Name |
Deep Learning in Visual Computing |
SWS |
4 |
ECTS |
5 |
Sprache(n) |
Deutsch (Standard)
Englisch
|
Lehrform |
SU mit Praktikum |
Angebot |
nach Ankündigung |
Aufwand |
60 Präsenzstunden, 90 Stunden Eigenarbeit zur Vor-/Nachbereitung, Arbeit am Projekt und zur Vorbereitung der Präsentation |
Voraussetzungen |
- Praktische Programmiererfahrung in Python
- Lineare Algebra
- Grundlagen des Maschinellen Lernens
|
Ziele |
Fachliche Lernziele:
-
Für einen spezifischen Anwendungsfall passende Repräsentationen von 2D- und 3D-Daten vergleichen, bewerten und auswählen können.
-
Wichtige Problemstellungen aus den Bereichen 2D- und 3D-Computer Vision aufzählen, beschreiben und deren Charakteristika erklären können.
-
Klassische Verfahren und zur Lösung geeignete Modelltypen im Detail erklären und anwendungsspezifisch auswählen können.
-
Existierende Werkzeuge und Frameworks zur Verarbeitung von 2D- und 3D-Daten in Neuronalen Netzen auf praktischen Problemstellungen anwenden können.
Überfachliche Lernziele
-
Selbstständiges Aufarbeiten und Präsentieren von Wissenschaftlichen Publikationen.
-
Praktische Problemstellungen in Kleingruppen lösen können.
-
Existierenden Quellcode in Vorproduktreife verstehen, nutzen und erweitern können.
|
Inhalt |
Studierende lernen moderne Deep Learning Modelltypen für den Umgang mit zwei- und dreidimensionalen Daten kennen. Dazu werden verschiedene Problemstellungen aus der 2D- und 3D-Computer Vision zusammen mit den geeigneten Netzarchitekturen und Trainingsmethoden vorgestellt. Praktisch werden diese Inhalte im Rahmen eines Teamprojekts anhand eines aktuellen Anwendungsfalls eingeübt.
Zu den konkreten Problemstellungen gehören:
-
Visualisierung und Interpretation von Deep Learning Modellen
-
2D/3D-Objektdetektion-, erkennung und -segmentierung
-
Bilderzeugung auf Basis von generativen Modellen
-
3D-Rekonstruktion auf Basis von Bildern
Dabei werden u.a. folgende Modelltypen behandelt:
-
Convolutional NNs zur Verarbeitung von Bilddaten
-
U-Nets zur Segmentierung von Bildern
-
Variational Autoencoders (VAEs), Generative Adversarial Networks (GANs) als generative Modelle
-
Graph Neural Networks (GNNs)
Darüber hinaus werden notwendige Grundlagen zu den Bereichen Deep Learning, Bildsynthese/ -analyse und Repräsentationen dreidimensionaler Daten erarbeitet. |
Medien und Methoden |
Medien:
Methoden:
-
Projektarbeit
-
Paper-Präsentationen
|
Literatur |
- Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2. Ausgabe, O'Reilly Media (2019)
- Goodfellow, I., Bengio, Y., & Courville, A, Deep learning. MIT press (2016).
- Richard Szeliski, Computer Vision: Algorithms and Applications, 2. Ausgabe, Springer (2022)
|
Zuordnungen Curricula |
SPO |
Fachgruppe |
Code |
ab Semester |
Prüfungsleistungen |
IG Version 2019 |
EC: Fachliche u. persönliche Profilbildung |
|
1 |
benotete Modularbeit (60%)
benotete Präsentation (40%)
|
IG Version 2019 |
SWE: Fachliche u. persönliche Profilbildung |
|
1 |
benotete Modularbeit (60%)
benotete Präsentation (40%)
|
IG Version 2019 |
VCML: Schwerpunkt |
|
1 |
benotete Modularbeit (60%)
benotete Präsentation (40%)
|
IG Version 2024 |
EC: Fachliche u. persönliche Profilbildung |
|
1 |
benotete Modularbeit (60%)
benotete Präsentation (40%)
|
IG Version 2024 |
SWE: Fachliche u. persönliche Profilbildung |
|
1 |
benotete Modularbeit (60%)
benotete Präsentation (40%)
|
IG Version 2024 |
VCML: Schwerpunkt |
|
1 |
benotete Modularbeit (60%)
benotete Präsentation (40%)
|
|