Hochschule Darmstadt - Fb Informatik

Drucken| Layout| Design| Schriftgröße English|
Modulbeschreibung
Modul:Computer Vision
Belegnummern:41.5048 [PVL 41.5049; Modul 41.50480]
Sprache:deutsch
Zuordnung:Dualer Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module
Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module
MN Data Science 2016 - Katalog DS-I: Data Science - Informatik
MN Data Science 2016 - Katalog M-I_I: Allgemeine Wahlpflicht Informatik
Lehrform:V+P = Vorlesung+Praktikum
SWS:2+2
CP:6
Prüfung:Klausur (90 Minuten)
Anmeldung zur Prüfung:explizit und unabhängig von der Belegung
PVL (z.B. Praktikum):benotet (Vortrag mit Kolloquium und Demonstration der Software)
Anteil PVL:50%
Häufigkeit des Angebots:jährlich (zuletzt im SS 2020)
Erforderliche Vorkenntnisse:Grundkenntnisse in der Graphischen Datenverarbeitung
Lernziele:
  • Die Studierenden erlangen die Fähigkeit, Computer-Vision-Systeme, wie sie z.B. in Medizin, Fertigungsautomatisierung, Robotik und autonomem Fahren eingesetzt werden, zu verstehen und zu analysieren
  • Die Studierenden können die Grundlagen des künstlichen Sehens verstehen
  • Sie erlangen die Fähigkeit, Computer-Vision-Systeme selbst zu konzipieren und zu realisieren sowie Kamerasysteme auszuwählen und Verfahren zur Kalibrierung zu konzipieren und zu realisieren
  • Sie können wesentliche Methoden zur Merkmalsextraktion, Segmentierung und Objekterkennung erklären und umsetzen. Darauf aufbauend erwerben die Studierenden vertiefte Kenntnisse zur automatisierten echtzeitnahen Stereobild- und Bildfolgen-Auswertung
  • Sie können aktuelle KI basierte Verfahren verstehen, anwenden und adaptieren
Lehrinhalte:
  • Visuelle Wahrnehmung beim Menschen im Gegensatz zu Computer Vision
  • Sensoren, Kameras und optische Abbildungen
  • Vergleich bildhafter Information (Bilddifferenz, Bildkorrelation)
  • Grundlagen der Segmentierung und Merkmalsextraktion
  • Stereobildauswertung (Hindernis-Detektion, 3D-Auswertung)
  • Bildfolgenauswertung (Änderungsentdeckung, relative Entfernung, Bewegungs- und Kollisionsvorhersage, optischer Fluss)
  • Deep Learning Ansätze (z.B. RNN und CNN bzw.R-CNN)
  • Shape from X (3D-Form aus Beleuchtung - photometrisches Stereo, 3D-Form aus Konturen, 3D-Form aus Texturen)
  • Anwendungsbeispiele
Literatur:
  • Burger W., Burge M.J., "Principles of Digital Image Processing", Springer, 2010
  • Demant C., Streicher-Abel B., Waskewitz P., "Industrielle Bildverarbeitung ", Springer, 2011
  • Forsyth D. A., Ponce J., "Computer Vision", Prentice Hall, Pearson Education, 2012
  • Goldstein E. B., "Wahrnehmungspsychologie", Spektrum Akademischer Verlag, 2015
  • Gonzales R., Woods R., "Digital Image Processing", Addison Wesley, 2018
  • Jähne B., "Digitale Bildverarbeitung und Bildgewinnung" , Springer, 2012
  • Nischwitz A. et al., "Computergrafik und Bildverarbeitung: Band II: Bildverarbeitung: 2", Vieweg+Teubner, 2011
  • Russ J. C., "The Image Processing Handbook", Springer, 2011
  • Szeliski R., "Computer Vision- Algorithms and Applications", Springer, 2011
  • Goodfellow I., Bengio Y., Courville A, "Deep Learning", MIT Press, 2016
Arbeitsformen / Hilfsmittel:seminaristische Vorlesung, Projekt, digitale Foliensätze und Klausurbeispiele, Demo-Programme
Modulverantwortung:Elke Hergenröther
Freigabe ab:SS 2019
Angebot im SS 20:Hergenröther
Fachliche Kompetenzen:
  • Formale, algorithmische, mathematische Kompetenzen: mittel
  • Analyse-, Design- und Realisierungskompetenzen: mittel
  • Technologische Kompetenzen: mittel
  • Befähigung zum Wissenschaftlichen Arbeiten: mittel
Überfachliche Kompetenzen:
  • Projektbezogene Kompetenzen: hoch
  • Fachübergreifende Sachkompetenzen: Technische und naturwissenschaftliche Grundkompetenz
  • Sozial- und Selbstkompetenzen: Analysekompetenz, Kompetenz zum Wissenserwerb, Präsentations-, Dokumentations-, Lehr- und Beratungskompetenz, Sprachkompetenz

[Fachbereich Informatik] [Hochschule Darmstadt]
© 2008 - 2020 FBI OBS Team. Alle Rechte vorbehalten.