|
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.
|
|