C:/AndrejT/vestnik/76_4/Jogan/ev.dvi
|
|
- Angela Žagar
- pred 5 leti
- Pregledov:
Transkripcija
1 Elektotehniški vestnik 764: , 2009 Electotechnical Review, Ljubljana, Slovenija ieahično iskanje ujemanja za vizualno kategoizacijo objektov Matjaž Jogan Univeza v Ljubljani, Fakulteta za ačunalništvo in infomatiko, Tžaška 25, 1000 Ljubljana, Slovenija E-pošta: matjaz.jogan@fi.uni-lj.si Povzetek. Pedstavljamo model vizualne pepoznave in kategoizacije objektov na podlagi odkivanja intenzitetnih in stuktunih ujemanj med intepetiano sliko in pototipno sliko objekta. Glavni pispevek te aziskave je upoaba sinhonega hieahičnega iskanja ujemanj, pi čeme se visokonivojska ujemanja konstuiajo pagmatično, v več avneh zduževanja, izbie in inhibicije. Z iskanjem ujemanj lahko kategoiziamo objekte bez petiane upoabe učenja, le z izčpnim iskanjem podobnosti med objekti. Kategoije toej niso opedeljene z naboom značilk, ki bi omogočale optimalno kategoizacijo, temveč kot mežni sistem podobnosti. Ekspeimentalni ezultati dokazujejo pimenost metode za iskanje višjenivojskih ujemanj med pototipno sliko objekta v kanoničnem pogledu in sliko neznanega objekta. Ključne besede: ačunalniški vid, vizualna kategoizacija, vizualno ujemanje, vizualno učenje, hieahične metode A ieachical Matching Famewok fo Visual Object Categoization Extended abstact. We investigate a famewok fo visual object categoization in atificial cognitive systems that is based on discovey of appeaance and stuctual similaities between pototypes that epesent a categoy and object exemplas. Ou main contibution is a novel appoach fo visual categoization of objects by synchonous hieachical matching to a pototype, whee high-level matches between an object and a pototype ae gadually discoveed though seveal steps of binding, selection and inhibition. We show that categoization can be achieved without an excessive collection of evidence o leaning fom examples. We stat with a low-level desciption, which defines elatively stable local egions of inteest ROI based on thei appeaance Figue 2. In ode to chaacteize the appeaance vaiation within local egions, the system leans a codebook of ICA filtes which impose a maximally spase esponse Figue 3. Clustes of local featues that confom to a subset of Gestalt ules being essentially co-centic o co-linea ae then gouped Figue 4. Featues on subsequent levels ae then dynamically constucted and matched in synchony between the view being intepeted and a pototype view of an object. The composite featues ae augmented with stuctual popeties and epesented in a geometic conceptual space, the stuctue of which is leaned on a pototype. Local binding is pefomed though the hieachy Algoithm 1 until a focused esponse within an aea that encompasses the whole object is constucted Figues 5 and 6. The esult is a set of matches of composite featues at level N, whee each of the featues can be tacked to the constituent featues at levels N 1, N 2, The decision whethe the two object categoies match, can be done based on the numbe of high-level matches. The expeiments on the ET-80 database show that the method efficiently disciminates between eight categoies of objects in a canonical view. Key wods: compute vision, visual categoization, visual matching, visual leaning, hieachical methods Pejet 5. febua, 2009 Odoben 14. febua, Uvod Kategoizacija objektov spada med pomembnejše pobleme umetnega zaznavanja. V tem delu obavnavamo ožje podočje vizualne kategoizacije objektov, ki poučuje poblem pedstavitve in pepoznavanja kategoij objektov z upoabo vidne infomacije. V okviu azvoja umetnih kognitivnih sistemov je vizualna kategoizacija pomembna pedvsem kot funkcionalnost, ki pemosti azliko med pocesianjem signala in višjenivojskim semantičnim pocesianjem, saj omogoča abstaktno intepetacijo pizoov in situacij. Eden pvih in vplivnejših poskusov ačunskega modela za kategoizacijo objektov je Maov model [12], ki temelji na postopnem pocesu pepoznave tidimenzionalnih pimitivov kot osnovnih gadnikov, iz kateih so sestavljeni kompleksnejši objekti. Ma pedvideva, da lahko pimitive uspešno ekonstuiamo, naka pizo kategoiziamo s pomočjo modela, na pime z upoabo intepetacijskih deves [8]. Težavna ekonstukcija pimitivov in omejitve pimitivov pi pedstavitvi nestuktuianih objektov so pogojevale postopen odmik od visokonivojskih pedstavitev k izvoni slikovni infomaciji, np. k pedstavitvam, zasnovanim na globalnem videzu objektov, ali pa k pedstavitvam z lokalnimi značilkami. Lokalne pedstavitve so še posebej uspešne kot osnova za statistično zasnovane modele kategoizacije. Ti se azli-
2 218 Jogan Slika 1. Shema modela za hieahično iskanje ujemanj. S pavokotniki so uokvijena lokalna podočja, kogi pa pomenijo eceptivna polja zduževanja. Zavoljo peglednosti je na sliki pikazan le del hieahičnega devesa povezovanja dveh začetnih lokalnih egij. Figue 1. The outline of the famewok fo hieachical matching. Rectangula outlines denote local egions, while cicula egions denote binding eceptive fields. Fo the sake of claity, only one banch of binding is depicted, stating with two initial local egions. kujejo pedvsem po vsti lokalnih značilk in po načinu in stopnji integacije geometičnih elacij med značilkami. Leibe in sod. [9] tako implementiajo kategoizacijo s slovaji lokalnih zaplat in implicitnim geometijskim modelom, medtem ko Fei-Fei in sod. [2] te Toalba in sod. [17] upoabljajo geneativni model lokalnih konstelacij. ieahične pedstavitve [4, 3, 14, 6], ki pedvidevajo hieahično kompozicionalnost objektov, poskušajo modeliati dele kot konstelacije lokalnih značilk na večih nivojih podobnosti. Medtem ko našteti pistopi definiajo kategoije z učenjem značilnosti nad množico pimeov ali z namensko definicijo lastnosti, pa lahko kategoije opedelimo le na podlagi podobnosti s pototipom [15], kje podobnost vednotimo z iskanjem stuktunih ujemanj [16], z defomacijskim ujemanjem oblike [1] ali s pimejavo segmentacijskih deves [18]. Večina pedlaganih metod temelji na pedhodnem iskanju lokalnih ujemanj, ki pa je v kontekstu