"sådan skal svinet skæres" af bjarne kjær ersbøll, dtu
DESCRIPTION
Præsentationen blev holdt ved InfinIT-konferencen SummIT 2013, der blev afholdt den 22. maj 2013 på Axelborg i København. Læs mere om konferencen her: http://www.infinit.dk/dk/arrangementer/tidligere_arrangementer/summit_2013.htmTRANSCRIPT
1
Sådan skal svinet skæres
Bjarne Kjær Ersbøll
DTU ComputeDanmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg2 DTU Compute, Danmarks Tekniske Universitet
Baggrund
• 25 mill svin om året
• 10 ører mindsket spild/bedre udnyttelse per svin = 2.5 MKr!
2
22/5-2013SummIT 2013, Axelborg3 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg4 DTU Compute, Danmarks Tekniske Universitet
3
22/5-2013SummIT 2013, Axelborg5 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg6 DTU Compute, Danmarks Tekniske Universitet
4
22/5-2013SummIT 2013, Axelborg7 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg8 DTU Compute, Danmarks Tekniske Universitet
5
22/5-2013SummIT 2013, Axelborg9 DTU Compute, Danmarks Tekniske Universitet
Hounsfield skalaen
-100 ~ Fedt
+100 ~ Kød
+400 ~ Knogle
22/5-2013SummIT 2013, Axelborg10 DTU Compute, Danmarks Tekniske Universitet
6
22/5-2013SummIT 2013, Axelborg11 DTU Compute, Danmarks Tekniske Universitet 11
Spatial classifier – Owen-Hjort-Mohn
• Neigbourhood: the cross
N
W C E
S
22/5-2013SummIT 2013, Axelborg12 DTU Compute, Danmarks Tekniske Universitet 12
Spatial classifier – Owen-Hjort-Mohn
• g is probability of certain class-configuration of arms given center-class (K4)
• h is joint-prob. density of feature vectors of arm pixels given center-featurevector and classes of all pixels
7
22/5-2013SummIT 2013, Axelborg13 DTU Compute, Danmarks Tekniske Universitet 13
Spatial classifier – Owen-Hjort-Mohn
N
W C E
S
22/5-2013SummIT 2013, Axelborg14 DTU Compute, Danmarks Tekniske Universitet 14
Spatial classifier – Owen-Hjort-Mohn
N
W C E
S
8
22/5-2013SummIT 2013, Axelborg15 DTU Compute, Danmarks Tekniske Universitet 15
Spatial classifier – Owen-Hjort-Mohn• Neighbourhood: restrict possible configurations
• “X” “T” “L”
• E.g.: 80% 12% 8%
• = and =2 estimated from time series analysis. • E.g. =0.81, =0.98
A
A A A
A
B
A A A
A
A
B A A
B
22/5-2013SummIT 2013, Axelborg16 DTU Compute, Danmarks Tekniske Universitet
Statistisk form-beskrivelse
9
22/5-2013SummIT 2013, Axelborg17 DTU Compute, Danmarks Tekniske Universitet
Face AAM• Training set
– 35 face images annotated with 58 landmarks
• Active Appearance Model– RGB texture model sampled at 30.000 positions– 28 model parameters span 95% variation
Model meshAnnotationTraining image Shape-compensation
22/5-2013SummIT 2013, Axelborg18 DTU Compute, Danmarks Tekniske Universitet
Modelling shape and texture
Generalized Procrustes Analysis
Shape representation
Principal component analysis – PCA
Parameterisation
Texture representation
10
22/5-2013SummIT 2013, Axelborg19 DTU Compute, Danmarks Tekniske Universitet
Statistisk form-beskrivelse
PC 1 PC 2 PC 3
22/5-2013SummIT 2013, Axelborg20 DTU Compute, Danmarks Tekniske Universitet
Statistisk form-beskrivelse
11
22/5-2013SummIT 2013, Axelborg21 DTU Compute, Danmarks Tekniske Universitet
Design af værktøj
22/5-2013SummIT 2013, Axelborg22 DTU Compute, Danmarks Tekniske Universitet
12
22/5-2013SummIT 2013, Axelborg23 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg24 DTU Compute, Danmarks Tekniske Universitet
13
22/5-2013SummIT 2013, Axelborg25 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg26 DTU Compute, Danmarks Tekniske Universitet
Modelleret elasticitetusing steel markers
14
22/5-2013SummIT 2013, Axelborg27 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg28 DTU Compute, Danmarks Tekniske Universitet
Emulsioner – NEXIM – 3 røntgen modaliteter
Raw
Cooked
Absorption Phase Contrast Dark Field
15
22/5-2013SummIT 2013, Axelborg29 DTU Compute, Danmarks Tekniske Universitet