använda moderna miljöer för djupininlärning för att lösa praktiska bildbehandlings- och bildanalysproblem;
beskriva och använda djupa faltningsnätverk för bildklassificering, objektdetektering och bildsegmentering;
beskriva och använda olika typer av regulariseringstekniker för visuella data;
beskriva och använda metoder för bildgenerering;
förklara och använda metoder för tolkning och förståelse av djupa modeller;
kritiskt analysera forskning inom djupinlärning för bildbehandling, bedöma dess möjligheter och begränsningar.
Kursinnehåll
Djupinlärning (deep learning) för visuella data. Faltningsneuronnät (CNN) och metoder för träning av dessa, överföringsinlärning och artificiell utvidgning av datamängden. Olika arkitekturer samt tillämpningar inom bildanalys (klassificering, detektion, segmentering). Djupa generativa modeller. Visualisering och förståelse av djupa neuronnät. Möjligheter och begränsningar med djupinlärning.
Förutsättningar
120 hp. Djupinlärning genomgången. En av kurserna Introduktion till Bildanalys och Datoriserad bildanalys I ska vara genomgången. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)