Deep Learning auf Bild und Signal
Ziel des Moduls ist es, fortgeschrittene Techniken der Bild- und Signalverarbeitung mittels Deep Learning zu vermitteln. Studierende erhalten dadurch einen guten Einblick in die faszinierenden Leistungen moderner Bild- und Signalverarbeitungssysteme. Die behandelten Methoden bauen auf Verfahren der Stochastik, der Analysis, Machine Learning und Deep Learning auf.
Inhaltsübersicht
- Datenaufbereitung der Bilder und Signale für Deep Learning
- Praktische Überlegungen beim Anwenden von Deep Learning Modellen
- Objekterkennung und Segmentierung in Bilddaten mittels Deep Learning
- Vorhersage von Signalen (Audio, Sensordaten) mittels Deep Learning
Die Studierenden können Signale und Bilder für deren Einsatz in Deep Learning Modellen aufbereiten. Dazu gehören Verfahren der Signal- und Bildtransformation, Data Cleaning, Normalisierung, Zentralisierung oder Datenaugmentierung, Generieren von Ground Truth Daten. Ausserdem wissen die Studierenden «Best Practices» für das Modelltraining mittels Deep Learning für Signale und Bilder anzuwenden.
Die Studierenden können Deep Learning Modelle zur Objekterkennung in Bilddaten wie faster R-CNN oder Yolo erfolgreich einsetzen und den Anwendungsbedürfnissen anpassen.
Die Studierenden können Bildsegmentierung mittels Encoder-Decoder Deep Learning Modellen wie z.B. U-Net oder Auto-Encoder implementieren und einsetzen.
Die Studierenden können Deep Learning Modelle wie RNNs oder LSTMs zur Vorhersage von Signaldaten (Audio, Sensordaten) implementieren und einsetzen.