|
||||||||||||||
Dozententeam |
Wahlpflichtmodul 8801
|
|||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Regelsemester | Sommersemester | 2. Semester (jährlich) | ||||||||||||
Leistungspunkte *) | 5 (Wichtung der LP =5) | |||||||||||||
Unterrichtssprache | Deutsch | |||||||||||||
Arbeitsaufwand | Vorlesung-Präsenz: 28 h; Vorlesung-Nacharbeit: 32 h; Projekt-Präsenz: 28 h; Projekt-Vorarbeit: 62 h; | |||||||||||||
Voraussetzungen für die Teilnahme | Kenntnisse/Fähigkeiten: Computer Vision II; Kenntnisse zu den Grundlagen maschineller Lernverfahren auf Basis tiefer neuronaler Netze auf Bachelor-Niveau | |||||||||||||
Lernziel/ Kompetenz |
Ziel: Vermittlung vertiefter Kenntnisse zu aktuellen Methoden und Konzepten aus dem Bereich
Computer-Vision und des maschinellen Lernens sowie von Fähigkeiten zur Analyse, Interpretation,
Diskussion und Adaption aktueller innovativer Lösungskonzepte anhand wissenschaftlicher
Fachartikel.
Fach- und methodische Kompetenz: Kompetenzen zur Lösung anwendungsorientierter Problemstellungen mit aktuellsten Verfahren aus Forschung und Entwicklung im Gebiet Computer-Vision und maschinellem Lernen als Grundlage für die Bewertung, Weiterentwicklung und Automatisierung neuer Messmethoden und Analysesysteme; Fähigkeit zur vertieften Informationsrecherche zum aktuellen Stand der Wissenschaft, zur kritischen Analyse aktueller Fachartikel und zur Präsentation und Diskussion von Verfahrensweisen und Erkenntnissen. Einbindung in die Berufsvorbereitung: Methoden des maschinellen Lernens im Allgemeinen sowie der Bereich Computer Vision im Speziellen erfahren derzeit eine dramatische Weiterentwicklung, der oft allein mit Lehrbuchwissen nicht zu folgen ist. Für die Entwicklung neuer Methoden und Verfahren im späteren Berufsfeld spielen solche Methoden aber eine zunehmend wichtigere Rolle. Die Fähigkeit zur kritischen Analyse von Fachbeiträgen ist eine Kernkompetenz in ingenieurtechnischen und -wissenschaftlichen Tätigkeitsfeldern, die Präsentation und Diskussion von Recherche und Analyseergebnissen fördert die Fähigkeit zum wissenschaftlich-technischen Austausch, soziale Interaktion und Sozialkompetenz. |
|||||||||||||
Inhalt | 1. Methodik zur Analyse wissenschaftlicher Fachartikel
2. Siamese Networks 3. Attenton-Mechanismus 4. Transformer 5. Graph-Neutral-Networks 6. Generative Adversarial Networks 7. Merkmalsvisualisierung 8. Analyse und Diskussion aktueller Entwicklung in der Forschung, z.B. Performer |
|||||||||||||
Prüfungsvorleistungen | PVJ (erfolgreiche Projektberarbeitung) | |||||||||||||
Studien- und Prüfungsleistungen |
|
|||||||||||||
Medienformen | Tafel, PC, Beamer, Literatur | |||||||||||||
Literatur | Szeliski, R.: Vision Algorithms and Applications,2nd Edition;
Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning,MIT Press; Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning,MIT Press; Aktuelle Fachbeiträge internationaler Journale und Konferenzen aus dem Bereich: Signalverarbeitung, Computer-Vision und maschinelles Lernen; |
|||||||||||||
Verwendbarkeit | Das Modul ist im Masterstudiengang Elektrotechnik und Informationstechnik verwendbar. |