Compositional data analysis in archaeometry

We shall call an n × p data matrix fully-compositional if the rows sum to a constant, and sub-compositional if the variables are a subset of a fully-compositional data set1. Such data occur widely in archaeometry, where it is common to determine the chemical composition of ceramic, glass, metal or other artefacts using techniques such as neutron activation analysis (NAA), inductively coupled plasma spectroscopy (ICPS), X-ray fluorescence analysis (XRF) etc. Interest often centres on whether there are distinct chemical groups within the data and whether, for example, these can be associated with different origins or manufacturing technologies

Gestió de les tesis de màster basades en competències

La tesi de màster o treball final d’estudis es pot definir com un treball individual i tutoritzat en el qual l’estudiant desenvolupa diferents competències per tal d’assolir un objectiu ben definit. Aquestes competències normalment són un subconjunt d’aquelles que defineixen el programa de màster i que possiblement es desenvolupen parcialment o totalment en les diferents assignatures del màster. Atès que la tesi de màster acostuma a ser l’activitat amb més ECTS i temps de dedicació en la majoria dels programes de màster, es considera que una gestió i seguiment acurat de l’activitat que es porta terme és molt necessària per assegurar l’assoliment de competències, per part de l’estudiant. Les competències variaran d’una tesi a l’altra; no solament pel fet que els objectius puguin ser diferents, també per la pròpia naturalesa del màster (tecnològic, ciències experimentals, humanitats, econòmiques, etc.) i per la seva orientació (recerca, acadèmic, professionalitzador o mixt). No obstant això, s’ha de poder garantir que l’estudiant, mentre executa les activitats i tasques associades al compliment dels objectius del projecte, vagi desenvolupant i assolint les competències previstes. Partint d’aquesta base s’ha realitzat una anàlisi exhaustiva de com s’ha de desenvolupar i gestionar una tesi de màster orientada a competències. El treball s’ha realitzat en el context del Màster Oficial en Informàtica Industrial i Automàtica (MOIIA) de la UdG (MO2006-00276). Es tracta d’un màster de l’àmbit tecnològic orientat a la recerca (bàsica i Girona, juny 2008 Universitat de Girona aplicada) en què es desenvolupen tant competències metodològiques (derivades dels trets comuns de la recerca en aquest àmbit) com específiques de cada un dels perfils de recerca definits en el màster. Per tant, tot i que l’anàlisi efectuada està molt centrada en aquest màster, les conclusions i la proposta final per implementar una guia d’execució de la tesi de màster és prou genèrica com perquè pugui prendre’s com a referència per al desenvolupament de guies similars en altres estudis

Use of decision trees in colour feature selection: application to object recognition in outdoor scenes

A new method for the automated selection of colour features is described. The algorithm consists of two stages of processing. In the first, a complete set of colour features is calculated for every object of interest in an image. In the second stage, each object is mapped into several n-dimensional feature spaces in order to select the feature set with the smallest variables able to discriminate the remaining objects. The evaluation of the discrimination power for each concrete subset of features is performed by means of decision trees composed of linear discrimination functions. This method can provide valuable help in outdoor scene analysis where no colour space has been demonstrated as being the most suitable. Experiment results recognizing objects in outdoor scenes are reported

Recovering Euclidean deformable models from stereo-motion

In this paper we present a novel structure from motion (SfM) approach able to infer 3D deformable models from uncalibrated stereo images. Using a stereo setup dramatically improves the 3D model estimation when the observed 3D shape is mostly deforming without undergoing strong rigid motion. Our approach first calibrates the stereo system automatically and then computes a single metric rigid structure for each frame. Afterwards, these 3D shapes are aligned to a reference view using a RANSAC method in order to compute the mean shape of the object and to select the subset of points on the object which have remained rigid throughout the sequence without deforming. The selected rigid points are then used to compute frame-wise shape registration and to extract the motion parameters robustly from frame to frame. Finally, all this information is used in a global optimization stage with bundle adjustment which allows to refine the frame-wise initial solution and also to recover the non-rigid 3D model. We show results on synthetic and real data that prove the performance of the proposed method even when there is no rigid motion in the original sequence