Přednášky:
1. Detekce hran v obrazech, gradientní metody, metoda průchodu nulou, parametrické modely hrany.
2. Segmentace obrazu narůstáním/dělením oblastí, prahování, stanovení optimálního prahu, adaptivní prahování.
3. Cannyho detektor hran, Houghova transformace.
4. Detektory význačných bodů v obrazech.
5. Měření objektů pro příznakové rozpoznání, volba a výpočet deskriptorů.
6. Vyhodnocení účinnosti a optimalizace deskriptorů, úvod do univerzálních deskriptorů (HoG).
7. Klasifikace pomocí diskriminačních funkcí, pomocí shlukování a pomocí SVM.
8. Klasifikace pomocí klasických mělkých neuronových sítí.
9. Úvod do hlubokých neuronových sítí, architektury hlubokých sítí pro rozpoznávání v obrazech.
10. Vytvoření 3D modelu z obrazů, kalibrace kamery, 3D senzory.
11. Úloha o korespondenci mezi obrazy a některé metody jejího řešení.
12. Analýza mračen 3D bodů, detekce zájmových bodů, výpočet deskriptorů, geometrická konzistence.
13. Analýza obrazů proměnných v čase, optický tok, sledování objektů, Kalmanův filtr.
14. Úvod do problematiky rozpoznání činností z videosekvencí.
Cvičení (PC učebna):
1. Detekce hran v obrazech, gradientní metoda, metoda průchodu nulou.
2. Cannyho detektor hran, parametrické modely hrany.
3. Prahování, stanovení optimálního prahu.
4. Houghova transformace.
5. Volba příznaků pro příznakové rozpoznání.
6. Optimalizace souboru deskriptorů, universální deskriptory (HoG).
7. Klasifikace pomocí etalonů a diskriminačních funkcí.
8. Klasifikace pomocí metody k-means, klasifikace SVM.
9. Klasifikace pomocí mělkých neuronových sítí.
10. Klasifikace pomocí hlubokých neuronových sítí.
11. Klasifikace pomocí hlubokých neuronových sítí – pokračování.
12. Optický tok.
13. Sledování objektů ve videosekvencích.
14. Zápočet.
1. Detekce hran v obrazech, gradientní metody, metoda průchodu nulou, parametrické modely hrany.
2. Segmentace obrazu narůstáním/dělením oblastí, prahování, stanovení optimálního prahu, adaptivní prahování.
3. Cannyho detektor hran, Houghova transformace.
4. Detektory význačných bodů v obrazech.
5. Měření objektů pro příznakové rozpoznání, volba a výpočet deskriptorů.
6. Vyhodnocení účinnosti a optimalizace deskriptorů, úvod do univerzálních deskriptorů (HoG).
7. Klasifikace pomocí diskriminačních funkcí, pomocí shlukování a pomocí SVM.
8. Klasifikace pomocí klasických mělkých neuronových sítí.
9. Úvod do hlubokých neuronových sítí, architektury hlubokých sítí pro rozpoznávání v obrazech.
10. Vytvoření 3D modelu z obrazů, kalibrace kamery, 3D senzory.
11. Úloha o korespondenci mezi obrazy a některé metody jejího řešení.
12. Analýza mračen 3D bodů, detekce zájmových bodů, výpočet deskriptorů, geometrická konzistence.
13. Analýza obrazů proměnných v čase, optický tok, sledování objektů, Kalmanův filtr.
14. Úvod do problematiky rozpoznání činností z videosekvencí.
Cvičení (PC učebna):
1. Detekce hran v obrazech, gradientní metoda, metoda průchodu nulou.
2. Cannyho detektor hran, parametrické modely hrany.
3. Prahování, stanovení optimálního prahu.
4. Houghova transformace.
5. Volba příznaků pro příznakové rozpoznání.
6. Optimalizace souboru deskriptorů, universální deskriptory (HoG).
7. Klasifikace pomocí etalonů a diskriminačních funkcí.
8. Klasifikace pomocí metody k-means, klasifikace SVM.
9. Klasifikace pomocí mělkých neuronových sítí.
10. Klasifikace pomocí hlubokých neuronových sítí.
11. Klasifikace pomocí hlubokých neuronových sítí – pokračování.
12. Optický tok.
13. Sledování objektů ve videosekvencích.
14. Zápočet.