Računalni vid

Prikazani su podaci za akademsku godinu: 2023./2024.

Predavanja

Petra Bevandić
mag. ing.

Opis predmeta

Geometrijske deformacije slika. Detekcija rubova i kuteva. Ključne točke u prostoru mjerila. Analiza kretanja u slikovnoj ravnini. Konvolucijski modeli za klasifikaciju slika. Detekcija objekata i semantička segmentacija. Generativni modeli slika. Diferencijabilni moduli utemeljeni na pažnji.

Studijski programi

Sveučilišni diplomski
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti profila (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmet profila (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti profila (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
[FER2-HR] Obradba informacija - profil
Predmeti specijalizacije profila (1. semestar) (3. semestar)
[FER2-HR] Računalno inženjerstvo - profil
preporučeni izborni predmeti (3. semestar)
[FER2-HR] Računarska znanost - profil
Predmeti specijalizacije profila (1. semestar) (3. semestar)

Ishodi učenja

  1. definirati pojmove iz računalnog vida i složenih sustava temeljenih na računalnom vidu
  2. objasniti i razlikovati postupke, metode i algoritme koji se odnose na obradu slike i računalni vid
  3. primijeniti metode iz računalnog vida novim aplikacijama robotskog vida
  4. analizirati i raščlaniti problem sustava računalnog ili robotskog vida
  5. dizajnirati i razviti sustav računalnog ili robotskog vida za određenu aplikaciju
  6. procijeniti kakvoću rješenja sustava temeljenih na računalnom vidu

Oblici nastave

Predavanja

predavanja

Seminari i radionice

diskusija o odabranim istaživačkim člancima

Laboratorij

izvođenje laboratorijskih vježbi

Način ocjenjivanja

Kontinuirana nastava Ispitni rok
Vrsta provjere Prag Udio u ocjeni Prag Udio u ocjeni
Laboratorijske vježbe 50 % 20 % 50 % 0 %
Međuispit: Pismeni 0 % 40 % 0 %
Završni ispit: Pismeni 0 % 40 %
Ispit: Pismeni 50 % 80 %

Tjedni plan nastave

  1. Uvodno predavanje.
  2. Geometrijske transformacije.
  3. Detekcija kuteva i rubova.
  4. Ključne točke u prostoru mjerila.
  5. Analiza kretanja u slikovnoj ravnini.
  6. Diskusija: Robust Real-Time Face Detection (IJCV 2004)
  7. Diskusija: Semi-global matching (TPAMI 2007)
  8. Međuispit
  9. Konvolucijski modeli za klasifikaciju slika.
  10. Detekcija objekata i semantička segmentacija.
  11. Generativni modeli slika.
  12. Diferencijabilni moduli utemeljeni na pažnji.
  13. Diskusija: Understanding deep learning requires rethinking generalization (ICLR 2017).
  14. Diskusija: Masked Autoencoders Are Scalable Vision Learners (CVPR 2022).
  15. Završni ispit

Literatura

R. Szeliski (2011.), Computer Vision: Algorithms and Applications, Springer
D. A. Forsyth, J. P. Ponce (2003.), D. A. Forsyth, J. P. Ponce, Computer Vision: A Modern Approach, Prentice Hall, 2003., Prentice Hall

Za studente

Izvedba

ID 222674
  Zimski semestar
5 ECTS
R0 Engleski jezik
R1 E-učenje
45 Predavanja
0 Seminar
0 Auditorne vježbe
0 Laboratorijske vježbe
0 Konstrukcijske vježbe
0 Vježbe tjelesnog odgoja

Ocjenjivanje

89 izvrstan
76 vrlo dobar
63 dobar
50 dovoljan