Informatik

Mit den Schwerpunkten "Data Science & Analytics" oder "Advanced Software Engineering". Möglichkeit eines Master-Studiums parallel zu Job oder Familie
Bewerben Studienberatung
EMI Department

Modulhandbuch

←  Zurück 

Maschinelles Sehen

Empfohlene Vorkenntnisse

Vorlesungen Software-Engineering 1 & 2
Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Studierende, die das Modul erfolgreich absolviert haben

  • können Prinzipien der modellgetriebenen Softwareentwicklung verstehen und auf konkrete Problemstellungen anwenden
  • verstehen Grenzen der modellgetriebenen Softwareentwicklung 
  • können gegebene Problemstellungen analysieren und daraus effiziente modellbasierte Lösungsansätze entwickeln
  • sind in der Lage, die Umsetzung Modell in Code im Detail zu verstehen
  • können Testmodelle aus textuellen und grafischen Spezifikationen ableiten
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Modellgetriebene Software-Entwicklung" (K60)

Praktikum "Modellgetriebene Software-Entwicklung" muss "m.E." attestiert sein
Modulverantwortlicher

Dozent: Bernhard Merkle
Max. Teilnehmer 15
Empf. Semester 1-2
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Master-Studiengang INFM
Veranstaltungen

Maschinelles Sehen mit Labor

Art Vorlesung/Labor
Nr. EMI2247
SWS 4.0
Lerninhalt

Lerninhalte Vorlesung:

Merkmalsbasierte Verfahren:

  • Merkmalsdetektoren und Merkmalsdeskriptoren
  • SIFT-Detektor und -Deskriptor

Bildtransformationen:

  • Affine und projektive Transformationen
  • Robuste Transformationsschätzung (RANSAC)

Elastischer BIldvergleich

  • Optischer Fluss und visuelle Odometrie (Lucas-Kanade, Horn-Schunck)

Maschinelles Lernen in der Bildverarbeitung

  • Clustering/Segmentierung: k-means, SLIC Superpixel, spektrale Methoden
  • Klassifikation: Support-Vector-Machines

Deep Learning im maschinellen Sehen

  • Grundlagen tiefer neuronaler Netze in der Bildverarbeitung (convolutional neural networks, CNNs)
  • Training und Trainingsdatensatzgewinnung
  • Objektklassifikation mit neuronalen Netzen
  • Objektdetektion und Segmentierung mit neuronalen Netzen

Lerninhalte Labor:

  1. Maschinelles Sehen in Matlab
  2. Bildmosaik: Bildtransformationen und skaleninvariante Merkmalsdetektoren
  3. Visuelle Odometrie: Berührungslose Geschwindigkeitsbestimmung in Videosequenzen
  4. Deep Learning: Objektklassifikation und -detektion
  5. Deep Learning: Keras, Tensorflow und pythonbasierte Open-Source Verwendung

 
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
  • Goodfellow, Bengio, Courville, Deep Learning, MIT Press 2016, onlineversion: http://www.deeplearningbook.org/
←  Zurück