Napredne metode računalniškega vida

Predmet vsebuje različne napredne teme s področja zaznavanja in razumevanja gibanja z metodami računalniškega vida. Vsebina se letno prilagaja trendom v raziskavah in industriji. Jedrne teme obsegajo:

1. Pregled področja ocenjevanja gibanja in aplikacije.
2. Ocenjevanje optičnega toka z metodami najmanjših kvadratov ter postopki z variacijskim računom.
3. Sledenje s parametrično predlogo po postopku Lucas-Kanade.
4. Sledenje s histogrami po postopku srednjega premika (Mean Shift).
5. Diskriminativni modeli za sledenje objektov.
6. Rekurzivni Bayesovi filtri za sprotno ocenjevanje stanj.
7. Verjetnostno sledenje s Kalmanovim filtrom.
8. Verjetnostno sledenje s filtri z delci.
9. Globoko učenje za sledenje in segmentacijo.
10. Dolgoročno sledenje objektov.
11. Metode za hkratno sledenje več objektov.
12. Metodologije primerjave sledilnikov.

Primarno številni izbrani raziskovalni članki. / Mainly many selected research papers

Simon J. D. Prince, Computer Vision: Models, Learning, and Inference, Cambridge University Press, 2012[CB1]

Richard Szeliski, Computer Vision: Algorithms and Applications, Springer, 2022

David Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press, 2012

Primarni namen predmeta je seznanitev z raziskovalno zahtevnim področjem, ki je del računalniškega vida, širše pa umetne inteligence. V tem smislu je snov logično nadaljevanje prvostopenjskih predmetov umetne inteligence, specifično osnovnih tem s področja računalniškega vida, multimedije in strojnega učenja. Sekundarni namen predmeta je osvojitev uporabe analitičnih in numeričnih metod, s katerimi se študentje že spoznajo pri bazičnih predmetih, vendar jih pogosto ne uporabijo v praksi. Študentje bodo ob koncu predmeta seznanjeni z modernimi metodami ocenjevanja gibanja in sledenja z metodami računalniškega vida ter imeli praktične izkušnje iz implementacije teh metod.

Po uspešnem zaključku predmeta bodo študenti:

- poznali glavne postopke ocenjevanja gibanja in lokalizacijo premikajočih se objektov,

- razumeli koncept ocenjevanja optičnega toka in bili sposobni implementirati osnovne postopke,

- razumeli matematično ozadje prileganja predlog s pomočjo metod gradientnega spusta,

- razumeli matematično ozadje verjetnostnih Bayesovskih modelov za ocenjevanje položaja objekta v sliki in bili sposobni implementirati osnovne algoritme, ki izhajajo iz te družine metod,

- razumeli postopke evalvacije sledilnih algoritmov in bili sposobni kritično analizirati delovanje sledilnika,

- razumeli osnove sledilnikov, ki sledijo na dolgi rok in poznali glavne predstavnike s tega področja

- razumeli glavne tehnike in arhitekture globokega učenja za razumevanje gibanja

- sposobni izdelati aplikacije za sledenje objektov v slikah,

- sposobni razumevanja modernih algoritmov na področju sledenja objektov.

Predavanja, laboratorijske vaje, domače naloge in projektna naloga v sklopu vaj. Poseben poudarek je na individualnem delu študentov.

Način (pisni izpit, ustno izpraševanje, naloge, projekt):

Sprotno preverjanje (laboratorijske vaje, domače naloge, projektna naloga)

Končno preverjanje (pisni izpit)
5 - 10, pri čemer velja, da je pozitivna ocena od 6 - 10

LUKEŽIČ, Alan, TROJER, Žiga, MATAS, Jiří, KRISTAN, Matej. A new dataset and a distractor-aware architecture for transparent object tracking. International journal of computer vision. Feb. 2024, vol. 132, str. 2729-2742, [COBISS-SI-ID 186509827]

BOVCON, Borja, KRISTAN, Matej. WaSR—a water segmentation and refinement maritime obstacle detection network. IEEE transactions on cybernetics.  Dec. 2022, vol. 52, iss. 12, str. 12661-12674, [COBISS-SI-ID 69794307]

LUKEŽIČ, Alan, MATAS, Jiří, KRISTAN, Matej. A discriminative single-shot segmentation network for visual object tracking. IEEE transactions on pattern analysis and machine intelligence. Dec. 2022, vol. 44, no. 12, str. 9742-9755, [COBISS-SI-ID 94955523]

VIDENOVIĆ, Jovana, LUKEŽIČ, Alan, KRISTAN, Matej. A distractor-aware memory for visual object tracking with SAM2. V: 2025 IEEE/CVF Conference on Computer Vision and Pattern Recognition : CVPR 2025, Str. 24255-24264 [COBISS-SI-ID 245699331]

PELHAN, Jer, LUKEŽIČ, Alan, ZAVRTANIK, Vitjan, KRISTAN, Matej. A novel unified architecture for low-shot counting by detection and segmentation. V: GLOBERSON, Amir (ur.). Advances in neural information processing systems 37 (NeurIPS 2024), 2024. Str. 1-23, [COBISS-SI-ID 225242371]

KRISTAN, Matej, MATAS, Jiří, LEONARDIS, Aleš, VOJÍŘ, Tomáš, PFLUGFELDER, Roman, FERNÁNDEZ, Gustavo, NEBEHAY, Georg, PORIKLI, Fatih, ČEHOVIN ZAJC, Luka. A novel performance evaluation methodology for single-target trackers. IEEE transactions on pattern analysis and machine intelligence, ISSN 0162-8828. [Print ed.], Nov. 2016, vol. 38, no. 11, str. 2137-2155, [COBISS-SI-ID 1536872643]

ČEHOVIN, Luka, KRISTAN, Matej, LEONARDIS, Aleš. Robust visual tracking using an adaptive coupled-layer visual model. IEEE trans. pattern anal. mach. intell.. [Print ed.], 2012, str. [1-14], [COBISS-SI-ID 9431124

Celotna bibliografija je dostopna na SICRISu: http://sicris.izum.si/search/rsr.aspx?lang=slv&id=32801.