Grundlagen der Computer Vision

Winter

(engl. Grundlagen der Computer Vision )

Modulnummer: FIN-INF-100341

Link zum LSF:	LSF
Verantwortung:	nn
Dozent:in:	nn
Lehrveranstaltungen:	Vorlesung Intro to Computer Vision Übung Intro to Computer Vision
Verwendbarkeit:	- B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. CV: Informatik I - Pflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht

Kürzel

Semester

Winter

Fachsem.

Dauer

1 Semester

Sprache

deutsch

Niveau

Bachelor

Angestrebte Lernergebnisse:
Die Studierenden haben die Fähigkeit,

Informationen aus Bilddaten zu extrahieren
in mindestens einem selbstgewählten Informatik-Schwerpunkt fortgeschrittene Methoden einzusetzen

- Bezüge zwischen Informatik und einer technischen Disziplin zu erkennen und Nutzen daraus ziehen

Loesungen im Rahmen von Informations- und Kommunikationssystemen zu gestalten und anzuwenden

- bei der fachlichen Zusammenarbeit mit anderen sowohl auf deutsch als auch auf englisch zu kommunizieren

Probleme mit Hilfe von Theorien und Methoden der Informatik zu analysieren und zu modellieren

- computergestützte Lösungen zu konzipieren, umzusetzen und zu erproben - programmiertechnische Probleme erfolgreich zu bearbeiten - selbstständig und eigenverantwortlich zu handeln - sich selbst zu managen und zu organisieren - nach wissenschaftlichen Methoden zu arbeiten - Sachverhalte zu abstrahieren und analytisch zu denken - geeignete Medien und Software-Werkzeuge einzusetzen - Eigene Ergebnisse in Wort und Schrift zu präsentieren - zur Teamarbeit

Inhalt:
Dieser Kurs wird in PyTorch und Python durchgeführt und Methoden des Deep-Learning im Bereich der Bildverarbeitung nutzen. - Generalisierung auf Testdaten - Convolutional neural nets - Data augmentation, Finetuning, Optimizers - Grundlagenwissen zu adversarial attacks - Vision transformer - Object detection und Segmentation - grundlegende Architekturkomponenten fuer Klassifikation, Objektdetektion und Segmentierung

Arbeitsaufwand:
56 h Vorlesung + 94 h Hausaufgaben und Klausurvorbereitung

Prüfungsvorleistungen:	Studien-/Prüfungsleistungen:	Lehrform / SWS:
	Klausur 120 Minuten	Vorlesung (2 SWS) Übung (2 SWS)

Voraussetzungen nach Prüfungsordnung:	Empfohlene Voraussetzungen:
keine	Grundkenntnisse in Python

Medienformen:	Literatur:

Hinweise: