Modulhandbuch

Angewandte Künstliche Intelligenz (AKI)

Computer Vision

Empfohlene Vorkenntnisse

Machine Learning 1 und 2, Deep Learning, Grundlagen der Linearen Algebra und Analytischen Geometrie

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Nach erfolgreichem Besuch dieses Moduls

  • haben die Studierenden merkmalsbasierte Methoden des maschinellen Sehens kennengelernt
  • sind die Studierenden in der Lage verschiedene Algorithmen des optischen Bewegungsfeldes zu benennen und zu implementieren
  • besitzen die Studierenden eine mentale Landkarte ausgewählter Verfahren des maschinellen Lernens im Bereich Computer Vision
  • verfügen die Studierenden über die Fähigkeit tiefe neuronale Netze in Bildverarbeitungsaufgaben auszuwählen und einzusetzen
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für „Computer Vision“ (K60) „Praktikum Computer Vision“ muss „m.E.“ attestiert sein.

Modulverantwortlicher

Prof. Dr. Stefan Hensel

Max. Teilnehmer 41
Empf. Semester 6
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Computer Vision

Art Vorlesung
Nr. EMI936
SWS 2.0
Lerninhalt

Die LV umfasst folgende Lerninhalte:

Merkmalsbasierte Verfahren:
• Merkmalsdetektoren und Merkmalsdeskriptoren
• SIFT-Detektor und -Deskriptor

Bildtransformationen:
• Affine und projektive Transformationen
• Robuste Transformationsschätzung (RANSAC)
• Optischer Fluss (Lucas-Kanade, Horn-Schunck)

Maschinelles Lernen in der Bildverarbeitung
• Clustering/Segmentierung: k-Nearest-Neighbors, k-means, SLIC Superpixel
• Klassifikation: Support-Vector-Machines, Perzeptron

Deep Learning im maschinellen Sehen
• Grundlagen tiefer neuronaler Netze in der Bildverarbeitung (MLPs, convolutional neural networks (CNN))
• Training und Trainingsdatensatzgewinnung
• Objektklassifikation mit neuronalen Netzen
• Objektdetektion und Segmentierung mit neuronalen Netzen

Literatur
  • Szeliski, R., Computer Vision: Algorithms and Applications; Springer, 2011, online pdf version: http://szeliski.org/Book/
  • Burger, Burge, Digital Image Processing - An algorithmic introduction, 3rd ed. Springer, 2015
  • Gonzalez, Digital Image Processing, 4th ed., Pearson, 2017

Praktikum Computer Vision

Art Praktikum
Nr. EMI937
SWS 2.0
Lerninhalt

Laborinhalte:

  • Bildmosaik: Bildtransformationen und skaleninvariante Merkmalsdetektoren
  • Optischer Fluss und Clustering: Lucas-Kanade Tracker und k-means in der farbbasierten Segmentierung
  • Deep Learning: Grundlagen, Objektklassifikation
  • Deep Learning: Keras/Tensorflow als Standardtool im Beispiel der Objektdetektion