Maschinelles Sehen ist wesentlicher Bestandteil aktueller Technologien von der Erweiterten Realität (AR) bis hin zum Autonomen Fahren. Dieses Modul vermittelt Studierenden die Grundlagen dieser Systeme, insbesondere Algorithmen zur Verarbeitung von großen Bild-, Video- und 3D-Modelldatenbanken, Grundlagen des Augmented Reality Trackings und Ansätze des Maschinellen Lernens und des Deep Learnings auf Bilddaten. In praktischen Programmierübungen werden diese Methoden von den Teilnehmern angewendet und implementiert. Die Studierenden können die genannten Techniken danach selbstständig einsetzen und kennen deren Einsatzschwerpunkte, Vorteile und Schwächen.

Übung, teilweise im seminaristischen Unterrichtsstil

Die Prüfungsform wird nach §19 (2) RSPO durch die Lehrkraft festgelegt. Sofern die Lehrkraft die Prüfungsform und die Prüfungsmodalitäten nicht am Semesteranfang in der Frist nach §19 (2) RSPO festlegt, gilt folgende Prüfungsform:

• Hausarbeiten mit Rücksprache (14-tägig, 70%, nur 1. Prüfungszeitraum)
• Projekt (500 Zeilen Code, 30%, nur 1. Prüfungszeitraum)

Im seminaristischen Unterricht und in den Übungen werden aktuelle angewandte Probleme aus folgenden möglichen Themenbereichen behandelt:

• Einführung in die Bildverarbeitung und Bildmerkmalssuche
• Inhaltsbasierte Bild-, Video- oder 3D-Modellsuche
• Aktuelle Methoden des Maschinellen Sehens zur Realisierung von z.B. 3D Rekonstruktion oder Augmented Reality
• Einführung in Methoden des Maschinellen Lernens und des Deep Learnings
• Bildklassifikation und Objekterkennung unter Nutzung von z.B. Support Vector Machines und Convolutional Neural Networks

Richard Szeliski, Computer Vision: Algorithms and Applications.

Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning.