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.htm

1. 1
Sådan skal svinet skæres
Bjarne Kjær Ersbøll
DTU Compute
Danmarks 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. 2
22/5-2013SummIT 2013, Axelborg3 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg4 DTU Compute, Danmarks Tekniske Universitet

3. 3
22/5-2013SummIT 2013, Axelborg5 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg6 DTU Compute, Danmarks Tekniske Universitet

4. 4
22/5-2013SummIT 2013, Axelborg7 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg8 DTU Compute, Danmarks Tekniske Universitet

5. 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. 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. 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. 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. 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. 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. 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. 12
22/5-2013SummIT 2013, Axelborg23 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg24 DTU Compute, Danmarks Tekniske Universitet

13. 13
22/5-2013SummIT 2013, Axelborg25 DTU Compute, Danmarks Tekniske Universitet
22/5-2013SummIT 2013, Axelborg26 DTU Compute, Danmarks Tekniske Universitet
Modelleret elasticitet
using steel markers

14. 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. 15
22/5-2013SummIT 2013, Axelborg29 DTU Compute, Danmarks Tekniske Universitet