Grundlagen der Computer Vision

(in German: Grundlagen der Computer Vision )

Module-ID: FIN-INF-100341

Link:	LSF
Responsibility:	nn
Lecturer:	nn
Classes:	Vorlesung Intro to Computer Vision Übung Intro to Computer Vision
Applicability in curriculum:	- 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

Abbreviation

Credit Points

Semester

Winter

Term

Duration

1 Semester

Language

english

Level

Bachelor

Intended learning outcomes:
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

Content:
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

Workload:
56 h Vorlesung + 94 h Hausaufgaben und Klausurvorbereitung

Pre-examination requirements:	Type of examination:	Teaching method / lecture hours per week (SWS):
	Klausur 120 Minuten	Vorlesung (2 SWS) Übung (2 SWS)

Prerequisites according to examination regulations:	Recommended prerequisites:
keine	Grundkenntnisse in Python

Media:	Literature:

Comments: