Hauptinhalt

CS 657 — Computer Vision I
(engl. Computer Vision I)

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 (Einzelprüfung) oder Klausur
Sprache,
Benotung		 Englisch,
Die Benotung erfolgt mit 0 bis 15 Punkten gemäß der Prüfungsordnung für den Studiengang M.Sc. Informatik.
Dauer des Moduls,
Häufigkeit		 Ein Semester,
Jedes Wintersemester
Modulverantwortliche(r) Prof. Dr. Ralph Ewerth

Inhalt

Wir werden folgende grundlegende Themen behandeln:

1. Herausforderung des maschinellen Sehens (Computer Vision) und Grundlagen

2. Bildentstehung

3. Grundlagen der Bildverarbeitung

4. Lineare Filter

5. Abtastung und multiskalige Bilddarstellungen

6. Grundlagen des maschinellen Lernens

7. Neuronale Architekturen für Computer Vision

8. Bewegungserkennung in Videos

Optional werden einige der folgenden Themen behandelt:

9. Probabilistische Modelle für Computer Vision

10. Generative Bildmodelle und Repräsentationslernen

11. Herausforderungen bei der Nutzung maschineller Lernverfahren für Computer Vision

12. Geometrie und Computer Vision

13. Bild-Sprach-Modelle ((large) vision-language models)


Qualifikationsziele

Die Studierenden

  • können grundlegende Konzepte der Computer Vision wie Objekterkennung, Vermessung und Bewegungserfassung erläutern,
  • verstehen Deep Learning und dessen Anwendung auf visuelle Daten,
  • kennen Standardimplementierungen von Methoden in der Computer Vision und können diese einsetzen,
  • können Lösungen zu Problemen der Computer Vision erarbeiten, und
  • sind in der Lage, wissenschaftliche Arbeitsweisen beim eigenständigen Erkennen, Formulieren und Lösen von Problemen anzuwenden.

Voraussetzungen

Keine. Empfohlen werden die Kompetenzen aus den Basismodulen zur Informatik.


Verwendbarkeit

Das Modul 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
  • M.Sc. Mathematik
  • M.Sc. Wirtschaftsinformatik

Im Studiengang M.Sc. Informatik kann das Modul im Studienbereich Informatik Wahlpflichtmodule absolviert werden.

Das Modul kann auch in anderen Studiengängen absolviert werden (Exportmodul).

Das Modul ist der Praktischen Informatik zugeordnet. Weitere Informationen zur Wählbarkeit sind der Bereichsbeschreibung zu entnehmen.


Literatur

  • Torralba, Antonio, Phillip Isola, & William T. Freeman (2024). Foundations of Computer Vision. MIT Press.
  • Szeliski, Richard (2022). Computer Vision: Algorithms and Applications. Springer Nature.
  • Burger, Wilhelm & Burge, Mark. J. (2022). Digital Image Processing: An Algorithmic Introduction. Springer Nature.



Bitte beachten Sie:

Diese Seite beschreibt ein Modul gemäß dem im Wintersemester 2025/26 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 (kein Äquivalent)
  • WiSe 2018/19 (kein Äquivalent)
  • WiSe 2019/20 (kein Äquivalent)
  • WiSe 2020/21 (kein Äquivalent)
  • SoSe 2021 (kein Äquivalent)
  • WiSe 2021/22 (kein Äquivalent)
  • WiSe 2022/23 (kein Äquivalent)
  • WiSe 2023/24 (kein Äquivalent)
  • WiSe 2025/26

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.