kategoičnega pimejanja objektov pogosto poblematično. V pedlaganem pistopu pedlagamo model kategoizacije s postopnim iskanjem lokalnih in stuktunih ujemanj s pototipom, kje se ujemanja konstuiajo v hieahičnem sosledju lokalnega zduževanja in inhibicije. Tak način iskanja omogoča intenzivno odkivanje podobnosti na več nivojih podobnosti. Podobnosti, ki naj pedmet opedelijo kot pipadnika določene kategoije, so toej izpeljane iz pototipne slike objekta v kanoničnem pogledu [15] in niso vnapej opedeljene. Učenje kategoije ne pedvideva obšinega zbianja znanja o kategoiji objektov, temveč je implementiano kot spotno učenje lastnosti pototipa in kot učenje in pilagajanje paametov zduževanja. Diagam na sliki 1 pikazuje poenostavljeno shemo poteka kategoizacije. Pototipna slika je podlaga za učenje lokalnega slovaja filtov za klasifikacijo lokalnih egij in za učenje lastnosti geometičnega konceptualnega postoa GKP. Učenju sledi več nivojev zduževanja značilk, iskanja ujemanj in inhibicije. Značilke se zdužujejo v pae, ki z vsakim nivojem astejo, tako glede na velikost in kompleksnost sestavljenih značilnic kot tudi glede na povšino slike, ki jo opisujejo. Ti pocesi potekajo sinhono, v okviu omejenih eceptivnih polj pototipa in intepetiane slike. Če je bilo iskanje ujemanj med pototipom in intepetiano sliko uspešno, lokalna podočja na končnem nivoju obsegajo celotno povšino pototipa in ustezno povšino intepetiane slike. Število visokonivojskih ujemanj odaža stuktuno in vizualno podobnost s pototipom. Če sistem kategoij zasnujemo kot mežo podobnosti, lahko na podlagi števila ujemanj objekt kategoiziamo. V nadaljevanju bomo najpej pedstavili postopek detekcije, učenja in gučenja lokalnih egij, ki mu bo sledil opis hieahičnega zduževanja. Zaključili bomo z opisom ekspeimentalnih ezultatov in kitičnim ovednotenjem metode. 2 Detekcija, učenje in gučenje lokalnih egij 2.1 Detekcija Z detekcijo stabilnih lokalnih egij želimo zagotoviti lokalno podpoo za poznejše zduževanje slikovne infomacije. Klasične metode za azpoznavanje objektov na podlagi lokalnih egij upoabljajo infomativne opisnike, ki so načtovani z namenom minimizacije števila napačnih ujemanj [11]. Pi kategoizaciji objektov pa je značilno, da se objekti iz določene kategoije na lokalni avni lahko zelo azlikujejo. Zato v pičujočem pistopu lokalno fotometično infomacijo upoabimo le kot osnovo za gadnjo značilk na višjih nivojih, ki opisno moč pidobijo šele na nivoju posameznega objekta. Kljub temu pa moajo nizkonivojske značilke ustezati meilom ponovljivosti in stabilnosti, imeti pa moajo tudi lastno meilo in oientacijo. Poleg tega želimo, da so lokalne egije gosto
3 ieahično iskanje ujemanja za vizualno kategoizacijo objektov 219 Slika 3. Slova ICA, naučen na pototipni sliki. Figue 3. ICA codebook leaned fom a pototype image. Slika 2. Lokalne egije K i, detektiane na pvih štiih oktavah. Pavokotniki ponazajajo velikost egij in njihovo usmejenost. Figue 2. Local egions K i detected at the fist fou octaves. The size and oientation of the egions is denoted by oiented ectangles. posejane, tako da je začetna pedstavitev edundantna. Lokalna območja poiščemo z detektojem lokalnih egij, ki je zasnovan na podlagi lastnosti difeenčnih opeatojev v postou meil [10, 11]. Sliko Ix,y peslikamo v posto meil Lx,y,σ, do kateega pidemo s konvolucijo slike z Gaussovim jedom Gx, y, σ spemenljive velikosti. Sedišča lokalnih egij definiamo kot lokalne eksteme azlike Gaussovih jede Diffeence of Gaussians, DoG DoGx,y,σ = Lx,y,kσ Lx,y,σ 1 v postou meil. Izbeemo tiste kandidate, ki pesežejo pag lokalnega kontasta in so lokalni ekstem tudi v lokalni slikovni soseščini. Kandidate za lokalne egije dodatno okaakteiziamo glede na pisotnost oba v sediščni točki. Velikost posamezne egije je določena z meilom, na kateem je bila egija detektiana. Usmejenost egije je določena kot sme, kje histogam lokalnih gadientov zavzame maksimalno vednost [11]. Lokalne egije K i so toej opisane z lokacijo C K i, usmejenostjo o K i te velikostjo K i. Slika 2 pikazuje egije, detektiane na pvih štiih oktavah. 2.2 Učenje slovaja ICA Lokalne egije so zdaj opisane le s stuktunimi značilnostmi egije. Opis videza egije podamo na podlagi slovaja filtov, kateih maksimalno azpšeni odzivi določajo azed lokalne egije. Število azedov in s tem velikost slovaja je namenoma majhno, saj se želimo izogniti natančnemu opisu, ki bi pepečilo konstukcijo visokonivojskih ujemanj. Naboa filtov se naučimo z analizo neodvisnih komponent Independent Component Analysis, ICA slikovne matike učnih egij, ki jih pidobimo iz pototipne slike, ali pa iz več slik objektov določene kategoije. V liteatui se slovaji ICA pogosto obavnavajo kot model nevonskih eceptojev v pimanem vidnem koteksu [13, 5], venda pa učenje slovaja vedno temelji na naključno izbanih egijah naključnih slik. V naspotju s pistopi v liteatui v tem delu ačunamo slova le na infomianih podočjih, ki so bili že izbani v postopku detekcije. Slova se zato izogne modelianju edundantne infomacije in se osedini na opise značilnih stuktu z geneično smejo in velikostjo, ki je določena že z algoitmom detekcije. Če poleg tega učenje omejimo na pedmete ene kategoije, lahko že manjši slova opiše značilne dele objektov slika 3. Slikovno matiko X sestavimo iz nomalizianih intenzitetnih vektojev x, ki opisujejo posamezne egije v geneični smei. Posamezen vekto x i lahko pedstavimo z lineano supepozicijo več izvoov b i, x i = N a ij b j 2 j=1 uteženo s koeficienti a ij. Matično obliko enačbe 2 zapišemo kot x = Ab. Če z u označimo izvoe, ki jih ekonstuiamo na podlagi opazovanja vidnih vzocev, potem peslikavo x v u zapišemo kot u = Wx, kje je W = A 1, če je A invetibilen lineani sistem. Z analizo neodvisnih komponent pa izačunamo W in b tako, da pogojujemo statisično neodvisnost izvoov b j. Za izačun slovaja upoabimo algoitem FastICA [5]. Slika 3 je pime slovaja petih filtov po učenju iz pototipne slike kategoije. Lokalne egije K i dodelimo azedu w K i = m, ki je določen z indeksom filta w m z najvišjo absolutno vednostjo odziva w K i = ag max û m ; û = Ŵ x. 3 m 2.3 Gučenje Gestalt Lokalne značilke, ki so osedišcene na obnih točkah, tipično nastopajo v edundantnih, gostih gučah. Redundantnost zmanjšamo z gučenjem obnih egij na podlagi pincipov Gestalt. Algoitem implementia pincip
