Přednášky:
- Detekce hran v obrazech, gradientní metody, metoda průchodu nulou, parametrické modely hrany.
- Segmentace obrazu narůstáním/dělením oblastí, prahování, stanovení optimálního prahu, adaptivní prahování.
- Cannyho detektor hran, Houghova transformace.
- Detektory význačných bodů v obrazech.
- Měření objektů pro příznakové rozpoznání, volba a výpočet deskriptorů.
- Vyhodnocení účinnosti a optimalizace deskriptorů, úvod do univerzálních deskriptorů (HoG).
- Klasifikace pomocí diskriminačních funkcí, pomocí shlukování a pomocí SVM.
- Klasifikace pomocí klasických mělkých neuronových sítí.
- Úvod do hlubokých neuronových sítí, architektury hlubokých sítí pro rozpoznávání v obrazech. Úvod do generativních sítí (GAN sítě, difusní sítě).
- Vytvoření 3D modelu z obrazů, kalibrace kamery, 3D senzory, lidary, SLAM.
- Úloha o korespondenci mezi obrazy a některé metody jejího řešení.
- Analýza mračen 3D bodů, detekce zájmových bodů, výpočet deskriptorů, geometrická konzistence, rozpoznávání objektů v bodových mračnech.
- Analýza obrazů proměnných v čase, optický tok, sledování objektů, Kalmanův filtr. Rekurentní neuronové sítě (LSTM, self-attention sítě).
- Úvod do problematiky rozpoznání činností z videosekvencí.
Cvičení (PC učebna):
- Detekce hran v obrazech, gradientní metoda, metoda průchodu nulou.
- Cannyho detektor hran, parametrické modely hrany.
- Prahování, stanovení optimálního prahu.
- Houghova transformace.
- Volba příznaků pro příznakové rozpoznání.
- Optimalizace souboru deskriptorů, universální deskriptory (HoG).
- Klasifikace pomocí etalonů a diskriminačních funkcí.
- Klasifikace pomocí metody k-means, klasifikace SVM.
- Klasifikace pomocí mělkých neuronových sítí.
- Klasifikace pomocí hlubokých neuronových sítí.
- Ukázky použití generativních sítí.
- Optický tok.
- Sledování objektů ve videosekvencích.
- Zápočet.
- Detekce hran v obrazech, gradientní metody, metoda průchodu nulou, parametrické modely hrany.
- Segmentace obrazu narůstáním/dělením oblastí, prahování, stanovení optimálního prahu, adaptivní prahování.
- Cannyho detektor hran, Houghova transformace.
- Detektory význačných bodů v obrazech.
- Měření objektů pro příznakové rozpoznání, volba a výpočet deskriptorů.
- Vyhodnocení účinnosti a optimalizace deskriptorů, úvod do univerzálních deskriptorů (HoG).
- Klasifikace pomocí diskriminačních funkcí, pomocí shlukování a pomocí SVM.
- Klasifikace pomocí klasických mělkých neuronových sítí.
- Úvod do hlubokých neuronových sítí, architektury hlubokých sítí pro rozpoznávání v obrazech. Úvod do generativních sítí (GAN sítě, difusní sítě).
- Vytvoření 3D modelu z obrazů, kalibrace kamery, 3D senzory, lidary, SLAM.
- Úloha o korespondenci mezi obrazy a některé metody jejího řešení.
- Analýza mračen 3D bodů, detekce zájmových bodů, výpočet deskriptorů, geometrická konzistence, rozpoznávání objektů v bodových mračnech.
- Analýza obrazů proměnných v čase, optický tok, sledování objektů, Kalmanův filtr. Rekurentní neuronové sítě (LSTM, self-attention sítě).
- Úvod do problematiky rozpoznání činností z videosekvencí.
Cvičení (PC učebna):
- Detekce hran v obrazech, gradientní metoda, metoda průchodu nulou.
- Cannyho detektor hran, parametrické modely hrany.
- Prahování, stanovení optimálního prahu.
- Houghova transformace.
- Volba příznaků pro příznakové rozpoznání.
- Optimalizace souboru deskriptorů, universální deskriptory (HoG).
- Klasifikace pomocí etalonů a diskriminačních funkcí.
- Klasifikace pomocí metody k-means, klasifikace SVM.
- Klasifikace pomocí mělkých neuronových sítí.
- Klasifikace pomocí hlubokých neuronových sítí.
- Ukázky použití generativních sítí.
- Optický tok.
- Sledování objektů ve videosekvencích.
- Zápočet.