|
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:
- Maschinelles Sehen in Matlab
- Bildmosaik: Bildtransformationen und skaleninvariante Merkmalsdetektoren
- Visuelle Odometrie: Berührungslose Geschwindigkeitsbestimmung in Videosequenzen
- Deep Learning: Objektklassifikation und -detektion
- 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/
|
|