vault backup: 2025-01-04 16:30:37

2025-01-04 16:30:37 +01:00 · 2025-01-04 16:30:37 +01:00 · 89bdca19a6
commit 89bdca19a6
parent c4a223f25d
8 changed files with 125 additions and 62 deletions
--- a/.obsidian/workspace.json
+++ b/.obsidian/workspace.json
@ -11,30 +11,62 @@
            "id": "34cfdf6e8485642e",
            "type": "leaf",
            "state": {
-              "type": "pdf",
+              "type": "markdown",
              "state": {
-                "file": "Biometric Systems/slides/Biometric_System___Notes.pdf",
-                "page": 17,
-                "left": -85,
-                "top": 428,
-                "zoom": 1.5
+                "file": "Foundation of data science/notes/8 Variational Autoencoders.md",
+                "mode": "source",
+                "source": false
              },
-              "icon": "lucide-file-text",
-              "title": "Biometric_System___Notes"
+              "icon": "lucide-file",
+              "title": "8 Variational Autoencoders"
            }
          },
          {
            "id": "dee6b7fc799ba9d4",
            "type": "leaf",
            "state": {
-              "type": "markdown",
+              "type": "pdf",
              "state": {
-                "file": "Biometric Systems/notes/13. Multi biometric.md",
-                "mode": "source",
-                "source": false
+                "file": "Biometric Systems/slides/LEZIONE6_Face recognition2D.pdf",
+                "page": 72,
+                "left": -373,
+                "top": 539,
+                "zoom": 0.8
              },
-              "icon": "lucide-file",
-              "title": "13. Multi biometric"
+              "icon": "lucide-file-text",
+              "title": "LEZIONE6_Face recognition2D"
+            }
+          },
+          {
+            "id": "6dd2d86707236bd3",
+            "type": "leaf",
+            "state": {
+              "type": "pdf",
+              "state": {
+                "file": "Biometric Systems/slides/LEZIONE11_Fingerprints.pdf",
+                "page": 12,
+                "left": -173,
+                "top": 252,
+                "zoom": 1.1
+              },
+              "icon": "lucide-file-text",
+              "title": "LEZIONE11_Fingerprints"
+            }
+          },
+          {
+            "id": "6e01744dc56c5469",
+            "type": "leaf",
+            "state": {
+              "type": "pdf",
+              "state": {
+                "file": "Biometric Systems/slides/LEZIONE4_Face introduction and localization.pdf",
+                "page": 6,
+                "left": -129,
+                "top": 482,
+                "zoom": 1.2
+              },
+              "icon": "lucide-file-text",
+              "title": "LEZIONE4_Face introduction and localization"
            }
          },
          {
@ -44,9 +76,9 @@
              "type": "pdf",
              "state": {
                "file": "Biometric Systems/slides/LEZIONE12_MULBIOMETRIC.pdf",
-                "page": 14,
+                "page": 1,
                "left": -8,
-                "top": 477,
+                "top": 552,
                "zoom": 1.9210084033613448
              },
              "icon": "lucide-file-text",
@ -56,21 +88,51 @@
          {
            "id": "c74d17cfbe39864e",
            "type": "leaf",
+            "state": {
+              "type": "markdown",
+              "state": {
+                "file": "Biometric Systems/notes/2. Performance indexes.md",
+                "mode": "source",
+                "source": false
+              },
+              "icon": "lucide-file",
+              "title": "2. Performance indexes"
+            }
+          },
+          {
+            "id": "a04fd1765772f474",
+            "type": "leaf",
            "state": {
              "type": "pdf",
              "state": {
-                "file": "Biometric Systems/slides/LEZIONE9_Ear recognition.pptx.pdf",
-                "page": 8,
-                "left": -153,
-                "top": 5,
-                "zoom": 1.3
+                "file": "Biometric Systems/slides/LEZIONE8_Face antispoofing.pdf",
+                "page": 31,
+                "left": -226,
+                "top": 539,
+                "zoom": 1
              },
              "icon": "lucide-file-text",
-              "title": "LEZIONE9_Ear recognition.pptx"
+              "title": "LEZIONE8_Face antispoofing"
+            }
+          },
+          {
+            "id": "b0046265ddcac2a4",
+            "type": "leaf",
+            "dimension": 14.285714285714286,
+            "state": {
+              "type": "pdf",
+              "state": {
+                "file": "Biometric Systems/slides/LEZIONE2_Indici_di_prestazione.pdf",
+                "page": 36,
+                "left": -109,
+                "top": 380,
+                "zoom": 1.25
+              },
+              "icon": "lucide-file-text",
+              "title": "LEZIONE2_Indici_di_prestazione"
            }
          }
-        ],
-        "currentTab": 1
+        ]
      }
    ],
    "direction": "vertical"
@ -101,7 +163,7 @@
            "state": {
              "type": "search",
              "state": {
-                "query": "",
+                "query": "train test",
                "matchingCase": false,
                "explainSearch": false,
