Kursinformation

Digitale Lehre
Die Vorlesungen werden aufgezeichnet und nach dem Präsenztermin per Moodle bereitgestellt.

Lehrinhalte
- Grundlegende Inferenz- und Lernverfahren der Computer Vision
- Grundlagen der tiefen neuronalen Netzwerke in der Computer Vision
- Grundlagen der Bayes’schen Netze und Markov’schen Zufallsfelder
- Computer Vision als (probabilistische) Inferenz
- Fehlerfunktionen und robuste Schätzung/Modellierung
- Bildrestaurierung
- Stereo
- Optischer Fluß
- Objektdetektion
- Tracking von (artikulierten) Objekten
- Semantische Segmentierung
- Aktuelle Themen der Forschung

Literatur
Literaturempfehlungen werden regelmässig aktualisiert und beinhalten beispielsweise:
- R. Szeliski, "Computer Vision: Algorithms and Applications", 2nd edition, Springer, 2022, [url=https://szeliski.org/Book/]website[/url]
- S. Prince, "Unterstanding Deep Learning", MIT Press, 2023, [url=https://udlbook.github.io/udlbook/]website[/url]
- S. Prince, "Computer Vision: Models, Learning, and Inference", Cambridge University Press, 2012, [url=http://www.computervisionmodels.com]website[/url]
 

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

Zusätzliche Informationen
[url]https://moodle.tu-darmstadt.de/course/view.php?id=29663[/url]

Online-Angebote
Moodle