Computer Vision

Dieses Modul bietet einen Einstieg in die Computer Vision. Die Studierenden lernen, wie Maschinen visuelle Informationen aufnehmen, verarbeiten und lernen. Anhand konkreter Anwendungsbeispiele – etwa Bildklassifikation oder Objekterkennung – erarbeiten wir uns ein fundiertes Verständnis von klassischen Verfahren bis zu aktuellen KI-basierten Methoden. Die Themen werden mit praktischen Übungen begleitet, wo mit Experimenten die Möglichkeiten und Grenzen von Computer-Vision-Anwendungen ausgelotet werden. Beispiele aus der Wirtschaft bieten einen Einblick, wo Computer Vision bereits eingesetzt wird.

Wissen und Verstehen: Die Studierenden ...

• erwerben fundiertes Wissen über Methoden der Computer Vision.
• Sie verstehen die theoretischen Grundlagen und praktischen Anwendungen.

Anwendung von Wissen und Verstehen: Die Studierenden ...

• können Computer-Vision-Techniken zur Lösung realer Probleme anwenden.
• sind fähig, spezifische Algorithmen und Modelle zu entwickeln, zu trainieren und zu optimieren.
• Können geeignete vor-trainierte Modelle identifizieren und für konkrete Anwendungen anpassen

Urteilen: Die Studierenden ...

• bewerten die Eignung verschiedener Techniken für konkrete Anwendungen.
• reflektieren ethische Aspekte und die Bedeutung des Schutzes der Privatsphäre kritisch

• Digitale Bildrepräsentation und Sensoren für Computer Vision
• klassische digitale Bildverarbeitung (Filterung, Merkmalsextraktion, Stitching, Registrierung, ...)
• 3D-Bilderzeugung aus 2D-Daten
• 3D Computer Vision
• Convolutional Neural Networks (CNNs) für KI-basierte Computer Vision
• Objekterkennung
• Bildsegmentierung
• Bildklassifikation
• Tracking und Bewegungsschätzung
• Szenenerkennung

Vorlesung, Übung, Coaching

• Module "Einführung in die Künstliche Intelligenz" und "Maschinelles Lernen" oder äquivalente Kenntnisse
• Grundlegende Python-Kenntnisse
• Grundkenntnisse in Deep Learning / künstlichen neuronalen Netzwerken

Anwesenheit wird erwartet

Note 1-6 (halbe Noten)

Nützliche Literatur wird während des Semesters vorgestellt.