                "collapseAll": false,
@ -240,47 +302,48 @@
      "companion:Toggle completion": false
    }
  },
-  "active": "dee6b7fc799ba9d4",
+  "active": "34cfdf6e8485642e",
  "lastOpenFiles": [
-    "Biometric Systems/slides/LEZIONE12_MULBIOMETRIC.pdf",
-    "Biometric Systems/notes/13. Multi biometric.md",
-    "Biometric Systems/slides/LEZIONE9_Ear recognition.pptx.pdf",
-    "Foundation of data science/notes/3.1 Multi Class Logistic Regression.md",
-    "Foundation of data science/notes/4 L1 and L2 normalization - Lasso and Ridge.md",
-    "Foundation of data science/notes/3 Logistic Regression.md",
-    "Biometric Systems/slides/LEZIONE4_Face introduction and localization.pdf",
-    "Biometric Systems/slides/Biometric_System___Notes.pdf",
-    "Foundation of data science/slides/multiclass_crossentropy_biasvariance.pdf",
-    "Foundation of data science/slides/binary_classification.pdf",
-    "Foundation of data science/slides/FDS_linear_regression_w_notes.pdf",
-    "Foundation of data science/slides/IP CV Basics.pdf",
-    "Foundation of data science/slides/FDS_intro_new.pdf",
-    "Foundation of data science/slides/Variational Autoencoders.pdf",
-    "Biometric Systems/images/Pasted image 20241228171617.png",
-    "Biometric Systems/images/Pasted image 20241228174722.png",
-    "Biometric Systems/notes/4. Face detection.md",
-    "Biometric Systems/notes/6. Face recognition 2D.md",
+    "Foundation of data science/notes/7 Autoencoders.md",
+    "Foundation of data science/notes/6 PCA.md",
+    "Foundation of data science/notes/5 Neural Networks.md",
+    "Biometric Systems/slides/LEZIONE11_Fingerprints.pdf",
    "Biometric Systems/notes/11. Fingerprints.md",
-    "Biometric Systems/notes/8 Face anti spoofing.md",
-    "Biometric Systems/notes/7. Face recognition 3D.md",
-    "Biometric Systems/notes/12. Iris recognition.md",
+    "Biometric Systems/slides/LEZIONE2bis_Indici_di_prestazione.pdf",
+    "Biometric Systems/slides/LEZIONE2_Indici_di_prestazione.pdf",
    "Biometric Systems/notes/2. Performance indexes.md",
    "Biometric Systems/notes/3. Recognition Reliability.md",
-    "Biometric Systems/notes/9. Ear recognition.md",
+    "Biometric Systems/notes/4. Face detection.md",
+    "Biometric Systems/notes/6. Face recognition 2D.md",
+    "Biometric Systems/slides/Biometric_System___Notes.pdf",
+    "Biometric Systems/slides/LEZIONE6_Face recognition2D.pdf",
+    "Biometric Systems/slides/LEZIONE4_Face introduction and localization.pdf",
+    "Biometric Systems/slides/LEZIONE12_MULBIOMETRIC.pdf",
+    "Biometric Systems/slides/LEZIONE8_Face antispoofing.pdf",
+    "Biometric Systems/notes/1. Introduction.md",
+    "Biometric Systems/notes/8 Face anti spoofing.md",
+    "Foundation of data science/notes/3.2 LLM generated from notes.md",
+    "Foundation of data science/notes/4 L1 and L2 normalization - Lasso and Ridge.md",
+    "Foundation of data science/notes/3.1 Multi Class Logistic Regression.md",
+    "Foundation of data science/notes/3 Logistic Regression.md",
+    "Foundation of data science/notes/2 Linear Regression.md",
+    "Foundation of data science/notes/Untitled.md",
    "Foundation of data science/notes/9 Random Forest.md",
-    "Foundation of data science/notes/9 Decision tree.md",
+    "Foundation of data science/notes/9 K-Nearest Neighbors.md",
    "Foundation of data science/notes/9 Gradient Boosting.md",
+    "Foundation of data science/slides/multiclass_crossentropy_biasvariance.pdf",
+    "Foundation of data science/slides/More on Neural Networks (1).pdf",
+    "Biometric Systems/notes/multi bio.md",
+    "Biometric Systems/notes/13. Multi biometric.md",
+    "Biometric Systems/notes/7. Face recognition 3D.md",
+    "Biometric Systems/notes/9. Ear recognition.md",
+    "Biometric Systems/images/Pasted image 20241228171617.png",
+    "Biometric Systems/images/Pasted image 20241228174722.png",
+    "Biometric Systems/notes/12. Iris recognition.md",
+    "Foundation of data science/notes/9 Decision tree.md",
    "Foundation of data science/notes/8 Variational Autoencoders.md",
-    "Foundation of data science/notes/7 Autoencoders.md",
    "Biometric Systems/images/Pasted image 20241217025904.png",
    "Biometric Systems/images/Pasted image 20241217030157.png",
-    "Foundation of data science/notes/1 CV Basics.md",
-    "Foundation of data science/notes/5 Neural Networks.md",
-    "Foundation of data science/notes/6 PCA.md",
-    "Foundation of data science/notes/3.2 LLM generated from notes.md",
-    "Foundation of data science/notes/2 Linear Regression.md",
-    "Biometric Systems/notes/dati da considerare.md",
-    "Biometric Systems/notes/multi bio.md",
    "Biometric Systems/images/Pasted image 20241212094046.png",
    "Biometric Systems/images/Pasted image 20241212094016.png",
    "Biometric Systems/images/Pasted image 20241212093900.png",
--- a/Systems/notes/13.
+++ b/Systems/notes/13.
@ -67,7 +67,7 @@ parallel combination of the two vectors:
 	- step 1: transform vectors in unitary vectors (dividing them by their L2 norm)
 	- step 2: weighted combination through the coefficient $\theta$, based on the lenght of X and Y
 	- we can then use X as the real part and Y as the imaginary part of the final vector
- **further feature processing:*
+- **further feature processing:**
 	- using linear techniques like PCA, L-L expansion, LDA

