SNY har ordet

Det finns inga aktuella kommentarer för kursen. Om du har läst kursen får du gärna kontakta SNY med en kommentar för att förbättra kommande upplagor av Y-arens guide till galaxen.

Innehåll

Maskininlärning med faltande neuronät och supportvektormaskiner. Invarianta lokala särdrag och särdragsextraktion i digitala bilder, bag-of-features ramverk, principer för objektigenkänning och detektion, lokala spatiella begränsningar, formdeskriptorer och matchning, delbaserade modeller för igenkänning, kontextens roll i igenkänning, överblick över objektigenkänning i biologiska system och djupa särdrag.

Mål

Efter kursen ska studenten kunna:

• Känna till grundläggande termer, teori för igenkänning och detektion av objekt i bilder
• Förstå moderna tillvägagångssätt för objektigenkänning och detektion, och kunna analysera styrkor och svagheter hos metoderna.
• Utveckla och experimentellt utvärdera olika igenkännings och detektionsalgortimer och sammanfatta resultaten.
• Välja lämpliga metoder för automatisk träning av detektions/igenkänningssystem
• Förstå grundläggande teorier om hur hjärnan bearbetar visuell information för att känna igen och upptäcka objekt.

 

Examinationsmoment

TEN1 - 3,0 HP
Skriftlig tentamen (U, 3, 4, 5)
PRA1 - 3,0 HP
Skriftlig och muntlig presentation av projekt (U, G)

Organisation

Kursen består av två delar som presenteras parallellt. En teoretisk del som baseras på ett antal föreläsningar som går igenom och illustrerar grundläggande metoder för visuell igenkänning och detektion. Denna del examineras med en skriven tenta. Den andra delen är mer praktisk och börjar med en introduktion till två projekt: Ett inom objektigenkänning och ett inom objektdetektion. Projekten utförs av kursdeltagarna i mindre grupper. Projekten demonstrerar praktiskt en del av teorin från den teoretiska delen av kursen. Resultaten av projekten presenteras muntligt i seminarier och dokumenteras med rapporter. Handledning för projekten ges endast under terminstid. Varje projekt avslutas med en analys och reflektion av arbetet.

Litteratur

Övrigt

Det finns ingen specifik lärobok för kursen. Material kommer delas ut eller göras tillgängligt på kursens hemsida. Det mesta av inehållet kommer från vetenskapliga publikationer som läses under kursens gång.

Följande böcker innehåller material relaterat till kursen: Ian Goodfellow, Yoshua Bengio, Aaron Courville, "Deep Learning", och Richard Szeliski "Computer vision: algorithms and applications".

Rekommenderade förkunskaper

Grundläggande bildbehandling: tröskling, segmentering, kantdetektion från till exempel Digital bildbehandling grundkurs. Användning av Matlab eller Python. Sannolikhetsteori och statistik.

Kommentarer

Logga in för att kunna läsa och skriva kommentarer.