4 220 Jogan Slika 4. Značilke 0, pidobljene po gučenju K i. Figue 4. 0 featues afte gouping of K i. bližine gučijo se le značilke v omejenem območju, podobnosti gučijo se le značilke, ki pipadajo istemu azedu in skupne usode gučijo se le značilke, kateih smei tvoijo konguenten kot α adianov. Slika 4 pikazuje ezultat gučenja in pidobljene značilke. Na podlagi gučenja so nove značilke 0 izpeljane iz lastnosti guč K tako, da podedujejo azed odziva na slova ICA w 0 = w K i, sme in velikost značilke pa se izačunata iz geometijskih lastnosti guče. 2.4 ieahično zduževanje Zduževanje značilk poteka pek več hieahičnih nivojev. Značilke postopoma pidobivajo dodatno infomacijo o elativni geometijski konfiguaciji. Ke so geometijske elacije podane elativno in na lokalni avni, so značilke neodvisne od globalnega koodinatnega sistema, lokalni poces zduževanja pa je popolnoma neodvisen od dugih pocesov. Poces zduževanja se začne s koakom 0 1 in se načeloma lahko izvede za poljubno število nivojev. Na vsakem nivoju se n značilk v lokalnem območju zduži v n-teico. Ke zduževanje večjega števila značilk hito pivede do pevelike infomativnosti značilk, hieahija zdužuje značilke le v pae. Pa značilk uedimo glede na velikost egij, k i > k j te ga opišemo z atibuti elativne velikosti s k+1, azdalje l k+1, kotov α 1 k+1 in α 2 k+1 med smejo egij in povezovalno daljico in z oznako medsebojne lege smenih vektojev o k+1 : s k+1 = log l k+1 = log 1 + k i k j 1 + C k i C k j 2 k i α 1 k+1 = o k i, C k i C k j α 2 k+1 = o k j, C k i C k j o k+1 {0,1,2,3} Atibute pedstavimo v disketizianem geometičnem konceptualnem postou GKP, ki usteza psihološkim modelom zaznavanja [7]. Geometične atibute paa k i Input: Ĥk, k, F k, inne, oute, f Output: Ĥk+1, k+1, F k+1 } foeach F k u {Ĥk = i, k j do Min = Ĥ k i inne Max = Ĥ k i oute  = {Ĥk l : C Ĥ k l RFMin, } Max while cad  < f Min > 0 do if soseščina znotaj slike then Max = Max + eps else Min = Min eps update  Ĉ k+1 = bind Â, Ĥ k i RF = convexull  peslikaj RF v RF A = { k m : C k m RF Ĥk n Ĥk  : n, k m F k} C k+1 = bind A, k j F k+1 = F k+1 match Ĉ, C Ĥ k+1 {Ĉk+1 = Ĥk+1 m : Ĉk+1 m { Fk+1} k+1 = k+1 C k+1 m : Ck+1 m Fk+1} Algoitem 1: ieahično zduževanje, iskanje ujemanj in inhibicija. Algoithm 1: ieachical binding, matching and inhibition. opišemo z disketnim opisnikom G k i : [ Qs s k ] i,q l l k i,q α α 1 k i,q α α 2 k i, o k i, kje Q pomeni kvantizacijo. Naj k k+1 označuje nivoje zduževanja. Značilke na vsakem od nivojev lahko opišemo z disketnim zapoedjem, ki popolnoma opisuje podejeni značilki te geometijska azmeja med njima: D 0 i = w 0 i 4 D k+1 m = G k+1 m D k i D k j; k > 0. 5 Ke so distibucije geometijskih paametov na posameznih nivojih hieahije odvisne od stuktunih lastnosti objektov, lahko kvantizacijo pilagodimo posameznemu pototipnemu modelu. Model pidobimo s hieahičnim zduževanjem pototipa s samim seboj. Tako pidobljene distibucije paametov so unimodalne, zato lahko kvantizacijo pilagodimo na podlagi statističnih momentov. 2.5 Sinhono zduževanje, iskanje ujemanj in inhibicija Naj bodo Ĥk značilke pototipa, k značilke intepetiane slike, F k pa indeks ujemanj } F k = {Ĥk i, k j : D Ĥ k i = D k j. Zduževanje poteka tako, da za vsak pa iz množice ujemanj F k aktiviamo eceptivno polje Ĥk i, v kateem
5 ieahično iskanje ujemanja za vizualno kategoizacijo objektov 221 številom ujemanj pi kompleksnih objektih, saj naučen geometični konceptualni posto pilagodi iskanju pepostih oblik, ka tudi do določene mee pepečuje halucinianje pepostih oblik v kompleksnih objektih. Slika 8 pikazuje pvih pet objektov z najvišjim številom ujemanj na 5. Vidimo lahko, da ujemanja na višjih nivojih hieahije opisujejo konsistentne stuktune podobnosti med objekti te da so objekti iste kategoije paviloma med tistimi z največjim številom ujemanj na Ca 10 5 Cow Slika 5. Sinhono zduževanje 1 2. Figue 5. Sychonous matching ose Tomato 10 4 Slika 6. Sinhono zduževanje 4 5. Figue 6. Sychonous matching 4 5. poiščemo f kandidatov. Del eceptivnega polja, ki vsebuje te kandidate, nato peslikamo na nivo k intepetiane slike, kje pav tako poiščemo in zdužimo kandidate za ujemanja. Lokalna ujemanja na k+1 ohanimo, duge značilke pa zavžemo. Postopek opisuje algoitem 1. Izhod iz algoitma so značilke Ĥk+1, k+1 te indeks ujemanj F k+1. Slika 5 ponazaja zdužene značilke po pvem koaku 0 1, slika 6 pa ponazaja končni ezultat, če pedvidevamo pet nivojev zduževanja. Slika 7. Povpečna števila ujemanj na nivojih 1-5. Figue 7. Aveage numbe of matches at levels Ekspeimentalni ezultati Model smo peizkusili na poblemu kategoizacije segmentianih objektov v zbiki ET80. Vsaka od osmih kategoij je pedstavljena s pototipnim objektom v kanonični oientaciji. Zaadi manjšega števila detektianih lokalnih egij učimo slova ICA filtov na več slikah iste kategoije, ki pa niso hkati tudi v testni množici slik. Za vsakega od pototipov se naučimo kvantizacije geometičnega konceptualnega postoa. Slika 7 pikazuje povpečno število ujemanj vsakega od pototipov z vsemi dugimi slikami objektov v isti kanonični oientaciji na vsakem od petih nivojev hieahije. Na desni stani gafikonov so pikazani pototipi kategoij, uejeni po padajočem številu ujemanj na 5. Vsi pototipi geneiajo najvišje število ujemanj z objekti lastne kategoije, medtem ko dobijo tudi stuktuno zelo podobne kategoije v povpečju manj glasov. Iskanje ujemanj s pepostimi pedmeti se konča z bistveno manjšim Slika 8. Pvih pet objektov po številu 5 ujemanj. Figue 8. The five exemplas with the highest numbes of 5 matches. 4 Sklep Pedstavili smo nov model kategoizacije objektov s postopnim iskanjem lokalnih in stuktunih ujemanj s pototipom, kje se ujemanja konstuiajo v hieahičnem sosledju lokalnega zduževanja, iskanja ujemanj in inhibicije. Rezultati dokazujejo upoabnost metode za kategoizacijo objektov v kanoničnem pogledu. Pomembno je