 ##### Feature level fusion: CCA
--- a/Systems/notes/6.
+++ b/Systems/notes/6.
@ -212,7 +212,7 @@ Le rotazioni modificano l'LBP.
 - **Metodi basati su feature locali:** EBGM, LBP. Sono robusti a varianze di posizione in quanto vengono prima individuati i punti da cui estrarre le feature, e inoltre sono computazionalmente veloci. Come principale svantaggio hanno la scelta a priori dei punti da cui estrarre le feature, se non sono molto discriminativi le performance saranno pessime.
 	- **Sistemi basati su grafi:** a ogni faccia è associato un grafo, dove ogni nodo corrisponde a punti discriminativi della faccia. Ottimi dal punto di vista di variazioni di posizione e illuminazione. Train e test molto lunghi.
 - **Sistemi basati su immagini termografiche o a infrarossi:** ottimi per quanto riguarda variazioni di illuminazione, però richiedono attrezzatura adeguata e la temperatura misurata varia in base allo stato del soggetto. Molto sensibili ai movimenti.
- **Reti neurali:** mirano a simulare il modo in cui funzionano i neuroni del cervello. Ogni neurone è rappresentato da una funzione matematica, approccio ideale: usare un neurone per pixel ma richiede tantissimi neuroni. Quindi spesso si usa una rete per estrarre feature dall'immagine / comprimere l'immagine e poi una rete per la recognition effettiva. Sono molto robuste ma richiedono un training set molto grande. Altri possibili problemi: overfitting, overtraining (non generalizza), diventano inefficienti all'aumentare del numero di soggetti nel database.
+- **Reti neurali:** mirano a simulare il modo in cui funzionano i neuroni del cervello. Ogni neurone è rappresentato da una funzione matematica, approccio ideale: usare un neurone per pixel ma richiede tantissimi neuroni. Quindi spesso si usa una rete per estrarre feature dall'immagine / comprimere l'immagine e poi una rete per la recognition effettiva. Sono molto robuste ma richiedono un training set molto grande. Altri possibili problemi: overfitting (the network has the same dimension of the input), overtraining (non generalizza più), diventano inefficienti all'aumentare del numero di soggetti nel database.

