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]

Strukturbaum
Die Veranstaltung wurde 5 mal im Vorlesungsverzeichnis SoSe 2020 gefunden:
  • Funktionen:
  • Zur Zeit kein Belegungszeitraum aktiv.
Computer Vision (ersetzt Digitale Bildverarbeitung IN) (E-Learning Start Di, 31.03.2020)    Sprache: Englisch    Belegpflicht
Nr.:  7781     Vorlesung     SS 2020     4 SWS     Jedes Semester    
   Fakultät: Fakultät Elektrotechnik und Informatik    
 
   Laut SPO für   Electrical Engineering and Embedded Systems, Abschluss 90,   ( 1. - 3. Semester ) - ECTS-Punkte : 5    
  Profil IN-IT-Sicherheit, Abschluss 90,   ( 1. - 3. Semester ) - ECTS-Punkte : 5    
  Profil IN-Spiele, Abschluss 90,   ( 1. - 3. Semester ) - ECTS-Punkte : 5    
  Profil IN-Künstliche Intelligenz und Autonme Rob., Abschluss 90,   ( 1. - 3. Semester ) - ECTS-Punkte : 5    
  Mechatronics, Abschluss 90,   ( 1. - 3. Semester ) - ECTS-Punkte : 5    
   Zugeordnete Lehrpersonen:   Elser verantwortlich ,   Berens
 
 
Zur Zeit kein Belegungszeitraum aktiv.
   Termin: Dienstag   08:00  -  11:15    wöchentl       Raum :   K 103   Gebäude K  
  Dienstag   08:00  -  11:15    wöchentl       Raum :   K 102   Gebäude K  
 
 
   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: PA benotet

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