Inteligentna analiza obrazów 0800-INANOB

Przekazanie podstaw inteligentnej analizy obrazów. Kurs ma na celu podanie podstaw inteligentnej analizy sygnału z naciskiem na praktyczne zastosowania podanych metod. Głównym celem jest uzyskanie umiejętności stworzenia systemu do rozwiązania konretnego problemu sprecyzowanego na drugich zajęciach laboratoryjnych. Projekt może być realizowany w dowolnym języku programowania, który posiada interfejs do biblioteki OpenCV. Realizacja projektu polega na przeszukaniu literatury fachowej celem określenia stanu techniki. Następnie należy zaimplementować rozwiązanie oceniane jako najlepsze dla rozwiązania problemu. W przypadku dostępności źródeł open source lub rozwiązań opartych na funkcjach bibliotecznych można je wykorzystać w projekcie. W dalszym kroku rozwoju projektu należy dokonać jednej optymalizacji efektywności lub złożoności opracowywanego algorytmu a następnie porównać go do wyników konkurencyjnego rozwiązania.
1) Akwizycja obrazu i przetwarzanie wstępne. Demosaicing, odszumianie, interpolacja kolorów, sampling, aliasing, balans kolorów.
2) Dedykowane systemy kamer, metody pozyskiwania sygnału trójwymiarowego, kalibracja, rejestracja, estymacja głębi.
3) Cechy. Detektory cech, deskryptory cech, dopasowywanie cech, śledzenie cech. Problem przysłony. Niezmienność w skali i orientacji.
4) Wykrywanie krawędzi. Wykrywanie linii. Segmentacja.
5) Algorytmy dopasowywania za pomocą cech. Dopasowanie metodą najmniejszych kwadratów, RANSAC, LMS. Metody bazujące na SVD.
6) Określanie ustawienia obiektu.
7) Reconstrukcja struktury obiektu z ruchu. Triangulacja. Bundle adjustement.
8) Estymacja ruchu.
9) Rekonstrukcja 3D
10) Detekcja i rozpoznawanie obiektów. Rozpoznawanie egzemplarza.
11) Klasyfikacja obiektów. Metody maszynowego uczenia do klasyfikacji obiektów.
12) Głębokie sieci neuronowe do klasyfikacji obiektów.
13) Anotacja wideo.

Całkowity nakład pracy studenta

Godziny realizowane z udziałem nauczycieli ( 60 godz.) - udział w wykładach – 30 godz. - udział w laboratoriach – 30 godz. Czas poświęcony na pracę indywidualną studenta ( 40 godz.): - przygotowanie do wykładu- 10 godz. - przygotowanie do laboratorium – 10 godz. - przygotowanie projektu – 20 godz. Łącznie: 100 godz. ( 4 ECTS)

Efekty uczenia się - wiedza

W1 - Posiada wiedzę o zasadach analizy i projektowania algorytmów przetwarzania obrazu, W2 - Posiada umiejętność odnajdywania elementów algorytmu, które należy zoptymalizować celem osiągnięcia większej efektywności lub zmniejszenia złożoności obliczeniowej algorytmu przetwarzania obrazu, W3 - Posiada wiedzę o metodach optymalizacji używanych w algorytmach przetwarzania obrazu, W4 - Posiada pogłębioną wiedzę o przydatnych narzędziach i bibliotekach używanych do przetwarzania obrazu,

Efekty uczenia się - umiejętności

U1 - Umie formułować rozwiązanie problemu, metodą przetwarzania obrazu, U2 - Umie efektywnie szukać informacji o stanie techniki algorytmów przetwarzania służący do rozwiązywania wcześniej sformułowanego problemu, U3 - Umie korzystać z wiedzy fachowej zapisanej w języku ojczystym i języku angielskim, przekazywanej w postaci raportów o innowacjach, artykułów naukowych oraz dokumentów patentowych, U4 - Potrafi formułować i testować hipotezy związane z problemami, które mogą zostać rozwiązane za pomocą przetwarzania obrazu, U5 - Potrafi zaprojektować rozszerzenia lub ulepszenia do algorytmów przetwarzania obrazu celem zwiększenia ich efektywności lub zmniejszenia złożoności obliczeniowej

Efekty uczenia się - kompetencje społeczne

K1 - Potrafi wykazać się skutecznością w realizacji zadań dla projektów o charakterze programistyczno-wdrożeniowym K2 - Potrafi przekazać informacje o stanie techniki, dotyczącym rozwiązywanego problemu, jak również stanie realizowanego przez siebie projektu w sposób czytelny i zrozumiały dla kadry inżynierskiej, K3 - Potrafi w sposób kreatywny poszukiwać rozwiązań problemów dziedzinie analizy obrazów

Metody dydaktyczne podające

- wykład problemowy
- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- studium przypadku
- projektu
- laboratoryjna

Metody dydaktyczne w kształceniu online

- metody wymiany i dyskusji
- metody ewaluacyjne
- metody rozwijające refleksyjne myślenie
- metody służące prezentacji treści

Rodzaj przedmiotu

przedmiot fakultatywny

Wymagania wstępne

Zaliczone przedmioty: Metody numeryczne I Programowanie obiektowe Uczenie maszynowe, algorytmy i systemy data mining

Koordynatorzy przedmiotu

Marcin Iwanowski
Michał Joachimiak

Kryteria oceniania

Wykład: zaliczenie na podstawie kolokwium na ostatnich zajęciach sprawdzające wiedzę z całości materiału (weryfikuje efekty …), kolokwium poprawkowe w sesji.

50-60% - ocena: 3
60-70% - ocena: 3+
70-80% - ocena: 4
80-90% - ocena: 4+
90-100% - ocena 5

Laboratorium: zaliczenie na podstawie projektu składającego się ze sprawozdania oraz kodu źródłowego działającego programu (weryfikuje efekty …)

50-60% - ocena: 3
60-70% - ocena: 3+
70-80% - ocena: 4
80-90% - ocena: 4+
90-100% - ocena 5 (muszą być kryteria na każdą ocenę!)

Praktyki zawodowe

Możliwość realizacji zadań w projektach naukowych prowadzonych w Interdyscyplinarym Centrum Nowoczesnych Technologii.

Literatura

1. R. Szeliski, „Computer Vision. Algorithms and Applications” Springer 2011.
2. R. Hartley, A. Zissermann, „Multiple View Geometry in Computer Vision,” Cambridge University Press, 2000.
3. G. Bradski, A. Kaehler, „Learning OpenCV. Computer Vision with the OpenCV Library,” O’Reilly. 2008.
4. V. Patel, R. Chellappa, "Sparse Representations and Compressive Sensing for Imaging and Vision," Springer, 2013.

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu 0800-INANOB w USOSweb