Zaznavanje v kognitivnih sistemih

Predavanja:

- Računske teorije zaznavanja

- Kognitivne arhitekture zaznavanja

- Učenje, razpoznavanje, kategorizacija in abstrakcija vizualnih entitet

- Aktivni vid

- Računske teorije pozornostnih mehanizmov

- Vizualni kontekst

- Računske teorije zaznavanja prostora in prostorskih relacij

Vaje:

Študenti se na vajah spoznajo z dodatnimi vidiki računskih modelov zaznavanja in z njihovo praktično implementacijo v okviru razvoja senzorskih ali robotskih sistemov. Pod vodstvom mentorja razvijejo programske in strojne rešitve s področja razpoznavanja in kategorizacije objektov, robotske lokalizacije in aktivnega vida.

1. Object Categorization: Computer and Human Vision Perspectives, S. J. Dickinskon, A. Leonardis, B. Schiele, M. J. Tarr, (Eds.), Cambridge University Press, 2009, (ISBN-13: 9780521887380).

2. A. Pinz, Object Categorization, Foundations and Trends® in Computer Graphics and Vision, 1(4), pp. 255-353, 2006, (ISBN: 1-933019-13-1).

Dostopna tudi: http://www.emt.tugraz.at/system/files/CGV003-journal.pdf

3. S. Thrun, W. Burgard, D. Fox, Probabilistic Robotics: Intelligent Robotics and Autonomous Agents, (ISBN-10: 0262201623).

Cilj predmeta je študente računalništva in informatike naučiti osnov zaznavanja v kognitivnih sistemih, kar vključuje nekatere izbrane teorije računskega zaznavanja, računalniško modeliranje zaznavnih procesov ter uporabo teh modelov pri izgradnji aktivnih kognitivnih robotskih sistemov.

Študent naj bi po uspešno opravljenem predmetu:

- Poznal in razumel računske modele zaznavanja ter njihove implementacije v umetnih kognitivnih sistemih.

- Znal snovati praktične rešitve s področja umetnega zaznavanja v kognitivnih sistemih.

• Znal snovati in implementirati praktične rešitve s področja umetnega zaznavanja v kognitivnih sistemih, npr. v avtonomnih robotih, nadzornih sistemih, inteligentnih okoljih ali mobilnem računalništvu.

- Poznal širše raziskovalno področje umetnega in naravnega zaznavanja ter kognitivnih sistemov.

- Bil sposoben samostojnega in multidisciplinarnega raziskovanja na osnovi strokovne literature in eksperimentalnega dela. Sposobnost programiranja senzorskih ali robotskih sistemov.

Predavanja s podporo avdio-vizualne opreme. Laboratorijske vaje v primerno opremljenem laboratorijskem prostoru. Delo posamezno in v skupinah. Praktično delo in vrednotenje produktov.

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

Sprotno preverjanje (domače naloge, kolokviji in projektno delo)
Končno preverjanje (pisni in ustni izpit)
Ocene: 6-10 pozitivno, 5 negativno
(v skladu s Statutom UL).

1. A. Leonardis, A. Gupta, and R. Bajcsy, »Segmentation of range images as the search for geometric parametric models«, International Journal of Computer Vision, 14, pages 253-277, 1995.

2. A. Leonardis, A. Jaklic, and F. Solina, »Superquadrics for segmentation and modelling range data«, IEEE Transactions on Pattern Analysis and Machine Intelligence, 19, pages 1289-1295, 1997.

3. A. Leonardis and H. Bischof, »Robust recognition using eigenimages«, Computer Vision and Image Understanding, 78, no. 1, pages 99-118, 2000.

4. M. Jogan, E. Žagar, A. Leonardis. »Karhunen-Loéve expansion of a set of rotated templates«. IEEE trans. image process., July 2003, vol. 12, no. 7, str. 817-825.

5. S. Fidler, D. Skočaj, A. Leonardis. »Combining reconstructive and discriminative subspace methods for robust classification and regression by subsampling«. IEEE trans. pattern anal. mach. intell.. Mar. 2006, vol. 28, no. 3, str. 337-350.

Celotna bibliografija je dostopna na SICRISu: http://sicris.izum.si/search/rsr.aspx?lang=slv&id=5591.