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

  • Funktionen:
  • Zur Zeit kein Belegungszeitraum aktiv.
Grunddaten
Veranstaltungsart Vorlesung Langtext
Veranstaltungsnummer 7781 Kurztext
Semester SoSe 2021 SWS 4
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus Jedes Semester Studienjahr
Hyperlink  
Sprache Englisch
Belegungsfrist Hauptbelegungszeitraum    01.03.2021 - 26.03.2021   
Termine Gruppe: [unbenannt] iCalendar Export für Outlook
  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Funktionsbeschreibung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export für Outlook
Mo. 09:45 bis 11:15 woch          
Einzeltermine anzeigen
iCalendar Export für Outlook
Do. 09:45 bis 11:15 woch          
Gruppe [unbenannt]:
Zur Zeit kein Belegungszeitraum aktiv.
 


Zugeordnete Personen
Zugeordnete Personen Zuständigkeit
Berens, Felix
Elser, Stefan, Professor verantwortlich
Laut SPO für
Abschluss Studiengang Semester Kategorie ECTS
Master mit vorausg. Absch Electrical Engineering and Embedded Systems 2 - 2 Wahlfach 5
Master mit vorausg. Absch Profil IN-IT-Sicherheit 2 - 2 Wahlfach 5
Master mit vorausg. Absch Profil IN-Spiele 2 - 2 Wahlfach 5
Master mit vorausg. Absch Profil IN-Künstliche Intelligenz und Autonme Rob. 2 - 2 Wahlpflichtfach 5
Zuordnung zu Einrichtungen
Fakultät Elektrotechnik und Informatik
Inhalt
Kommentar 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
Funktionsbeschreibung 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

Siehe Modulhandbuch, Aushänge beachten

 

PA benotet, siehe Aushang


Strukturbaum
Die Veranstaltung wurde 3 mal im Vorlesungsverzeichnis SoSe 2021 gefunden:
Wahlpflichtfächer  - - - 1
Wahlfächer  - - - 2