6 tudi, da metodo lahko upoabimo za detekcijo potencialnih ujemanj med objekti na več nivojih podobnosti, ka dosežemo z analizo nizkonivojskih ujemanj, na kateih temeljijo visokonivojska ujemanja. Pokazali smo tudi, da lahko objekte na slikah učinkovito kategoiziamo z upoabo pototipne pedstavitve, ki ne zahteva ekstenzivnega učenja na obsežnih učnih množicah. Metoda omogoča le pepoznavanje v kanoničnem pogledu, venda pa je bila azvita za implementacijo v šišem kognitivnem sistemu, kje bi lahko z upoabo kontekstnega pocesianja, večmodalnosti in aktivnega zaznavanja dosegli učinkovito kategoizacijo poljubnih objektov. 5 Liteatua [1] S. Belongie, J. Malik, & J. Puzicha, Shape matching and object ecognition using shape contexts. IEEE Tans. Patten Anal. Mach. Intell., 244: , [2] L. Fei-Fei, R. Fegus, & P. Peona, Leaning geneative visual models fom few taining examples. In Compute Vision and Patten Recognition Wokshop, 2004 Confeence on, pp , [3] S. Fidle, M. Boben, & A. Leonadis, Similaity-based coss-layeed hieachical epesentation fo object categoization. In CVPR, [4] S. Fidle, & A. Leonadis, Towads scalable epesentations of object categoies: Leaning a hieachy of pats. In Compute Vision and Patten Recognition, CVPR 07. IEEE Confeence on, pp. 1 8, [5] A. yvainen & P. oye, Emegence of complex cell popeties by decomposition of natual images into independent featue subspaces. In Atificial Neual Netwoks, ICANN 99. Ninth Intenational Confeence on Conf. Publ. No. 470, Vol. 1, pp vol.1, [6] Y. Jin & S. Geman, Context and hieachy in a pobabilistic image model. In Compute Vision and Patten Recognition, 2006 IEEE Compute Society Confeence on, Vol. 2, pp , [7] G. A. Kelly, The Psychology of Pesonal Constucts. Routledge, [8] J. Kivic & F. Solina, Pat-level object ecognition using supequadics, Compute Vision and Image Undestanding, 951: , [9] B. Leibe, A. Leonadis, & B. Schiele, Robust object detection with inteleaved categoization and segmentation. Intenational Jounal of Compute Vision, 771-3: , [10] T. Lindebeg & J. Eklundh, Scale detection and egion extaction fom a scale-space pimal sketch. In Compute Vision, Poceedings, Thid Intenational Confeence on, pp , [11] D. Lowe, Object ecognition fom local scale-invaiant featues. In Poc. of the Intenational Confeence on Compute Vision, Cofu, IEEE Compute Society, [12] D. Ma, Vision. W.. Feeman, San Fancisco, CA, [13] B. A. Olshausen & D. Field, Emegence of simple cell eceptive field popeties by leaning a spase code fo natual images. Natue, 381: , [14] M. Riesenhube & T. Poggio, Models of object ecognition. Natue Neuoscience Supplement, 3: , [15] E. Rosch, Natual categoies. Cognitive Psychology, 4: , [16] A. Shokoufandeh, et. al, The epesentation and matching of categoical shape. Compute Vision and Image Undestanding, 1032: , [17] E. Suddeth, A. Toalba, W. Feeman, & A. Willsky, Leaning hieachical models of scenes, objects, and pats. In Compute Vision, ICCV Tenth IEEE Intenational Confeence on, Vol. 2, pp Vol.2, [18] S. Todoovic & N. Ahuja, Extacting subimages of an unknown categoy fom a set of images. In Compute Vision and Patten Recognition, 2006 IEEE Compute Society Confeence on, Vol. 1, pp , Matjaž Jogan je asistent na Fakulteti za ačunalništvo in infomatiko v Ljubljani. Raziskovalno se ukvaja s hieahičnimi modeli pocesianja vidne infomacije. Je avto in soavto številnih aziskav s podočij umetne zaznave postoske infomacije, samodejnega katogafianja za lokalizacijo in navigacijo mobilnih sistemov, obustnega in spotnega učenja, ukvaja pa se tudi z upoabo umetnega vida v inteaktivnih sistemih.
Microsoft Word - Delo_energija_12_.doc
12 Delo in potencialna enegija Vsebina: Delo kot integal sile na poti, delo elektične sile, delo po zaključeni poti, potencialna enegija, potencialna enegija sistema nabojev, delo kot azlika potencialnih
Prikaži večFakulteta za strojništvo Univerza v Ljubljani (podiplomski študij, 2. seminar) Pojavi nastanka navidezne katode v različnih razelektritvenih pogojih z
Fakulteta za stojništvo Univeza v Ljubljani (podiplomski študij, 2. semina) Pojavi nastanka navidezne katode v azličnih azelektitvenih pogojih znotaj plazemskih diod Avto: Janez Kek Mento: doc. d. Leon
Prikaži večUNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v fina
UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v financah Ljubljana, 2010 1. Klasični pristop k analizi
Prikaži večLaTeX slides
Statistični modeli - interakcija - Milena Kovač 23. november 2007 Biometrija 2007/08 1 Število živorojenih pujskov Biometrija 2007/08 2 Sestavimo model! Vplivi: leto, farma Odvisna spremenljivka: število
Prikaži večFGG13
10.8 Metoda zveznega nadaljevanja To je metoda za reševanje nelinearne enačbe f(x) = 0. Če je težko poiskati začetni približek (še posebno pri nelinearnih sistemih), si lahko pomagamo z uvedbo dodatnega
Prikaži večSlide 1
INTERAKTIVNA MULTIMEDIJA P4 in P5 doc. dr. Matej Zajc Pregled P4 Pregled P3: 4 pristopi k načrtovanju interaktivnosti PACT P4: PACT Nadaljevanje Prototipiranje Izbrani zakoni interaktivnosti People Ljudje
Prikaži večOsnove matematicne analize 2018/19
Osnove matematične analize 2018/19 Neža Mramor Kosta Fakulteta za računalništvo in informatiko Univerza v Ljubljani Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja D f R priredi natanko
Prikaži večMicrosoft Word - UP_Lekcija04_2014.docx
4. Zanka while Zanke pri programiranju uporabljamo, kadar moramo stavek ali skupino stavkov izvršiti večkrat zaporedoma. Namesto, da iste (ali podobne) stavke pišemo n-krat, jih napišemo samo enkrat in
Prikaži večDES
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Digitalni Elektronski Sistemi Model vezja Računalniški model in realno vezje Model logičnega negatorja Načini
Prikaži večNAVODILA ZA OBLIKOVANJE PRISPEVKOV
SISTEM ZA VERIFIKACIJO OSEBE NA PODLAGI PRSTNEGA ODTISA Uroš Klopčič, Peter Peer Laboratorij za računalniški vid Fakulteta za računalništvo in informatiko E-pošta: uros.klopcic@gmail.com, peter.peer@fri.uni-lj.si
