Lehrinhalte
- Computer Vision als (probabilistische) Inferenz
- Robuste Schätzung und Modellierung
- Grundlagen der Bayes’schen Netze und Markov’schen Zufallsfelder
- Grundlegende Inferenz- und Lernverfahren der Computer Vision
- Bildrestaurierung
- Stereo
- Optischer Fluß
- Bayes’sches Tracking von (artikulierten) Objekten
- Semantische Segmentierung
- Aktuelle Themen der Forschung

Literatur
Literaturempfehlungen werden regelmässig aktualisiert und beinhalten beispielsweise:
- S. Prince, “Computer Vision: Models, Learning, and Inference”, Cambridge University Press, 2012
- R. Szeliski, ""Computer Vision: Algorithms and Applications"", Springer 2011

Voraussetzungen
Besuch von Visual Computing und Computer Vision I ist empfohlen.

Online-Angebote
moodle

Semester: SoSe 2022