1. Ayyadevara, V. Kishore; Reddy, Yeshwanth. Modern Computer Vision with PyTorch: Explore deep learning concepts and implement over 50 real-world image applications. Packt Publishing, 2020. ISBN 978-1839213472 .
2. Lakshmanan, V.; Shlens, J.; Sukthankar, R. Practical Machine Learning for Computer Vision: End-to-End Machine Learning for Images. O’Reilly Media, 2021. ISBN 978-1098102364.
3. Zhang, A.; Lipton, Z. C.; Li, M.; Smola, A. J. Dive into Deep Learning. arXiv, 2021. Available at: https://doi.org/10.48550/arXiv.2106.11342.
Analýza obrazu II
| Jazyk výuky | angličtina, čeština |
|---|---|
| Kód | 460-4107 |
| Zkratka | AO2 |
| Název předmětu česky | Analýza obrazu II |
| Název předmětu anglicky | Image Analysis II |
| Garantující katedra | Katedra informatiky |
| Garant předmětu | Ing. Radovan Fusek, Ph.D. |
Anotace
Jsou probírána zejména následující témata: moderní metody detekce a rozpoznávání objektů v obrazech, principy hlubokého učení v kombinaci s obrazovou analýzou, aktuální varianty konvolučních neuronových sítí a jejich praktické aplikace pro různé typy objektů. Součástí bude rovněž téma generativních sítí.
Po úspěšném absolvování předmětu student dokáže:
- aplikovat moderní metody analýzy obrazu pro detekci a rozpoznávání objektů v reálném prostředí,
- vyhodnotit a analyzovat silné i slabé stránky jednotlivých metod,
- navrhovat a modifikovat modely konvolučních neuronových sítí,
- posoudit robustnost a složitost různých variant modelů,
- aplikovat tyto modely při řešení praktických úloh, například pro rozpoznávání lidských tváří, lokalizaci chodců či automobilů v obrazech,
- využívat generativní sítě pro rozšiřování datových souborů,
- generovat obrazové vzorky.
Po úspěšném absolvování předmětu student dokáže:
- aplikovat moderní metody analýzy obrazu pro detekci a rozpoznávání objektů v reálném prostředí,
- vyhodnotit a analyzovat silné i slabé stránky jednotlivých metod,
- navrhovat a modifikovat modely konvolučních neuronových sítí,
- posoudit robustnost a složitost různých variant modelů,
- aplikovat tyto modely při řešení praktických úloh, například pro rozpoznávání lidských tváří, lokalizaci chodců či automobilů v obrazech,
- využívat generativní sítě pro rozšiřování datových souborů,
- generovat obrazové vzorky.
Povinná literatura
Doporučená literatura
1. Sojka, E.; Gaura, J.; Krumnikl, M. Matematické základy digitálního zpracování obrazu. 2. vydání. Ostrava: VŠB–Technická univerzita Ostrava; Plzeň: Západočeská univerzita v Plzni, 2011.
2. Burger, W.; Burge, M. J. Principles of digital image processing: Fundamental techniques. Springer, 2011. ISBN 978-1848001909 .
3. Chollet, F. Deep learning with Python. Manning, 2017. ISBN 978-1617294433.
4. Howse, Joseph; Minichino, Joe. Learning OpenCV 4 Computer Vision with Python 3. 3rd ed. Birmingham: Packt Publishing, 2020. ISBN 978-1789531619.
2. Burger, W.; Burge, M. J. Principles of digital image processing: Fundamental techniques. Springer, 2011. ISBN 978-1848001909 .
3. Chollet, F. Deep learning with Python. Manning, 2017. ISBN 978-1617294433.
4. Howse, Joseph; Minichino, Joe. Learning OpenCV 4 Computer Vision with Python 3. 3rd ed. Birmingham: Packt Publishing, 2020. ISBN 978-1789531619.