Detail předmětu

Počítačové vidění (v angličtině)

FIT-POVaAk. rok: 2018/2019

Seznámení se principy a metodami počítačového vidění, metody a způsoby snímání scény, metody předzpracování (statistické zpracování) obrazu, metody filtrace, vyhledávání vzorů ("pattern recognition"), integrální transformace - Fourierova transformace, morfologie obrazu, klasifikátory, automatické třídění, 3D metody počítačového vidění, otevřené problémy počítačového vidění.

Výsledky učení předmětu

Studenti se seznámí s principy a metodami počítačového vidění. Naučí se detailně vybraným metodám a způsobům snímání scény. Seznámí se i s možnostmi zpracování nasnímaných dat a reprezentací výsledků. Naučí se aplikovat získané znalosti prakticky formou projektů.
Studenti se zdokonalí v týmové práci, matematice a použití jazyka C.

Doporučená nebo povinná literatura

  • Russ, J.C.: The IMAGE PROCESSING Handbook, CRC Press, 1995, ISBN 0-8493-2532-3
  • Bass, M.: Handbook of Optics, McGraw-Hill, New York, USA, 1995, ISBN 0-07-047740-X

  • Horn, B.K.P.: Robot Vision, McGraw-Hill, 1988, ISBN 0-07-030349-5
  • Hlaváč, V., Šonka, M.: Počítačové vidění, Grada, 1993, ISBN 80-85424-67-3 
  • Russ, J.C.: The IMAGE PROCESSING Handbook, CRC Press, 1995, ISBN 0-8493-2532-3
  • Bass, M.: Handbook of Optics, McGraw-Hill, New York, USA, 1995, ISBN 0-07-047740-X

Způsob a kritéria hodnocení

Domácí úlohy, půlsemestrální test, individuální projekt.

Jazyk výuky

angličtina

Osnovy výuky

    Osnova přednášek:
    1. Úvod, základy, motivace a aplikace/Introduction, motivation and applications (Zemčík 18.9. slajdy, slajdy, highlights)
    2. 28.9. přednáška není/no lecture :-(
    3. Základní principy klasifikace s učitelem - AdaBoost/Basic principles of machine learning with teacher - AdaBoost  (Zemčík 5.10. slajdy-cz, slajdy-en)
    4. Shlukování, statistické metody/Clustering, statistical methods (Španěl 12.10. slajdy)
    5. Segmentace, analýza barev, analýza histogramu/Segmentation, colour analysis, histogram analysis (Španěl 19.10. slajdy1, slajdy2, slajdy3)
    6. Analýza a extrakce příznaků z textur/Analysis and Feature Extraction from Images (Čadík 26.10. slajdy)
    7. Hough transform, RHT, RANSAC, zpracování časových sekvencí/Time Sequence Processing (Hradiš, 2.11. slajdy1slajdy2, slajdy2-en)
    8. Segmentace,  analýza barev/Segmentation, Colour Analysis, ... finishing (Španěl), Object Detection - Trees (Juránek, 9.11. slajdy1, slajdy2)
    9. Test, Invariantní Oblasi Obrazu/Invariant Image Regions (Beran, 16.11. slajdy)
    10. Konvoluční neuronové sítě a Tagování obrazu/Convolutional Neural Networks and Automatic Image Tagging (Hra

Cíl

Seznámit se s principy a metodami počítačového vidění. Naučit se detailně vybraným metodám a způsobům snímání scény. Seznámit se s možnostmi zpracování nasnímaných dat a reprezentací výsledků. Naučit se aplikovat získané znalosti prakticky formou projektů.

Zařazení předmětu ve studijních plánech

  • Program IT-MGR-2 magisterský navazující

    obor MBS , libovolný ročník, zimní semestr, 5 kreditů, volitelný
    obor MBI , libovolný ročník, zimní semestr, 5 kreditů, volitelný
    obor MIN , libovolný ročník, zimní semestr, 5 kreditů, povinně volitelný
    obor MMM , libovolný ročník, zimní semestr, 5 kreditů, volitelný
    obor MGM , libovolný ročník, zimní semestr, 5 kreditů, povinně volitelný

  • Program IT-MGR-2 magisterský navazující

    obor MGMe , libovolný ročník, zimní semestr, 5 kreditů, povinně volitelný

  • Program IT-MGR-2 magisterský navazující

    obor MPV , libovolný ročník, zimní semestr, 5 kreditů, povinně volitelný
    obor MSK , libovolný ročník, zimní semestr, 5 kreditů, volitelný

  • Program IT-MGR-1H magisterský navazující

    obor MGH , libovolný ročník, zimní semestr, 5 kreditů, doporučený

  • Program IT-MGR-2 magisterský navazující

    obor MIS , 2. ročník, zimní semestr, 5 kreditů, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

