Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage die wichtigsten Theorien, Prinzipien, Konzepte und Algorithmen der Computer Vision zu benennen, erklären und gegenüberzustellen. Ihr Wissen und Verstehen entspricht dem Stand der Fachliteratur im Bereich der Computer Vision.
In der Vorlesung werden fortgeschrittene Methoden der Computer Vision vertiefend behandelt:
- Textur, Szenerie und Kontext
- Lokale und maßstabsübergreifende Darstellungen
- Points of Interest, Ecken
- Auftauchende Merkmale der Szene
- Szenenerkennung, Bag of Words, SIFT
- Clustering, Pyramidenanpassung, Support-Vektor-Maschine
- Tiefes Lernen, CNNs
- Perceptron, Lineare Basisfunktionsmodelle, RBF
- Neuronale Netzwerkarchitekturen und Lernmethoden
- Fehlerfunktionen und Parameteroptimierungsverfahren (z.B. Pseudo-Inverse, gradient descent, Newton-Verfahren)
- Dualität, Sparsamkeit, Support-Vektor-Maschine
- Unüberwachte Methoden und selbstorganisierende Karten (SOM)
ECTS-Aufteilung (Schätzung, Empfehlung):
28 Std. Vorlesung
54 Std. Vorbereitungs-Einheiten, individuelle Vorbereitung und Tests
68 Std. Übungsaufgaben lösen und Abgabegespräche
---------------------------------------------
150 Std. entspricht 6 ECTS zu je 25 Std.
Mathematik: Vektor und Matrizenrechnung, aus Lineare Algebra
Programmieren, objektorientiertes Programmieren
Computer Vision Kenntnisse, aus Modul Einführung in Visual Computing (beide Teile) sowie dessen Voraussetzungsmodule
Python-Kenntnisse vorteilhaft, aber nicht notwendig.