Dokument-Version: 4.001.03.2021pre

Fakultät Ingenieurwissenschaften

Masterstudiengang (EIM) - Elektrotechnik und Informationstechnik

Computer Vision II

Kennzahl 7220

Dozententeam

Pflichtmodul 7220

verantwortlich: Professur Computer Vision Computer Vision und Maschinelles Lernen
Regelsemester Wintersemester 1. Semester (jährlich)
Leistungspunkte *) 5   (Wichtung der LP =5)
Unterrichtssprache Deutsch
Arbeitsaufwand Vorlesung-Präsenz: 28 h; Vorlesung-Nacharbeit: 32 h; Seminar-Präsenz: 14 h; Seminar-Vorarbeit: 31 h; Praktikum-Präsenz: 14 h; Praktikum-Vorarbeit: 31 h;
Voraussetzungen für die Teilnahme Kenntnisse/Fähigkeiten: Kenntnisse auf dem Gebiet der Bildverarbeitung auf Bachelor-Niveau, insbesondere optische Bildentstehung, morphologische Operatoren, lineare und nichtlineare Filter, Kanten- und Merkmalsbestimmung; Kenntnisse zu den Grundlagen maschineller Lernverfahren auf Basis tiefer neuronaler Netze auf Bachelor-Niveau
Lernziel/ Kompetenz Ziel: Vermittlung von vertieftem Fachwissen zu Methoden der Bild- und Bildsequenzdatenanalyse, insbesondere zur Beschreibung, Analyse und Modifikation räumlicher Eigenschaften, zur Bestimmung geometrischer Messgrößen sowie zu Algorithmen des Bildverstehens.

Fach- und methodische Kompetenz: Kompetenzen zur Lösung komplexer Problemstellungen in Bezug auf die Informationsgewinnung in kamerabasierten Anwendungen sowie auf komplexe, automatische Verfahren der Bildanalyse mithilfe tiefer neuronaler Netze; Nutzung des Wissens in Anwendungsbeispielen u.a. anhand vorbereiteter Codeabschnitte zur praktischen Bilddatenverarbeitung mit Python bzw. in Deep-Learning-Frameworks.

Einbindung in die Berufsvorbereitung: Kenntnis und Beherrschung von Methoden, die eine automatische Extraktion von Informationen Messgrößen zur Beschaffenheit einer Umgebung bzw. der darin enthaltenen Objekte ermöglichen, sind von zentraler Bedeutung für die Entwicklung heutiger kamerabasierter Messsysteme, insbesondere für aktuelle Anwendungen aus Industrie, Medizin und einer Vielzahl wissenschaftlicher Disziplinen.
Inhalt 1. Projektive Geometrie und Transformationen

2. Epipolargeometrie

3. Kameramodell und -kalibrierung

4. Ebenen und Homographie

5. Tiefe neuronale Netze und Bildverstehen

a. Convolutional Neural Networks

b. Bildklassifikation

c. Objektdetektion

d. Segmentierung

6. Geometrische Bildregistrierung

7. Bewegungsbestimmung in Bildsequenzen

Prüfungsvorleistungen
Studien- und Prüfungsleistungen
Lehreinheiten SWS Prüfungsleistung Wichtung
V S P
Computer Vision II 2 1 1 PK 90min 5
Medienformen Tafel, PC, Beamer, Literatur
Literatur Hughes, J.F. et al.: Computer Graphics - Principles and Practice,3rd Edition;

Hartley, R.; Zissermann, A.: Multiple View Geometry in computer vision;

Verwendbarkeit Das Modul ist in den Masterstudiengängen Elektrotechnik und Informationstechnik verwendbar.