  1. Úvod, základy, motivace a aplikace/Introduction, motivation and applications (Hradiš 20.9. slajdy, slajdy, highlights)
  2. Základní principy klasifikace s učitelem - AdaBoost/Basic principles of machine learning with teacher - AdaBoost  (Zemčík 27.9. slajdy-cz, slides-en)
  3. Shlukování, statistické metody/Clustering, statistical methods (Španěl 4.10. slajdy)
  4. Segmentace, analýza barev, analýza histogramu/Segmentation, colour analysis, histogram analysis (Španěl 11.10. slajdy1, slajdy2, slajdy3)
  5. Segmentace,  analýza barev/Segmentation, Colour Analysis, ... finishing (Španěl), Object Detection - Trees (Juránek, 18.10. slajdy-en)
  6. Analýza a extrakce příznaků z textur/Analysis and Feature Extraction from Images (Čadík 25.10. slajdy)
  7. Hough transform, RHT, RANSAC, zpracování časových sekvencí/Time Sequence Processing (Hradiš, 1.11. slajdy1slajdy2, slajdy2-en)
  8. Invariantní Oblasi Obrazu/Invariant Image Regions (Beran, 8.11. slajdy)
  9. Test, Konvoluční neuronové sítě a Tagování obrazu/Convolutional Neural Networks and Automatic Image Tagging (Hradiš, 15.11. slajdy )
  10. Konvoluční neuronové sítě a Tagování obrazu/Convolutional Neural Networks and Automatic Image Tagging II (Hradiš, 22.11. slajdy )
  11. Registrace obrazu (Čadík, 29.11., slajdy)
  12. 3D Vision/3D Vidění (6.12. Richter FEKT slajdy)
  13. Akcelerace zpracování obrazu, závěr (Zemčík, 13.12.)

POZOR!!! Témata přednášek i data jsou orientační a budou v průběhu semestru aktualizována.

NOTE: The topics and dates are just FYI, not guaranteed,  and will be continuously updated.

Projekt

26 hod., povinná

Vyučující / Lektor

Osnova


Samostatná projektová práce v předmětu je následující:

1. Domácí úlohy (4-5 běhů) na začátku semestru s tím, že úlohy jsou striktně individuální a platí pro ně "Pravidla pro vypracování projektů a úloh" (viz níže a viz též informaci k úlohám v IS)

2. Individuálně zadávané projekty (viz všechna pravidla níže a informace k projektům v IS).

Pravidla pro řešení projektů:

Projekty mohou řešit jednotlivci nebo skupiny nejvýše o 4 osobách. V případě vypracování projektu skupinou je třeba při odevzdání projektu přesně popsat role řešitelů v projektu. Projekt se typicky hodnotí stejně pro členy skupiny, ale je vyhrazena i možnost individuální hodnocení uvnitř skupiny odlišit. Je třeba odevzdat zdrojové texty, návod pro překlad a spuštění, zprávu v rozsahu cca 3 stran A4 a provést demonstraci. Programovací jazyk Je C/C++, Matlab, pokud je specifikováno v zadání nebo po dohodě s učitelem případně jiný. Individuální vlastní zadání jsou vítána. V případě, že o individuální zadání máte zájem, přihlaste se na variantu "Vlastní zadání" a pošlete e-mail s návrhem zadání - další postup bude individuální.

Odevzdání projektů:

Odevzdání projektu bude probíhat elektronicky a bude doplněno povinnou demonstrací výsledků v prvním týdnu v lednu. Na odevzdání v jiném termínu hodinu nebude brán zřetel a povede k získání 0b (ve výjimečných případech se lze domluvit individuálně). Pokud pracujete ve skupině, je třeba se dostavit v plném počtu řešitelů.

Demonstrace je povinná a je možná až po elektronickém odevzdání. Prezentaci si připravte na max. 10 minut (na kvalitu demonstrace bude kladen velký důraz).

Do IS se odevzdává jeden *.zip se zdrojovými soubory, návodem pro překlad a spuštění, prezentací a dokumentací (při odevzdání binárních souborů ztráta 1/2 získaných bodů), max. velikost 2MB.

Při odevzdání podobných řešení bude může být počet bodů krácen nebo rozdělen mezi podobná řešení. Vyučující může individuálně určit rozdělení bodů.

Obecná pravidla vypracování projektů a úloh:

Studenti ve své práci musí pracovat samostatně a tvůrčím způsobem. Za porušení této zásady se považuje zejména reverzní inženýrství (disasebmling, dekompilace a podobné postupy), kopírování příkladů řešení, hotových řešení nebo obdobných podkladů, které jsou zveřejněny nebo jsou studentům jinak dostupné (jedná se o kopírování celých řešení nebo jejich tak velkých částí, že jejich okopírování vede k funkčně shodnému nebo velmi obdobnému řešení zadání), společná práce na zadání ve skupinách tak, že její výsledky jsou potom odevzdávány jako řešení jednotlivce (jednotlivců), pokud to není v zadání přímo požadováno nebo povoleno (diskuse ve skupině a/nebo společné řešení dílčích částí je povoleno).

Studenti se musí zdržet jednání, které je v rozporu s dobrými mravy a které by mohlo vést k obcházení skutečného způsobu "řešení" zadání v duchu těchto zadání jimi samotnými nebo jinými studenty.

Pokud student(i) poruší výše uvedená pravidla, může mu hodnocení projektu být sníženo až na 0 bodů.

eLearning