Prikaži večPodatkovni model ER
Podatkovni model Entiteta- Razmerje Iztok Savnik, FAMNIT 2018/19 Pregled: Načrtovanje podatkovnih baz Konceptualno načtrovanje: (ER Model) Kaj so entite in razmerja v aplikacijskem okolju? Katere podatke
Prikaži večPisanje strokovnih in znanstvenih del doc. dr. Franc Brcar Prirejeno po: Brcar, F. (2016). Pi
Pisanje strokovnih in znanstvenih del doc. dr. Franc Brcar franc.brcar@gmail.com http://www.uporabna-statistika.si/ Prirejeno po: Brcar, F. (2016). Pisanje strokovnih in znanstvenih del. Novo mesto: 1
Prikaži večDatum in kraj
Ljubljana, 5. 4. 2017 Katalog znanj in vzorci nalog za izbirni izpit za vpis na magistrski študij Pedagoško računalništvo in informatika 2017/2018 0 KATALOG ZNANJ ZA IZBIRNI IZPIT ZA VPIS NA MAGISTRSKI
Prikaži večUvodno predavanje
RAČUNALNIŠKA ORODJA Simulacije elektronskih vezij M. Jankovec 2.TRAN analiza (Analiza v časovnem prostoru) Iskanje odziva nelinearnega dinamičnega vezja v časovnem prostoru Prehodni pojavi Stacionarno
Prikaži večSource: Maketa, kolaž in računalniška vizualizacija Edvard Ravnikar required
Source: http://img.rtvslo.si/_up/aplaud/2013/05/11/64 991249 Maketa, kolaž in računalniška vizualizacija Edvard Ravnikar 4.12.1907 23.8.1993 required age : od 12 do 14 let educational interest Ta lekcija
Prikaži večSlide 1
Projektno vodenje PREDAVANJE 7 doc. dr. M. Zajc matej.zajc@fe.uni-lj.si Projektno vodenje z orodjem Excel Predstavitev Najbolj razširjeno orodje za delo s preglednicami Dva sklopa funkcij: Obdelava številk
Prikaži večDelavnica Načrtovanje digitalnih vezij
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Digitalni Elektronski Sistemi Osnove jezika VHDL Strukturno načrtovanje in testiranje Struktura vezja s komponentami
Prikaži večdin - Leto XLI - št. 74 Kranj, torek 27. septembra 1988 m H K f J J i m i G L A S GLASILO SOCIALISTIČNE ZVEZE DELOVNEGA LJUDSTVA ZA GORENJSKO Slov
din - Leto XLI - št. 74 Kanj, toek 27. septemba 1988 g @ m H K f J J i m i G L A S GLASILO SOCIALISTIČNE ZVEZE DELOVNEGA LJUDSTVA ZA GORENJSKO Slovenska ja» pevaana ^ ljubljanska banka Policijsko-obveščevalne
Prikaži večMicrosoft Word - rosus2006.doc
ANALIZA GIBANJA IGRALCEV MED TEKMAMI Janez Perš 1, Matej Kristan 1, Matej Perše 1, Marta Bon 2, Goran Vučkovič 2, Stanislav Kovačič 1 1 Laboratorij za slikovne tehnologije Fakulteta za elektrotehniko,
Prikaži več3. Preizkušanje domnev
3. Preizkušanje domnev doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 3.1 Izračunavanje intervala zaupanja za vrednosti regresijskih koeficientov Motivacija
Prikaži večPredmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Napredne metode računalniškega vida Advanced topics in computer vision Študijski program
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Napredne metode računalniškega vida Advanced topics in computer vision Študijski program in stopnja Study programme and level Interdisciplinarni
Prikaži več'Kombinatoricna optimizacija / Lokalna optimizacija'
Kombinatorična optimizacija 3. Lokalna optimizacija Vladimir Batagelj FMF, matematika na vrhu različica: 15. november 2006 / 23 : 17 V. Batagelj: Kombinatorična optimizacija / 3. Lokalna optimizacija 1
Prikaži večANALITIČNA GEOMETRIJA V RAVNINI
3. Analitična geometrija v ravnini Osnovna ideja analitične geometrije je v tem, da vaskemu geometrijskemu objektu (točki, premici,...) pridružimo števila oz koordinate, ki ta objekt popolnoma popisujejo.
Prikaži več3dsMax-Particle-Paint
PARTICLE PAINT Gola pokrajina je v najbolj ekstremnih okoljih arktike ali puščave. Pa še v tem delu je pokrajina posejana s kamenjem. Povsod drugod pa naletimo na gosto posejanost rastlinja, od trave,
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika 2. kolokvij. december 2 Ime in priimek: Vpisna st: Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer
Prikaži večELEKTROTEHNIŠKI VESTNIK 86(1-2): 7 13, 2019 IZVIRNI ZNANSTVENI ČLANEK Prepoznava obrazov z AG opisnikom Domen Lušina 1, Jasna Maver 2 1 Univerza v Lju
ELEKTROTEHNIŠKI VESTNIK 86(1-2): 7 13, 2019 IZVIRNI ZNANSTVENI ČLANEK Prepoznava obrazov z AG opisnikom Domen Lušina 1, Jasna Maver 2 1 Univerza v Ljubljani, Fakulteta za računalništvo in informatiko,
Prikaži večPRIPOROČILA ZA OBLIKOVANJE KATALOGOV ZNANJA ZA MODULE V PROGRAMIH VIŠJEGA STROKOVNEGA IZOBRAŽEVANJA
KATALOG ZNANJA 1. IME PREDMETA ZBIRKE PODATKOV I ZBIRKE PODATKOV II 2. SPLOŠNI CILJI Splošni cilji predmeta so: razvijanje sposobnosti za uporabo znanstvenih metod in sredstev, razvijanje odgovornosti
Prikaži večAPS1
Algoritmi in podatkovne strukture 1 Visokošolski strokovni študij Računalništvo in informatika Abstraktni podatkovni tipi Jurij Mihelič, UniLj, FRI Podatkovni tipi Razvil Pascal, Oberon itd. Software is
Prikaži večStrojna oprema
Asistenta: Mira Trebar, Miha Moškon UIKTNT 2 Uvod v programiranje Začeti moramo razmišljati algoritmično sestaviti recept = napisati algoritem Algoritem za uporabo poljubnega okenskega programa. UIKTNT
Prikaži večDES
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Digitalni Elektronski Sistemi Digitalni sistemi Vgrajeni digitalni sistemi Digitalni sistem: osebni računalnik
Prikaži večBrownova kovariancna razdalja
Brownova kovariančna razdalja Nace Čebulj Fakulteta za matematiko in fiziko 8. januar 2015 Nova mera odvisnosti Motivacija in definicija S primerno izbiro funkcije uteži w(t, s) lahko definiramo mero odvisnosti
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5. februar 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5 februar 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Nalog je
Prikaži večDelavnica Načrtovanje digitalnih vezij
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Programirljivi Digitalni Sistemi Digitalni sistem Digitalni sistemi na integriranem vezju Digitalni sistem
Prikaži večUniverza v Ljubljani Fakulteta za računalništvo in informatiko David Možina Argumentirano strojno učenje z uporabo logistične regresije MAGISTRSKO DEL
