Modulbeschreibung
Modern Computer Vision
Kürzel:
Durchführungszeitraum:
ECTS-Credits:
Arbeitsaufwand (h):
Lernziele:
Computer Vision ermöglicht es Maschinen, visuelle Informationen von Kameras und Sensoren wahrzunehmen, zu interpretieren und zu verstehen. In den letzten Jahren haben die rasante Entwicklung des Deep Learning, erschwingliche Sensoren wie LiDAR und RGB-D-Kameras
sowie Fortschritte in der Rechenleistung Computer Vision zu einer der transformativsten
Technologien in Robotik, Automatisierung und intelligenten Systemen gemacht.
Die Studierenden
- kennen typische Anwendungsfelder der industriellen Bildverarbeitung.
- kennen den gesamten Prozessablauf bei der Bildverarbeitung: Bildaufnahme, Signalverarbeitung, Segmentierung, Objekterkennung, Klassifikation.
- kennen Methoden und Verfahren der modernen Bildverarbeitung in 2D und 3D.
- können Bildverarbeitungsaufgaben mit Hilfe von Python und einschlägigen Bibliotheken lösen.
Verantwortliche Person:
Standort (angeboten):
Empfohlene Module:
Vorausgesetzte Module:
Zusätzlich vorausgesetzte Kenntnisse:
Elektrotechnik & Lineare Algebra 1 und 2.
Modultyp:
Bemerkungen:
Das Modul findet im Frühlingssemester statt und wird Online angeboten.
ECTS-Credits pro Kategorie
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während der Prüfungssession:
Während des Semesters:
Es wird ein Projekt bewertet.
Bewertungsart:
Gewichtung:
Während der Unterrichtsphase wird eine Projektarbeit (Gewicht 100%) bewertet.
Bemerkungen:
Kurse in diesem Modul
Modern Computer Vision
Kürzel:
Arbeitsaufwand (h):
Semester:
Lernziele:
Die Studierenden
- kennen typische Anwendungsfelder der industriellen Bildverarbeitung.
- kennen den gesamten Prozessablauf bei der Bildverarbeitung: Bildaufnahme, Signalverarbeitung, Segmentierung, Objekterkennung, Klassifikation.
- kennen Methoden und Verfahren der modernen Bildverarbeitung in 2D und 3D,
- können Bildverarbeitungsaufgaben mit Hilfe von Python und einschlägigen Bibliotheken lösen.
Plan und Lerninhalt:
- Einführung in die klassische 2D-Bildverarbeitung:
o Bilder und statistische Merkmale
o Methoden der Bildverbesserung (Glättungsfilter, morphologische Operationen)
o Objekterkennung über Kantendetektion (Gradientenfilter, Hough Transformation), über Regionen und Oberfläche (Textur) - Deep Learning Verfahren in der Bildverarbeitung
o Objekterkennung
o Klassifikation - Einführung in die 3D-Bildverarbeitung
o Kameramodelle und Kalibrierverfahren
o Stereovision, Structure from Motion
o 3D-Rekonstruktion und Arbeiten mit Punktwolken
Ansprechspersonen:
Unterrichtssprache:
Leistungsnachweis:
Während der Unterrichtsphase wird ein Projekt bewertet.
Lehr- und Lernmethoden:
Unterrichtsgespräch im Klassenverband, Selbststudium (Übungsaufgaben, Vor- und Nachbereitung der Fachinhalte, Bearbeitung von kleineren Projektarbeiten)
Bibliographie:
- R. Szeliski, Computer Vision: Algorithms and Applications, Springer, 2022
Kursart:
Durchführung gemäss Stundenplan