Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     
Logout in [min] [minutetext]

Computer Vision (ersetzt Digitale Bildverarbeitung IN) - Detailansicht

Grunddaten
Veranstaltungsart Vorlesung Langtext
Veranstaltungsnummer 7781 Kurztext
Semester SS 2020 SWS 4
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus Jedes Semester Studienjahr
Hyperlink  
Sprache Englisch
Belegungsfrist Hauptbelegungszeitraum 02.03.2020 - 01.05.2020

Belegpflicht
Termine Gruppe: [unbenannt] iCalendar Export für Outlook
  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Lernziele fällt aus am Max. Teilnehmer/-innen
Einzeltermine ausblenden
iCalendar Export für Outlook
Di. 08:00 bis 11:15 woch Gebäude K - K 103 (max. 12 Personen)        
Einzeltermine:
  • 21.04.2020
  • 28.04.2020
  • 05.05.2020
  • 12.05.2020
  • 19.05.2020
  • 26.05.2020
  • 02.06.2020
  • 09.06.2020
  • 16.06.2020
  • 23.06.2020
  • 30.06.2020
Einzeltermine anzeigen
iCalendar Export für Outlook
Di. 08:00 bis 11:15 woch Gebäude K - K 102        
Gruppe [unbenannt]:
 


Zugeordnete Personen
Zugeordnete Personen Zuständigkeit
Berens, Felix
Elser, Stefan, Professor verantwortlich
Laut SPO für
Abschluss Studiengang Semester ECTS
Master mit vorausg. Absch Electrical Engineering and Embedded Systems 1 - 3 5
Master mit vorausg. Absch Profil IN-IT-Sicherheit 1 - 3 5
Master mit vorausg. Absch Profil IN-Spiele 1 - 3 5
Master mit vorausg. Absch Profil IN-Künstliche Intelligenz und Autonme Rob. 1 - 3 5
Master mit vorausg. Absch Mechatronics 1 - 3 5
Zuordnung zu Einrichtungen
Fakultät Elektrotechnik und Informatik
Inhalt
Inhalt E-Learning Contents, start open


Overview of the content:

1. Brief introduction
2. The pinhole camera model
3. Recognition
4. Motion analysis
5. 3D reconstruction

We will focus on automotive applications and take a look at both, traditional and machine learning algorithms. To evaluate some of these, algorithms, we will take a look at different datasets (MS COCO, KITTI, ApolloScpae, etc). These datasets can also be used as a benchmark for our projects.

For traditional algortihms, we will work with OpenCV. For machine learning algorithms, we will take a look at the TensorFlow Object Detection API.

As part of this course, you will implement or evaluate one of these algorithms using C++ or Python. The algorithms will either have to work on already recorded data (like the datasets above) or a given sensor.
Literatur R. Szeliski: Computer Vision: Algorithms and Applications
http://szeliski.org/Book/

OpenCV tutorials (C++, Python)
https://docs.opencv.org/trunk/

Tensorflow Object Detection API
https://github.com/tensorflow/models/tree/master/research/object_detection
Lernziele After attending the lecture, the participants will be able to understand the most important algorithms for three main tasks in computer vision:

1. Recognition: object detection, pose estimation, etc.
2. Motion analysis: egomotion, optical flow, etc.
3. 3D reconstruction: localization, mapping, using mono camera and stereo vision

At the end of the semester, the participants will implement or evaluate one of these algorithms using C++ or Python.
Voraussetzungen Good understanding of mathematics in general.

Good understanding of at least one programming language, preferable Python or C++.

Depending on your project: additional knowledge and first experiences with machine learning using TensorFlow or comparable frameworks.
Leistungsnachweis PA benotet

Master Informatik:
anstelle von Digitaler Bildverarbeitung mit K90 oder PF
Aushang ab SoSe19: PA benotet

Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SS 2020 , Aktuelles Semester: WiSe 2020/21