Popis předmětu - XP33VTP

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
XP33VTP Počítačové vidění – Teorie a praxe
Role:S Rozsah výuky:2S
Katedra:13133 Jazyk výuky:EN
Garanti:Chum O. Zakončení:ZK
Přednášející:Chum O. Kreditů:4
Cvičící:Chum O. Semestr:L

Anotace:

V průběhu kurzu budou studovány vybrané "state of the art" metody využívané v počítačovém vidění, které mají volně k dispozici efektivní implementaci. Převážně půjde o obecné metody, které byly použity v různých úspěšných aplikacích, například vyhledávání ve vysokodimenzionálních prostorech, hluboké neuronové sítě, či grafové značkovací algoritmy. Konkrétní metody se upravují dle současných publikací a také částečně dle zájmu studentů. Cílem pro studenty bude porozumět metodě, porozumět implementaci a umět metodu použít jako nástroj k řešení dalších problémů.

Obsah:

V průběhu kurzu budou studovány vybrané "state of the art" metody využívané v počítačovém vidění, které mají volně k dispozici efektivní implementaci. Převážně půjde o obecné metody, které byly použity v různých úspěšných aplikacích, například vyhledávání ve vysokodimenzionálních prostorech, hluboké neuronové sítě, či grafové značkovací algoritmy. Konkrétní metody se upravují dle současných publikací a také částečně dle zájmu studentů. Cílem pro studenty bude porozumět metodě, porozumět implementaci a umět metodu použít jako nástroj k řešení dalších problémů.

Osnovy přednášek:

Výuka probíhá ve dvou částech. První je podobná reading group – studenti samostatně studují publikace, které jsou následně diskutovány na přednášce. Ve druhé, praktické části, studenti použijí konkrétní implementaci k řešení zadaného problému. Tato řešení a jejich vlastnosti jsou opět diskutovány na přednášce. Předmět očekává znalosti algoritmů, datových struktur, schopnost samostatného studia. Svým rozsahem a náročností je vhodný pro doktorandy jako příprava pro vědeckou práci, nevhodný pro běžné studenty magisterského studia. Příklad probíraných metod:
1. Marius Muja and David G. Lowe: “Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration”, in International Conference on Computer Vision Theory and Applications (VISAPP'09), 2009
2. Herve Jegou, Matthijs Douze, Cordelia Schmid: “Product quantization for nearest neighbor search”, PAMI 2011.
3. Wei Dong, Moses Charikar, Kai Li : “Efficient K-Nearest Neighbor Graph Construction for Generic Similarity Measures.” In Proc. of the International conference on World Wide Web (WWW). New York, NY. 2011.
4. Jeff Johnson, Matthijs Douze, Hervé Jégou: “Billion-scale similarity search with GPUs” 2017
Vyšší kreditové hodnocení předmětu vyplývá z velkého množství samostatné práce doktorandů.

Osnovy cvičení:

Literatura:

Liší se dle probíraných článků, seznam literatury na www stránkách předmětu, případně relevantní reference v jednotlivých článcích.

Požadavky:

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
DOKP Před zařazením do oboru S
DOKK Před zařazením do oboru S


Stránka vytvořena 30.11.2020 17:50:52, semestry: L/2021-2, Z,L/2020-1, L/2019-20, Z/2021-2, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. Ing. Ivan Jelínek, CSc.