas imágenes, se escojan las mismas partes o las mismas esquinas en el Dole. ¿Por qué es ese elemento? Una vez más, si tomo el ejemplo de. Di, cosiendo diferentes imágenes en tu celular, un modo panorámico o algo así. Queremos que los mismos puntos en ambos objetos se ubiquen para que puedan ser emparejados y probablemente cosidos juntos para obtener una imagen panorámica, así como un ejemplo de una aplicación, vamos a verlo ahora. Así que aquí está el paso de la informática, los continentes, donde se hace la correlación automática, se obtienen sus valores comunistas y luego se toman todas las respuestas altas utilizando un umbral. Sin supresión no máxima. Por eso se ven muchos de esos puntos en las regiones. Usted acaba de tomar el más alto. Usted acaba de tomar el más alto valor cardinal. Usted hace la supresión no max, y ahora usted consigue un montón de puntos diferentes. Y ahora vamos a tratar de visualizarlos en la imagen y en realidad se puede ver, de acuerdo. Si se mira a decir estos ejemplos resaltados, se puede ver eso, aunque. Uh, esos son tratados de manera bastante diferente. Usted puede obtener rincones similares en ambas regiones, por lo que puede ver muchas otras industrias. Obviamente obtienes unos cuantos más rincones, que no están ahí en la segunda imagen, pero esos se pueden superar en la fase de juego. Como se ve un poco más tarde en este curso, el enfoque de esta conferencia en particular está en el parlamento. Solo detectando al economista. ¿Cómo hacer la correspondencia entre las dos imágenes? Volveremos a eso un poco más tarde. Por qué vimos mil millones de la mano, Escocia tenía un detector académico aquí, que era, uh, que era, fue desarrollado por Harrison Stevens en 88. Cuando usamos el determinante menos CAPA o alfa veces su rastro. Eso es lo que usamos. Eso es lo que usamos todavía. Ha habido otras improvisaciones del mismo método donde un investigador construyó rigs sugirió que se puede usar Lambda, no menos alfa Lambda. Un Lambda no es el primero que obtengo dinero o el mayor valor de eigenvalue en Lambda. Uno es un segundo de nuevo, valor. Un investigador Brown prohibió un equipo propuesto determinante de un aumento de mordida o falso, en lugar de hacer el determinante del menos Lambda, voy a encontrar dos, uh, tres cuadrados de ocho, uh, copa VC en dos diapositivas hace. Eso es justo, no importa. Es solo una constante, uh, por lo que tienes determinante de un lugar de fe. Todas estas podrían ser diferentes formas de jugar con las mismas cantidades para conseguir lo que quieres. Todos ellos efectivamente tratan de medir al economista. Usando los eigenvalues de tu email, que viene de let's. Voy a hacer algunas preguntas sobre las propiedades del detector de Connor más duro antes de concluir esta conferencia. La primera pregunta que vamos a preguntar es, es la escala de detector de puntuación más dura en variante. ¿Qué entendemos por escala? Recuerde, la escala es complementaria a la resolución. Así que si tienes un objeto como el que es muy pequeño en una imagen, llamamos a esa escala más pequeña. O si es grande, llamamos a ese mayor escalable. Así que podrías tener un artefacto como esta línea curva aquí en una imagen en particular, o también podrías tener la línea de alcance. En un lienzo más grande. Tal vez acabas de tomar una imagen de cerca y otra imagen más lejana, pero es la misma imagen. Es el mismo objeto que se está tomando. Así que en este caso en particular, si observas en la segunda imagen, este punto sería considerado un rincón por el detector de esquina más duro, pero en la primera imagen, Si tomaste el mismo parche de tamaño para hacer la correlación automática, encontrarías que todas estas se clasificarían como bordes. Y ninguno de ellos se clasificará como esquinas, lo que significa que el detector de la esquina más difícil no necesita necesariamente ser experto en la variante. ¿Cómo se hace escala en Verint? Hablaremos de eso más adelante. ¿Qué pasa con la rotación en variante es la más difícil de ir a la rotación del detector en vídeo? Sucede que sería invariante rotacional. Así que tanto si tienes este particular V importante como este, o si lo rotas y tienes el inversor será así en una imagen, este rincón en concreto tendremos cambio de altura en ambas direcciones en ambos casos. Y detectarías este rincón, tanto en esta imagen. Así como la selección, siempre y cuando no haya cambio de escala, detectarías el mismo contenido en ambos.