Modulhandbuch: Hochschule Offenburg

Angewandte Künstliche Intelligenz (AKI)

Bundesweit einer der ersten Bachelor-Studiengänge auf dem Zukunftsgebiet der Künstlichen Intelligenz

Bewerben Studienberatung

Fakultät EMI

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

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

Empf. Semester

Haeufigkeit

jedes Jahr (SS)

Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Art	Vorlesung
Nr.	EMI936
SWS	2.0
Lerninhalt	Die LV umfasst folgende Lerninhalte: Klassische Methoden: Bildentstehung und Digitalisierung Filter im Ortsraum und Frequenzraum Merkmalsdetektoren, z.B. Kanten, Konturen, Kurven Morphologische Operationen und Geometrische Transformationen Segmentierung, z.B. Schwellenwert-basierte Methoden, Clustering-basierte Methoden, Graph-basierte Methoden Deep Learning basierte Methoden: Semantische Segmentierung, z.B. FCN, U-Net, DeepLab Objekterkennung (einstufige und zweistufige Ansätze), z.B. R-CNN, Retina, YOLO Optischer Fluss, z.B. Lucas-Kanade, Horn-Schunck, FlowNet 3DDeep Learning: Occupancy Network, 3D NeRF Vision Transformer: Attention
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

Art	Praktikum
Nr.	EMI937
SWS	2.0
Lerninhalt	Vertiefung der Lerninhalte aus der Vorlesung durch praktische Übungen in den Bereichen Bildmosaik: Histogramm, Filterung, Merkmalsdetektoren, BildtransformationenSegmentierung: Otsu's Methode, k-means in der farbbasierten Segmentierung Deep Learning Grundlage: Keras, Tensorflow als Standardtool Semantische Segmentierung, z.B. U-Net Objektklassifikation, z.B.VGG, ResNet Objekterkennung, z.B. R-CNN oder YOLO Optischer Fluss: Lucas-Kanade Methode
Literatur	Burger, Wilhelm; Burge, Mark J. (2022): Digital Image Processing: An algorithmic introduction. 3rd ed., Springer. Gonzalez, Rafael C.; Woods, Richard E. (2017): Digital Image Processing. 4th ed., Pearson. Szeliski, Richard (2011): Computer Vision: Algorithms and Applications. Springer. Courville, Aaron; Goodfellow, Ian; Bengio, Joshua (2016): Deep Learning. MIT Press.