Univerza v Ljubljani Fakulteta za računalništvo in informatiko David Možina Argumentirano strojno učenje z uporabo logistične regresije MAGISTRSKO DELO MAGISTRSKI PROGRAM DRUGE STOPNJE RAČUNALNIŠTVO IN
Prikaži večIme in priimek
Polje v osi tokovne zanke Seminar pri predmetu Osnove Elektrotehnike II, VSŠ (Uporaba programskih orodij v elektrotehniki) Ime Priimek, vpisna številka, skupina Ljubljana,.. Kratka navodila: Seminar mora
Prikaži večMicrosoft Word - ARRS-MS-FI-06-A-2010.doc
RAZPIS: Javni razpis za sofinanciranje znanstvenoraziskovalnega sodelovanja med Republiko Slovenijo in Republiko Finsko v letih 2011-2012 (Uradni list RS, št. 49/2010) Splošne opombe: Obrazec izpolnjujte
Prikaži več5 Programirljiva vezja 5.1 Kompleksna programirljiva vezja - CPLD Sodobna programirljiva vezja delimo v dve veliki skupini: CPLD in FPGA. Vezja CPLD (
5 Programirljiva vezja 5.1 Kompleksna programirljiva vezja - CPLD Sodobna programirljiva vezja delimo v dve veliki skupini: CPLD in FPGA. Vezja CPLD (angl. Complex Programmable Logic Device) so manjša
Prikaži večDelavnica Načrtovanje digitalnih vezij
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Digitalni Elektronski Sistemi Zaporedni vmesniki Zaporedni (serijski) vmesniki Zaporedni (serijski) vmesniki
Prikaži večNAJRAJE SE DRUŽIM S SVIČNIKOM, SAJ LAHKO VADIM ČRTE IN KRIVULJE, PA VELIKE TISKANE ČRKE IN ŠTEVILKE DO 20. Preizkusite znanje vaših otrok in natisnite
NAJRAJE SE DRUŽIM S SVIČNIKOM, SAJ LAHKO VADIM ČRTE IN KRIVULJE, PA VELIKE TISKANE ČRKE IN ŠTEVILKE DO 20. Preizkusite znanje vaših otrok in natisnite vzorčne strani iz DELOVNIH LISTOV 1 v štirih delih
Prikaži večMicrosoft Word - ARRS-MS-CEA-03-A-2009.doc
RAZPIS: Javni razpis za sofinanciranje znanstvenoraziskovalnega sodelovanja med Republiko Slovenijo in Komisariatom za atomsko energijo (CEA) Francoske republike v letih 2009-2011 Splošna opomba: Vnosna
Prikaži več3. Metode, ki temeljijo na minimalnem ostanku Denimo, da smo z Arnoldijevim algoritmom zgenerirali ON bazo podprostora Krilova K k (A, r 0 ) in velja
3. Metode, ki temeljijo na minimalnem ostanku Denimo, da smo z Arnoldijevim algoritmom zgenerirali ON bazo podprostora Krilova K k (A, r 0 ) in velja AV k = V k H k + h k+1,k v k+1 e T k = V kh k+1,k.
Prikaži večVST: 1. kviz
jsmath Učilnica / VST / Kvizi / 1. kviz / Pregled poskusa 1 1. kviz Pregled poskusa 1 Končaj pregled Začeto dne nedelja, 25. oktober 2009, 14:17 Dokončano dne nedelja, 25. oktober 2009, 21:39 Porabljeni
Prikaži večPREDLOG ZA AKREDITACIJO
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS STATISTIČNA ANALIZA PODATKOV Z RAČUNALNIKOM Študijski program in stopnja Study programme and level Tiflopedagogika in pedagogika specifičnih
Prikaži večPowerPoint Presentation
Lasersko obarvanje kovin Motivacija: Z laserskim obsevanjem je možno spremeniti tudi barvo kovinskih površin, kar odpira povsem nove možnosti označevanja in dekoracije najrazličnejših sestavnih delov in
Prikaži večMicrosoft Word - avd_vaje_ars1_1.doc
ARS I Avditorne vaje Pri nekem programu je potrebno izvršiti N=1620 ukazov. Pogostost in trajanje posameznih vrst ukazov računalnika sta naslednja: Vrsta ukaza Štev. urinih period Pogostost Prenosi podatkov
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/testi in izpiti/ /IZPITI/FKKT-februar-14.dvi
Kemijska tehnologija, Kemija Bolonjski univerzitetni program Smer: KT K WolframA: DA NE Računski del izpita pri predmetu MATEMATIKA I 6. 2. 2014 Čas reševanja je 75 minut. Navodila: Pripravi osebni dokument.
Prikaži večAvtomatizirano modeliranje pri celostnem upravljanju z vodnimi viri
Univerza v Ljubljani Fakulteta za gradbeništvo in geodezijo 36. Goljevščkov spominski dan Modeliranje kroženja vode in spiranja hranil v porečju reke Pesnice Mateja Škerjanec 1 Tjaša Kanduč 2 David Kocman
Prikaži večOsnove verjetnosti in statistika
Osnove verjetnosti in statistika Gašper Fijavž Fakulteta za računalništvo in informatiko Univerza v Ljubljani Ljubljana, 26. februar 2010 Poskus in dogodek Kaj je poskus? Vržemo kovanec. Petkrat vržemo
Prikaži več11. Navadne diferencialne enačbe Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogo
11. Navadne diferencialne enačbe 11.1. Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogoju y(x 0 ) = y 0, kjer je f dana dovolj gladka funkcija
Prikaži večPisni izpit iz Optike Z laserskim žarkom posvetimo na uklonsko mrežo sestavljeno iz dveh enakih mrežic, ki imata reže širine a v razmiku
Psn zpt z Optke 4.6. 007. Z laseskm žakom posvetmo na uklonsko mežo sestavljeno z dveh enakh mežc, k mata eže šne a v azmku a (glej slko). Za kolko sta zamaknjen mežc (x=?), če na Faunhofejev uklonsk slk
Prikaži večDiapozitiv 1
9. Funkcije 1 9. 1. F U N K C I J A m a i n () 9.2. D E F I N I C I J A F U N K C I J E 9.3. S T A V E K r e t u r n 9.4. K L I C F U N K C I J E I N P R E N O S P A R A M E T R O V 9.5. P R E K R I V
Prikaži večDruštvo za elektronske športe - spid.si Vaneča 69a 9201 Puconci Pravila tekmovanja na EPICENTER LAN 12 Hearthstone Na dogodku izvaja: Blaž Oršoš Datum
Pravila tekmovanja na EPICENTER LAN 12 Hearthstone Na dogodku izvaja: Blaž Oršoš Datum: 5. januar 2016 Društvo za elektronske športe [1/5] spid.si Slovenska pravila 1 OSNOVNE INFORMACIJE 1.1 Format tekmovanja
Prikaži večVrste
Matematika 1 17. - 24. november 2009 Funkcija, ki ni algebraična, se imenuje transcendentna funkcija. Podrobneje si bomo ogledali naslednje transcendentne funkcije: eksponentno, logaritemsko, kotne, ciklometrične,
Prikaži večMicrosoft Word - ARRS-MS-BR-07-A-2009.doc
RAZPIS: Javni razpis za sofinanciranje znanstvenoraziskovalnega sodelovanja med Republiko Slovenijo in Federativno Republiko Brazilijo v letih 2010 2012 (Uradni list RS št. 53/2009) Splošna opomba: Vnosna
Prikaži večMere kompleksnih mrež (angl. Network Statistics) - Seminarska naloga pri predmetu Izbrana poglavja iz diskretne matematike
Mere kompleksnih mrež (angl. Network Statistics) Seminarska naloga pri predmetu Izbrana poglavja iz diskretne matematike Ajda Pirnat, Julia Cafnik in Živa Mitar Fakulteta za matematiko in fiziko April
Prikaži večPožarna odpornost konstrukcij
