Modulbeschreibung
Erkennung von Featrures aus 3D Punktewolken
Kurzzeichen:
ECTS-Credits:
Leitidee:
Evaluieren und Anwenden von Algorithmen zur Segmentierung und Registrierung von Punktwolken, sowie Objekt Detektion und Klassifizierung.
Modulverantwortung:
Standort (angeboten):
Zusätzliche Eingangskompetenzen:
Visual Computing, Computer Graphics or an equivalent class. Basic knowledge of machine learning.
Good command of an imperative programming language, basic knowledge of Python.
Basic knowledge of probability, statistics, linear algebra (vectors, matrices).
Modultyp:
Bemerkungen:
Webseiten zur Veranstaltung:
https://www.graphics.rwth-aachen.de/course/157/
http://www.pmp-book.org/
Modulbewertung:
Leistungsnachweise und deren Gewichtung
Während der Unterrichtsphase:
Im Kurs "Erkennung von Features aus 3D Punktewolken“ wird ein Projekt mittels Bericht und Präsentation bewertet. Im Kurs "Machine Learning in Computer Vision“ wird eine Prüfung bewertet.
Bewertungsart:
Gewichtung:
Im Kurs "Erkennung von Features aus 3D Punktewolken“ wird ein Projekt mittels Bericht und Präsentation (Gewicht 80%) bewertet. Im Kurs "Machine Learning in Computer Vision“ wird eine Prüfung (Gewicht 20%) bewertet.
Bemerkungen:
Inhalte
Angestrebte Lernergebnisse (Abschlusskompetenzen):
- Students know how images and 3D data are represented and manipulated by software.
- Students know the most important problems related to image analysis: e.g. image classification, segmentation and object detection and tracking.
- Students can apply machine learning and deep learning techniques to solve image-related problems, and deal with practical issues arising in the field (dataset engineering, data augmentation, data normalization).
- Students have seen different examples of image analysis problems and common solution techniques, and are able to acquire additional expert knowledge from the scientific literature and online resources.
Modul- und Lerninhalt:
Basic image processing methods applied to document processing:
- applications to OCR: handcrafted features; convolutional neural networks.
- Image classification with small datasets: data augmentation techniques;
Segmentation
- applications to medical images (2D, 3D)
- fully convolutional networks for semantic segmentation.
Object detection
- face and pedestrian detection with cascading classifiers
- object tracking in videos.
Generative models and Image Synthesis
- Applications to Image Inpainting