Hauptinhalt
Dieser Eintrag ist aus dem Wintersemester 2020/21 und möglicherweise veraltet. Ein aktuelles Äquivalent finden Sie hier.
CS 516 — Inhaltsbasierte Bild- und Videoanalyse
(engl. Content-based Image and Video Analysis)
Niveaustufe, Verpflichtungsgrad | Vertiefungsmodul, Wahlpflichtmodul |
Lehr- und Lernformen, Arbeitsaufwand |
Vorlesung (2 SWS), Übung (2 SWS), 180 Stunden (60 Std. Präsenzzeit, 120 Std. Selbststudium) |
Leistungspunkte, Voraussetzungen zum Erwerb |
6 LP Studienleistung(en): Erreichen von mindestens 50 Prozent der Punkte aus den wöchentlich zu bearbeitenden Übungsaufgaben und mündliche Präsentation der Lösung von mindestens zwei der Übungsaufgaben. Prüfungsleistung: Mündliche Prüfung oder Klausur |
Sprache, Benotung |
Deutsch,Die Benotung erfolgt mit 0 bis 15 Punkten gemäß der Prüfungsordnung für den Studiengang M.Sc. Informatik. |
Dauer des Moduls, Häufigkeit |
Ein Semester, Im Wechsel mit anderen Vertiefungsmodulen |
Modulverantwortliche(r) | Prof. Dr. Bernd Freisleben, Dr. Markus Mühling |
Inhalt
Die Vorlesung beschäftigt sich mit Verfahren zur inhaltsbasierten Bild-
und Videoanalyse. Folgende Themen werden behandelt:
- Grundlagen der Bild- und Videoverarbeitung
- Maschinelles Lernen
- Grundlagen von tiefen neuronalen Netzen (CNN, LSTM)
- Schnitterkennung
- Bilderkennung
- Ähnlichkeitssuche
- Bildsegmentierung
- Personenerkennung
- Text Spotting
Qualifikationsziele
Das Lernziel des Moduls ist, die für die inhaltsbasierte Analyse von Bild- und Videodaten notwendigen Methoden zu verstehen und anwenden zu können. Hierzu zählen Methoden der Bild- und Bewegtbildverarbeitung und des maschinellen Lernens. Nach dem Besuch des Moduls sollten die HörerInnen Software-Systeme zur Bilderkennung konzipieren und basierend auf Deep Learning Bibliotheken (Caffe, Tensorflow, …) implementieren können. Des Weiteren üben die Studierenden wissenschaftliche Arbeitsweisen durch Schulung des Abstraktionsvermögens sowie das Erkennen, Formulieren und Lösen von Problemen.
Voraussetzungen
Keine. Empfohlen werden die Kompetenzen, die in den Basismodulen zur Praktischen Informatik vermittelt werden. Darüber hinaus ist Programmiererfahrung in Python und C++ empfehlenswert und Grundkenntnisse in Linux sind hilfreich.
Verwendbarkeit
Importmodul aus dem M.Sc. Informatik.
Es kann im FB12 verwendet werden im Studiengang bzw. in den Studiengängen
- B.Sc. Data Science
- B.Sc. Informatik
- M.Sc. Data Science
- M.Sc. Informatik
Im Studiengang B.Sc. Data Science kann das Modul im Studienbereich Informatik Wahlpflichtmodule absolviert werden.
Literatur
- Wird in der Veranstaltung bekanntgegeben.
Bitte beachten Sie:
Diese Seite beschreibt ein Modul gemäß dem im Wintersemester 2020/21 aktuellsten gültigen Modulhandbuch. Die meisten für ein Modul gültigen Regeln werden nicht durch die Prüfungsordnung festgelegt, und können daher von Semester zu Semester aktualisiert werden. Folgende Versionen liegen im Online-Modulhandbuch vor:
- WiSe 2016/17 (kein Äquivalent)
- SoSe 2018
- WiSe 2018/19
- WiSe 2019/20
- WiSe 2020/21
- SoSe 2021
- WiSe 2021/22
- WiSe 2022/23
- WiSe 2023/24
Das Modulhandbuch enthält alle Module, unabhängig vom aktuellen Veranstaltungsangebot, vergleichen Sie dazu bitte das aktuelle Vorlesungsverzeichnis in Marvin.
Die Angaben im Online-Modulhandbuch wurden automatisch erstellt. Rechtsverbindlich sind die Angaben der Prüfungsordnung. Wenn Ihnen Unstimmigkeiten oder Fehler auffallen, sind wir für Hinweise dankbar.