Požarna obtežba in razvoj požara v požarnem sektorju Tomaž Hozjan e-mail: tomaz.hozjan@fgg.uni-lj.si soba: 503 Postopek požarnega projektiranja konstrukcij (SIST EN 1992-1-2 Izbira za projektiranje merodajnih
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6. julij 2018 Navodila Pazljivo preberite be
Ime in priimek: Vpisna št: FAKULEA ZA MAEMAIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6 julij 2018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven rezultat
Prikaži večEKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Mi
EKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Miklavič 30. okt. 2003 Math. Subj. Class. (2000): 05E{20,
Prikaži večDiapozitiv 1
Ključne kompetence za uspešno delo knjižničarja Kako jih razvijati? Dr. Vlasta Zabukovec Oddelek za bibliotekarstvo, informacijsko znanost in knjigarstvo FF, UL Kompetence Študij, vseživljenjsko učenje
Prikaži večM
Š i f r a k a n d i d a t a : Državni izpitni center *M17154111* PSIHOLOGIJA Izpitna pola 1 SPOMLADANSKI IZPITNI ROK Strukturirane naloge Torek, 30. maj 2017 / 90 minut Dovoljeno gradivo in pripomočki:
Prikaži večPoročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefo
Poročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefonih. Obstaja precej različic, sam pa sem sestavil meni
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31. avgust 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31 avgust 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven
Prikaži večUPS naprave Socomec Netys PL (Plug in) UPS naprava Socomec Netys PL moč: 600VA/360W; tehnologija: off-line delovanje; vhod: 1-fazni šuko 230VAC; izhod
UPS naprave Socomec Netys PL (Plug in) UPS naprava Socomec Netys PL moč: 600VA/360W; tehnologija: off-line delovanje; vhod: 1-fazni šuko 230VAC; izhod: 1-fazni 230VAC; 4 šuko vtičnica preko UPS-a; 2 šuko
Prikaži večUčinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero v
Učinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar 2009 1 Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero velja 0 f(e) u(e) za e E(G). Za v V (G) definiramo presežek
Prikaži večDinamika požara v prostoru 21. predavanje Vsebina gorenje v prostoru in na prostem dinamika gorenja v prostoru faze, splošno kvantitativno T
Dinamika požara v prostoru 21. predavanje Vsebina gorenje v prostoru in na prostem dinamika gorenja v prostoru faze, splošno kvantitativno T pred požarnim preskokom Q FO za požarni preskok polnorazviti
Prikaži večMladi za napredek Maribora srečanje DOLŽINA»SPIRALE«Matematika Raziskovalna naloga Februar 2015
Mladi za napredek Maribora 015 3. srečanje DOLŽINA»SPIRALE«Matematika Raziskovalna naloga Februar 015 Kazalo 1. Povzetek...3. Uvod...4 3. Spirala 1...5 4. Spirala...6 5. Spirala 3...8 6. Pitagorejsko drevo...10
Prikaži večMatematika Diferencialne enačbe prvega reda (1) Reši diferencialne enačbe z ločljivimi spremenljivkami: (a) y = 2xy, (b) y tg x = y, (c) y = 2x(1 + y
Matematika Diferencialne enačbe prvega reda (1) Reši diferencialne enačbe z ločljivimi spremenljivkami: (a) y = 2xy, (b) y tg x = y, (c) y = 2x(1 + y 2 ). Rešitev: Diferencialna enačba ima ločljive spremenljivke,
Prikaži večSTAVKI _5_
5. Stavki (Teoremi) Vsebina: Stavek superpozicije, stavek Thévenina in Nortona, maksimalna moč na bremenu (drugič), stavek Tellegena. 1. Stavek superpozicije Ta stavek določa, da lahko poljubno vezje sestavljeno
Prikaži večRAM stroj Nataša Naglič 4. junij RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni
RAM stroj Nataša Naglič 4. junij 2009 1 RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni trak, pomnilnik ter program. Bralni trak- zaporedje
Prikaži večREŠEVANJE DIFERENCIALNIH ENAČB Z MEHANSKIMI RAČUNSKIMI STROJI Pino Koc Seminar za učitelje matematike FMF, Ljubljana, 25. september 2015 Vir: [1] 1
REŠEVANJE DIFERENCIALNIH ENAČB Z MEHANSKIMI RAČUNSKIMI STROJI Pino Koc Seminar za učitelje matematike FMF, Ljubljana, 25. september 2015 Vir: [1] 1 Nekateri pripomočki in naprave za računanje: 1a) Digitalni
Prikaži večRačunalniški praktikum Projektna naloga - Izdelava spletne strani Avtor: Matej Tekavčič Skupina: Matej Tekavčič - koordinator Simon Vrhovnik Tine Kavč
Računalniški praktikum Projektna naloga - Izdelava spletne strani Avtor: Matej Tekavčič Skupina: Matej Tekavčič - koordinator Simon Vrhovnik Tine Kavčič Matjaž Jerman 8. februar 2006 Kazalo 1 Uvod 2 2
Prikaži večPowerPointova predstavitev
Prostorsko načrtovanje obalnega prostora Primer Strunjan Slavko Mezek Koper 25.11.2015 Projekt SHAPE Shaping an Holistic Approach to Protect the Adriatic Environment between coast and sea Program IPA Adriatic,
Prikaži večPowerPointova predstavitev
U K 20 P K U P M 2 0 1 2 12 M OBLIKOVANJE POJMA ŠTEVILO PRI OTROKU V 1. RAZREDU Sonja Flere, Mladen Kopasid Konferenca o učenju in poučevanju matematike, M a r i b o r, 2 3. i n 2 4. avgusta 2 0 1 2 Oblikovanje
Prikaži večPowerPoint Presentation
Zapisovanje učnih izidov Bled, 21.1.2016 Darko Mali ECVET ekspert, CPI Pojmi: Kvalifikacija Kompetenca Učni cilji Učni izidi Enote učnih izidov Kreditne točke Programi usposabljanja NE! 2 Učni cilji kompetence
Prikaži večARRS-BI-FR-PROTEUS-JR-Prijava/2011 Stran 1 od 7 Oznaka prijave: Javni razpis za sofinanciranje znanstvenoraziskovalnega sodelovanja med Republiko Slov
Stran 1 od 7 Oznaka prijave: Javni razpis za sofinanciranje znanstvenoraziskovalnega sodelovanja med Republiko Slovenijo in Francosko republiko Program PROTEUS v letih 2012-2013 (Uradni list RS, št. 10/2011,
Prikaži večPripravki granulocitov iz polne krvi (buffy coat)
Pripravki granulocitov iz polne krvi (buffy coat) - KLZ Podčetrtek, 8. 1 0. 2 0 16 AV TO R I C A : A n d r e j a H r a š o v e c - L a m p r e t, d r. m e d., s p e c. t r a n s f. m e d. S O AV TO R :
Prikaži večUniverza v Mariboru Fakulteta za naravoslovje in matematiko Oddelek za matematiko in računalništvo Enopredmetna matematika IZPIT IZ VERJETNOSTI IN STA
Enopredmetna matematika IN STATISTIKE Maribor, 31. 01. 2012 1. Na voljo imamo kovanca tipa K 1 in K 2, katerih verjetnost, da pade grb, je p 1 in p 2. (a) Istočasno vržemo oba kovanca. Verjetnost, da je
