Računalni vid

Prikazani su podaci za akademsku godinu: 2024./2025.

Predavanja

Laboratorijske vježbe

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.

Preduvjeti

Duboko učenje, Python, matematička analiza, numerička linearna algebra.

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 osnovne pojmove i zadatke računalnog vida.
  2. Razlikovati i razumjeti osnovne metode za rješavanje zadataka računalnog vida.
  3. Prepoznati i razumjeti matematičke koncepte u metodama računalnog vida.
  4. Definirati kriterijsku funkciju te postaviti optimizacijski postupak.
  5. Razviti i oblikovati programski sustav za zadanu primjenu računalnog vida.
  6. Procijeniti empirijski učinak metoda računalnog vida.

Oblici nastave

Predavanja

Tjedna predavanja.

Seminari i radionice

Čitanje znanstvene literature i rasprava,

Laboratorij

geometrijske transformacije, rubovi i kutevi, detekcija objekata, normalizirajući tokovi

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 %
Ispit: Usmeni 20 %

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. Čitanje znanstvene literature i rasprava,
  7. Čitanje znanstvene literature i rasprava,
  8. Međuispit.
  9. Konvolucijski modeli za klasifikaciju slika.
  10. Detekcija objekata i semantička segmentacija.
  11. Generativni modeli slika.
  12. Modeliranje pažnjom
  13. Čitanje znanstvene literature i rasprava,
  14. Čitanje znanstvene literature i rasprava,
  15. Završni ispit.

Literatura

Richard Szeliski (2022.), Computer Vision, Springer
Jakub M. Tomczak (2022.), Deep Generative Modeling, Springer

Izvedba

ID 269083
  Zimski semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
45 Predavanja
0 Seminar
0 Auditorne vježbe
8 Laboratorijske vježbe
0 Konstrukcijske vježbe
0 Vježbe tjelesnog odgoja

Ocjenjivanje

89 izvrstan
76 vrlo dobar
63 dobar
50 dovoljan