NummerbverIECTS3.0AnspruchsniveauadvancedInhaltsübersichtZiel des Moduls ist es, fortgeschrittene Techniken der Bildverarbeitung zu vermitteln. Im ersten Teil werden klassische Verfahren behandelt und im zweiten Teil Deep Learning eingeführt. Die behandelten Methoden bauen auf Verfahren der Stochastik, der Analysis und Machine Learning auf. Studierende erhalten dadurch einen guten Einblick in die faszinierenden Leistungen moderner Bildverarbeitungssysteme.
Inhaltsübersicht
- Bilderfassung und -speicherung
- Mustersuche basierend auf Korrelation
- Faltung und Filterung (lineare/nichtlineare Filterung, Kantendetektion)
- Schlüsselpunkte und Deskriptoren
- Deep Learning für Computer Vision
- Klassifikation, Objekterkennung und Segmentierung
- Praktische Überlegungen beim Anwenden von Deep Learning Modellen
- Deep Learning Mini-Projekt
Lernziele- Die Studentinnen und Studenten kennen die gesamte Prozesskette von der digitalen Bilderzeugung, über die Bildbearbeitung und Bildspeicherung bis zur Bildanalyse und können dabei klassische Techniken als auch Methoden des maschinellen Lernens einsetzen.
- Sie verstehen das Prinzip der Faltung und dessen Einsatz in der linearen Filterung und in Deep Learning Modellen.
- Sie erlernen die Bestimmung von Schlüsselpunkten und Deskriptoren, welche bei der Objektlokalisierung eine wichtige Rolle spielen und erarbeiten unterschiedliche Verfahren zur Objektsuche und Objekterkennung.
- Sie verstehen wie mit Deep-Learning-Algorithmen Modelle für die Objekterkennung, Bildklassifikation und Bildsegmentierung trainiert und angewandt werden können und verstehen deren grundlegende Funktionsweise.
- Sie sind in der Lage, anspruchsvolle Aufgaben der Bildverarbeitung in einer höheren Programmiersprache zu implementieren.
Empfohlene Vorkenntnisse- Mathematik für Graphik und Bildverarbeitung (magb)
- Machine Learning (ml)
LeistungsbewertungErfahrungsnote 