 ###### Overfitting
 Quando la rete ha troppi parametri rispetto alla dimensione dell'input.
--- a/Systems/notes/8
+++ b/Systems/notes/8
@ -58,7 +58,7 @@ Viene poi applicato $LBP^{u_{2}}_{8,1}$ sulla faccia normalizzata e la risultant

 Vengono raccolti insieme gli istogrammi locali da 59 bin per ogni regione e viene prodotto l'istogramma finale, da 531 bin.

-Viene fatta la stessa cosa con $LBP^{u_{2}}_{8,2}$ e $LBP^{u_{3}}_{8,2}$ e gli istogrammi vengono aggiunti all'istogramma finale da 531 bin. Infine l'istogramma viene dato in input alla SVM per la classificazione.
+Viene fatta la stessa cosa con $LBP^{u_{2}}_{8,2}$ e $LBP^{u_{3}}_{16,2}$ e gli istogrammi vengono aggiunti all'istogramma finale da 531 bin. Infine l'istogramma viene dato in input alla SVM per la classificazione.

 ### Kose, Dugelay - Captured-Recaptured
 basato su Rotation invariant LBP (LBPV) e DoG:
--- a/Systems/slides/LEZIONE2bis_Indici_di_prestazione.pdf
+++ b/Systems/slides/LEZIONE2bis_Indici_di_prestazione.pdf
--- a/Systems/slides/Schema
+++ b/Systems/slides/Schema
--- a/Systems_annotated.pdf
+++ b/Systems_annotated.pdf
--- a/science/notes/3.1
+++ b/science/notes/3.1
@ -46,7 +46,7 @@ sample x1 e x2
 - $f(x2)=[0.01, 0.98, 0.01]$ (il modello per questo sample invece è molto sicuro)

 Calcoliamo la Cross Entropy!
-$$-[[1(-0.91)+0(-1.6)+0(-0.91)]+[0(-4.6)+0(-0.02)+0(-4.6)]] = 0.93$$
+$$-[[1(-0.91)+0(-1.6)+0(-0.91)]+[0(-4.6)+1(-0.02)+0(-4.6)]] = 0.93$$
 quei numeri strani sono semplicemente i logaritmi di 0.4, 0.2 ecc., abbiamo semplicemente applicato la formula sopra!

 ##### Softmax optimization