Preskoči na glavno vsebino

Umetno zaznavanje

2023/2024
Program:
Interdisciplinarni univerzitetni študijski program 1. stopnje Računalništvo in matematika
Letnik:
3 letnik
Semester:
prvi
Vrsta:
izbirni
Skupina:
Modul: Umetna inteligenca
ECTS:
6
Jezik:
angleški
Nosilec predmeta:

Matej Kristan

Ure na teden – 1. semester:
Predavanja
3
Seminar
0.67
Vaje
0
Laboratorij
1.33
Vsebina

Vsebina predmeta:
Pregled področja umetnega zaznavanja, aplikacijski doseg in znanstveni izzivi
Procesiranje slik
Nastanek slike v kameri
Binarizacija, morfološke operacije, segmentacija
Barvni prostori in zaznavanje
Linearni in nelinearni filtri
Odvodi slike in zaznavanje robov
Zaznavanje robov z odvodi
Robovi za zaznavanje objektov
Zaznavanje parametričnih oblik
Prileganje modelov
Normalne enačbe
Homogeni sistemi
Robustne metode
Lokalne značilnice
Detektorji kotov
Lokalni opisniki z izbiro merila in afino adaptacijo
Stereoskopija in zaznavanje globine
Nekalibrirani in kalibrirani sistemi ter rekonstrukcija
Razpoznavanje objektov
Podprostorske metode (PCA,LDA)
Razpoznavanje z lokalnimi značilnicami
Detekcija objektov
Zapis vizualnih lastnosti in postopki za detekcijo
Zaznavanje gibanja
Lokalno gibanje in metode za sledenje objektov
Vaje:
Vaje bodo potekale v obliki projektno-orientiranih nalog v primerno opremljenih študentskih laboratorijih. Študentje v okviru nalog samostojno implementirajo algoritme in jih preizkušajo na različnih naborih podatkov zajetih z različnimi senzorskimi sistemi. Sprotno in obvezno delo na projektih omogoča poglobljeno in kritično razumevanje obravnavane tematike, spodbuja pa tudi samostojno mišljenje in kreativnost.

Temeljni literatura in viri

Obvezna:
D. Forsyth and J. Ponce, Computer Vision: A modern approach, Prentice Hall 2011.
R. Szeliski,Computer Vision: Algorithms and Applications, Springer, 2011
Dopolnilna:
H. R. Schiffman: Sensation and Perception, An Integrated Approach, John Wilez &, Sons 2001.
Izbrani članki iz revij IEEE PAMI, CVIU, IJCV, Pattern Recognition (dostopno na spletu)

Cilji in kompetence

Študenti bodo v okviru tega predmeta pridobili konkretna znanja in veščine s področja računalniškega vida. Razvili bodo kompetence z nizkonivojskega procesiranja slik, 3D geometrije kamer in sterea, detekcije objektov, razpoznavanja objektov in osnove izračunavanja gibanja v videoposnetkih. Osvojili bodo tudi matematične osnove za reševanje zahtevnih inženirskih problemov, ki so značilni za analizo tako kompleksnih signalov kot so slike in videoposnetki.
Poleg tega bodo študenti osvojili naslednje kompetence:
Sposobnost razumevanja in reševanja strokovnih izzivov s področja računalništva in informatike
Sposobnost strokovne komunikacije v materinem in tujem jeziku.
Sposobnost neodvisnega reševanja tako manj zahtevnih kakor kompleksnih inženirskih in organizacijskih problemov iz ozkih področji, kakor tudi specifičnih dobro definiranih problemov s področja računalništva in informatike.

Predvideni študijski rezultati

Znanje in razumevanje:
Poznavanje problematike upravljanja s podatki, ter razumevanje principov in pristopov za njihovo reševanje. Poznavanje konceptov in področij uporabnosti sodobnih nerelacijskih (NoSQL) podatkovnih sistemov.
Uporaba:
Uporaba pridobljenih znanj in orodij za obvladovanje podatkov v inženirskem in raziskovalnem delu.
Refleksija:
Spoznavanje in razumevanje povezav med teoretičnimi principi za obvladovanje podatkov in njihovo uporabo v praksi.
Prenosljive spretnosti - niso vezane le na en
predmet:
Načrtovanje, obvladovanje, hranjenje in analiza različnih vrst podatkov se neposredno ali posredno uporablja na področjih informacijskih sistemov, poslovne inteligence, spletnih storitev in inteligentnih sistemov.

Metode poučevanja in učenja

Predavanja, laboratorijske vaje v računalniški učilnici z aktivnim sodelovanjem. Individualno delo na vajah. Teorija s predavanj se praktično analizira na vajah. Poseben poudarek je na sprotnem študiju in sprotnem delu pri vajah.

Načini ocenjevanja

Sprotno preverjanje (domače naloge in laboratorijske vaje)
Končno preverjanje (pisni in ustni izpit)
(ocene: 5 (negativno), 6-10 (pozitivno), ob upoštevanju Statuta UL)

Reference nosilca

KRISTAN, Matej, LEONARDIS, Aleš. Online discriminative kernel density estimator with Gaussian kernels. IEEE transactions on cybernetics, ISSN 2168-2267. [Print ed.], 2014, vol. 44, no. 3, str. 355-365. , doi: . [COBISS-SI-ID 9907284]
ČEHOVIN, Luka, KRISTAN, Matej, LEONARDIS, Aleš. Robust visual tracking using an adaptive coupled-layer visual model. IEEE transactions on pattern analysis and machine intelligence, ISSN 0162-8828. [Print ed.], Apr. 2012, vol. 35, no. 4, str. 941-953, ilustr. , doi: . [COBISS-SI-ID 9431124]
KRISTAN, Matej, LEONARDIS, Aleš, SKOČAJ, Danijel. Multivariate online kernel density estimation with Gaussian kernels. Pattern recognition, ISSN 0031-3203. [Print ed.], 2011, vol. 44, no. 10/11, str. 2630-2642, ilustr. [COBISS-SI-ID 8289876]
KRISTAN, Matej, SKOČAJ, Danijel, LEONARDIS, Aleš. Online kernel density estimation for interactive learning. Image and vision computing, ISSN 0262-8856. [Print ed.], Jul. 2010, vol. 28, no. 7, str. 1106-1116, ilustr. [COBISS-SI-ID 7326804]
KRISTAN, Matej, KOVAČIČ, Stanislav, LEONARDIS, Aleš, PERŠ, Janez. A two-stage dynamic model for visual tracking. IEEE transactions on systems, man, and cybernetics. Part B, Cybernetics, ISSN 1083-4419. [Print ed.], Dec. 2010, vol. 40, no. 6, str. 1505-1520, ilustr. [COBISS-SI-ID 7709524]