Modulhandbuch

Um ein Modulhandbuch einzufügen, den Inhalt-Plus-Button an der gewünschten Stelle anklicken und unter der Rubrik Plug-Ins „Modulhandbuch (DE)“ wählen. Unter „Studiengang“ den gewünschten Studiengang auswählen und speichern. Jetzt wird das Modulhandbuch auf der Seite angezeigt.


Falls das gewünschte Modulhandbuch noch nicht in der Liste erscheint, bitte Webmaster (webmaster@hs-offenburg.de) kontaktieren.

Modulhandbuch

Computer Vision

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 1
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 41
Empf. Semester 6
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI
Veranstaltungen

Computer Vision

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

Praktikum Computer Vision

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.