Förklara grundläggande termer och teori för igenkänning, detektion och följning av objekt i bilder
Förklara grundläggande teorier om hur hjärnan kategoriserar visuell information.
Förklara moderna tillvägagångssätt för objektigenkänning, detektion och följning, och gängse analysmetodik.
Utveckla och experimentellt utvärdera och analysera olika igenkännings och segmenteringsalgortimer och sammanfatta resultaten.
Välja lämpliga metoder för automatisk träning av segmenterings- och igenkänningssystem
Kursinnehåll
Maskininlärning med faltande neuronät och supportvektormaskiner. Invarianta lokala särdrag och särdragsextraktion i digitala bilder, bag-of-features ramverk, principer för objektigenkänning och detektion, konstellationsmodeller, formdeskriptorer och matchning, delbaserade modeller för igenkänning, kontextens roll i igenkänning, inlärning av djupa särdrag och kopplingar till objektigenkänning hos människor.
Förutsättningar
Grundläggande bildbehandling: tröskling, segmentering, kantdetektion från till exempel Digital bildbehandling grundkurs.
Det finns ingen specifik lärobok för kursen. Material kommer delas ut eller göras tillgängligt på kursens hemsida. Det mesta av inehållet kommer från vetenskapliga publikationer som läses under kursens gång.
Följande böcker innehåller material relaterat till kursen: Ian Goodfellow, Yoshua Bengio, Aaron Courville, "Deep Learning", och Richard Szeliski "Computer vision: algorithms and applications"