Prikaži večPoročilo projekta : Učinkovita raba energije Primerjava klasične sončne elektrarne z sončno elektrarno ki sledi soncu. Cilj projekta: Cilj našega proj
Poročilo projekta : Učinkovita raba energije Primerjava klasične sončne elektrarne z sončno elektrarno ki sledi soncu. Cilj projekta: Cilj našega projekta je bil izdelati učilo napravo za prikaz delovanja
Prikaži večVaje: Matrike 1. Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N 0 1 n ; n N Pokaži, da je množica x 0 y 0 x
Vaje: Matrike 1 Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N n 1 1 0 1 ; n N 0 2 Pokaži, da je množica x 0 y 0 x y x + z ; x, y, z R y x z x vektorski podprostor v prostoru matrik
Prikaži večVrstne sponke Vrstne sponke Pri nizkonapetostnih povezavah uporabljamo različne spojne elemente za ustvarjanje učinkovitih žičnih povezav. Varnost pov
Pri nizkonapetostnih povezavah uporabljamo različne spojne elemente za ustvarjanje učinkovitih žičnih povezav. Varnost povezave je odvisna od tehnike spajanja, ki jo uporabimo (žični priključki, vijačni
Prikaži večLaTeX slides
Linearni in nelinearni modeli Milena Kovač 22. december 2006 Biometrija 2006/2007 1 Linearni, pogojno linearni in nelinearni modeli Kriteriji za razdelitev: prvi parcialni odvodi po parametrih Linearni
Prikaži večglava.dvi
Lastnosti verjetnosti 1. Za dogodka A in B velja: P(A B) = P(A) + P(B) P(A B) 2. Za dogodke A, B in C velja: P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C) Kako lahko to pravilo posplošimo
Prikaži večSegmentacija slik z uporabo najvecjega pretoka
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Eva Križman Segmentacija slik z uporabo največjega pretoka DIPLOMSKO DELO INTERDISCIPLINARNI UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE STOPNJE
Prikaži večPRILOGA 2 Minimalni standardi kakovosti oskrbe za izbrane dimenzije kakovosti oskrbe in raven opazovanja posameznih parametrov kakovosti oskrbe 1. NEP
PRILOGA 2 Minimalni standardi kakovosti oskrbe za izbrane dimenzije kakovosti oskrbe in raven opazovanja posameznih parametrov kakovosti oskrbe 1. NEPREKINJENOST NAPAJANJA 1.1. Ciljna raven neprekinjenosti
Prikaži večMERJENJE GORIŠČNE RAZDALJE LEČE
MERJENJE GORIŠČNE RAZDALJE LEČE 1. UVOD: V tej vaji je bilo potrebno narediti pet nalog, povezanih z lečami. 2. NALOGA: -Na priloženih listih POTREBŠČINE: -Na priloženih listih A. Enačba zbiralne leče
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika Pisni izpit. junij 22 Ime in priimek Vpisna st Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer so
Prikaži večSlide 1
Tehnike programiranja PREDAVANJE 10 Uvod v binarni svet in računalništvo (nadaljevanje) Logične operacije Ponovitev in ilustracija Logične operacije Negacija (eniški komplement) Negiramo vse bite v besedi
Prikaži večUniverza v Ljubljani Naravoslovnotehniška fakulteta Oddelek za tekstilstvo Sledenje pogledu (Eye tracking) Seminarska naloga pri predmetu Interaktivni
Univerza v Ljubljani Naravoslovnotehniška fakulteta Oddelek za tekstilstvo Sledenje pogledu (Eye tracking) Seminarska naloga pri predmetu Interaktivni mediji Smer študija: Načrtovanje tekstilij in oblačil,
Prikaži večPredmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS DIDAKTIČNA IGRA PRI POUKU SLOVENŠČINE Študijski program in stopnja Study programme and le
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS DIDAKTIČNA IGRA PRI POUKU SLOVENŠČINE Študijski program in stopnja Study programme and level Študijska smer Study field Letnik Academic year
Prikaži večAnaliza vpliva materiala, maziva in aktuatorja na dinamiko pnevmatičnega ventila
Programsko orodje LabVIEW za kreiranje, zajem in obdelavo signalov (statične in dinamične karakteristike hidravličnih proporcionalnih ventilov) Marko Šimic Telefon: +386 1 4771 727 e-mail: marko.simic@fs.uni-lj.si
Prikaži večresitve.dvi
FAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 3. februar Ime in priimek: Vpisna št: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Veljale bodo samo rešitve na papirju, kjer
Prikaži večMicrosoft Word - A-3-Dezelak-SLO.doc
20. posvetovanje "KOMUNALNA ENERGETIKA / POWER ENGINEERING", Maribor, 2011 1 ANALIZA OBRATOVANJA HIDROELEKTRARNE S ŠKOLJČNIM DIAGRAMOM Klemen DEŽELAK POVZETEK V prispevku je predstavljena možnost izvedbe
Prikaži večPreštudirati je potrebno: Floyd, Principles of Electric Circuits Pri posameznih poglavjih so označene naloge, ki bi jih bilo smiselno rešiti. Bolj pom
Preštudirati je potrebno: Floyd, Principles of Electric Circuits Pri posameznih poglavjih so označene naloge, ki bi jih bilo smiselno rešiti. Bolj pomembne, oziroma osnovne naloge so poudarjene v rumenem.
Prikaži večPowerPointova predstavitev
Obravnava kotov za učence s posebnimi potrebami Reading of angles for pupils with special needs Petra Premrl OŠ Danila Lokarja Ajdovščina OSNOVNA ŠOLA ENAKOVREDNI IZOBRAZBENI STANDARD NIŽJI IZOBRAZBENI
Prikaži večErasmus+ mag. Robert Marinšek
Erasmus+ mag. Robert Marinšek Program Erasmus+ Uredba št. 1288/2013 (11. dec. 2013) Področje izobraţevanja, usposabljanja, športa in mladine trajanje: 2014 2020 proračun: 14,7 G Pričakovanja: >4 M mobilnosti
Prikaži večMicrosoft PowerPoint - Java-rekurzija.ppt
Pesmica Živel je mož, imel je psa, lepo ga je učil. Nekoč ukradel mu je kos mesa, zato ga je ubil. Postavil mu je spomenik in nanj napisal: Živel je mož, imel je psa, lepo ga je učil. Nekoč ukradel mu
Prikaži večPH in NEH - dobra praksa
Strokovno izpopolnjevanje, UL-FA, 5.4.219 SKORAJ NIČ-ENERGIJSKE JAVNE STAVBE V SLOVENIJI Kako izpolniti zahteve za racionalno in visoko učinkovito javno skoraj nič-energijsko stavbo ter doseči pričakovano
Prikaži več5 SIMPLICIALNI KOMPLEKSI Definicija 5.1 Vektorji r 0,..., r k v R n so afino neodvisni, če so vektorji r 1 r 0, r 2 r 0,..., r k r 0 linearno neodvisn
5 SIMPLICIALNI KOMPLEKSI Definicija 5.1 Vektorji r 0,..., r k v R n so afino neodvisni, če so vektorji r 1 r 0, r 2 r 0,..., r k r 0 linearno neodvisni. Če so krajevni vektorji do točk a 0,..., a k v R
Prikaži več