Computer Graphics
TU Braunschweig

Computer Vision and Machine Learning SS'21
Vorlesung mit Übung

Prof. Dr.-Ing. Martin Eisemann

Hörerkreis: Master
Kontakt: cvml@cg.cs.tu-bs.de

Modul: INF-CG-033
Vst.Nr.: INF-CG-036, INF-CG-037

!!!Die Webseite ist noch in Bearbeitung!!!

Sprache

Da der Kurs auch im Master Data Science angeboten wird ist die Unterrichtssprache Englisch.

Beschreibung

Nach erfolgreichem Abschluss dieses Moduls besitzen die Studierenden ein grundlegendes Verständnis zur Entwicklung komplexer Computer Vision Anwendungen. Sie sind in der Lage Probleme aus der Computer Vision zu durchdringen und geeignete (KI-basierte) Lösungen zu entwerfen und praktisch zu implementieren.

Bedingt durch die Corona-Restriktionen muss die Veranstaltung bis auf weiteres leider online stattfinden. Jede Woche werden die Folien und das entsprechende Material auf diese Webseite hochgeladen.

Bleiben Sie gesund!

Anmeldung

Für die Teilnahme an der Vorlesung und Übung ist lediglich eine Email von Ihrem TU Account an sekretariat@cg.cs.tu-bs.de mit folgenden Informationen erforderlich:

Name, Vorname, Studiengang, Bachelor oder Master, Matrikelnummer.

Die Anmeldung für die Prüfung erfolgt über das Prüfungsamt

Inhalt

Die Inhalte können sich noch bis zum Start der Vorlesung verändern

- Feature Detektoren und Deskriptoren
- Objekterkennung
- Matting
- Dense Correspondences
- Motion Capture
- Kamerakalibrierung
- Epipolar Geometrie
- Stereo und Multi-View Rekonstruktion
- Kameras und Scanner
- Machine Learning für Computer Vision Probleme 

Ort und Zeit

LIVE, Dienstags, 13:15–14:45 Uhr / Raum IZ 160 Online (Zugang unter https://webconf.tu-bs.de/mar-uf3-wqy , Lernvideos bitte VOR der Veranstaltung anschauen, diese werden weiter unten wöchentlich bereitgestellt)
Wöchentlich, beginnend am 13.04.2021

LIVE, Donnerstags, 09:45–11:15 Uhr / Raum IZ G40 Online (Zugang unter https://webconf.tu-bs.de/mar-uf3-wqy , Übungsblätter VOR der Veranstaltung bearbeiten, diese werden weiter unten in der Regel donnerstags bereitgestellt)
Wöchentlich, beginnend am 22.04.2021

wird noch bekannt gegeben

Vorlesungen

Die Vorlesung wird als Inverted Classroom durchgeführt, d.h. Sie müssen sich vorab das bereitgestellte Video/Material anschauen und die Vorlesungszeit kann für Fragen und vertiefende Thematiken genutzt werden.

Das Material für die jeweils nächste Veranstaltung, sowie die Vorlesungsfolien, werden in der Regel eine Woche vorher hier zur Verfügung gestellt.

Das Passwort wird in der VL bekannt gegeben und kann notfalls unter cvml@cg.cs.tu-bs.de erfragt werden.

Übungen

Die Übungsaufgaben werden jeweils Donnerstags online gestellt und am darauffolgenden Donnerstag in der Übungsstunde besprochen.

Die theoretischen Aufgaben eines jeden Übungsblattes sind in Gruppen von zwei bis drei Personen anzufertigen und bis spätestens Mittwochs 9:30 Uhr im Git Repository der jeweiligen Übung hochzuladen. Namen und Matrikelnummer auf den Blättern nicht vergessen.

Die praktischen Aufgaben müssen in der Übungsstunde vorgeführt werden. Arbeitsgruppen von bis zu drei Leuten sind erlaubt, doch muss jeder in der Gruppe selbstständig eventuelle Fragen zu den Aufgaben und dem Code beantworten können.

Die Frameworks und Lösungen wurden auf den Rechnern im CIP Pool getestet. Leider können wir keine direkte Unterstützung für andere Systeme garantieren. Für die Anfertigung der praktischen Aufgaben ist ein Computer mit Linux oder Windows erforderlich. Die Funktion des Frameworks unter Mac OS/X kann nicht garantiert werden. Bei Problemen meldet euch per Email an cvml@cg.cs.tu-bs.de.

Prüfung

Prüfungszeitraum siehe unter Ort und Zeit.
Eventuelle Änderungen werden in der Vorlesung und auf dieser Webseite rechtzeitig bekanntgegeben.

  • Prüfungsform: Schriftliche Prüfung (Klausurähnliche Hausarbeit) über EvaExam
  • Scheinerwerb durch Bestehen der Prüfung (mind. 50% der Punkte)
  • Voraussetzung zum Modulabschluss: mindestens 50% der Punkte aus den Übungen erreicht.
  • Prüfungsteilnahme auch bei Vertiefung empfehlenswert!
  • Studierende müssen sich beim Prüfungsamt anmelden!

Anforderungen

  • Programmierkenntnisse, vorzugsweise in C/C++ oder Python

Literatur

  • Richard J. Radke: Computer Vision for Visual Effects,
  • Richard Szeliski: Computer Vision: Algorithms and Applications, Springer Verlag
  • D. Forsyth and J. Ponce: Computer Vision: A Modern Approach. Prentice Hall