Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
| B4M33MPV |
Metody počítačového vidění |
| Role: | PV, PO, PS |
Rozsah výuky: | 2P+2C |
| Katedra: | 13133 |
Jazyk výuky: | CS |
| Garanti: | Matas J. |
Zakončení: | Z,ZK |
| Přednášející: | Čech J., Matas J., Mishkin D., Tolias G. |
Kreditů: | 6 |
| Cvičící: | Drbohlav O., Matas J., Mishkin D., Neumann L., Šuma P. |
Semestr: | L |
Webová stránka:
https://cw.fel.cvut.cz/wiki/courses/mpv/start
Anotace:
Předmět se zabývá vybranými problémy počítačového vidění: hledáním korespondencí mezi obrazy pomocí nalezení významných bodů a oblastí, jejich invariantního a robustního popisu a matchingu, dále slepováním obrazů, detekcí, rozpoznáváním objektů v obrazech a ve videu, vyhledáváním obrázků ve velkých databázích a sledováním objektů ve video-sekvencích.
Tento předmět je také součástí meziuniverzitního programu prg.ai Minor. Ten spojuje to nejlepší z výuky AI v Praze s cílem poskytnout studujícím hlubší a širší vhled do oboru umělé inteligence. Více informací je k dispozici na webu
https://prg.ai/minor.
Cíle studia:
Jsou vysvětleny metody pro registraci obrazů, vyhledávání ve velkých databázích a sledování. Na cvičeních studenti vybrané metody implementují a ověřují jejich funkci na datech z reálných problémů.
Osnovy přednášek:
| 1. | | Úvod. Mapa předmětu. Přehled problémů a jejich aplikace. |
| 2. | | Detekce bodů a oblasti zájmu: Harrisův operátor (detektor rohů), Laplacův operátor a jeho aproximace rozdílem Gaussiánů, maximálně stabilní extremální oblasti (MSER). |
| 3. | | Deskriptory oblasti zájmu: SIFT (scale invariant feature transform), LBP (local binary patterns). Metoda lokálních afinních rámců pro zajištění geometrické invariance popisu. |
| 4. | | Hledání korespondenci a rozpoznávání objektů pomoci lokálního invariantního popisu. |
| 5. | | RANSAC, registrace obrazů. |
| 6. | | Image Retrieval I: Vyhledávání ve velkých obrazových databázích: popisy obrazů |
| 7. | | Image Retrieval II: Vyhledávání ve velkých obrazových databázích: indexace, geometrická konzistence |
| 8. | | Detekce objektů pomocí "scanning window" (Viola-Jones metody) |
POPISU.
| 9. | | Detekce geometrických primitiv (přímek, kružnic, elips, atd.). Houghova transfromace a její porovnání s RANSACem (Random Sample and Consensus). |
| 10. | | Detekce objektů pomocí hlubokých neuronových sítí. |
| 11. | | Sledování objektů (tracking) I. KLT tracker, sledování Harrisových bodů pomocí korelace. |
| 12. | | Sledování objektů (tracking) II. Metoda Mean-shift, kondenzace. |
| 13. | | Sledování objektů (tracking) III. Pokročilé metody. |
| 14. | | Rezerva |
Osnovy cvičení:
| 1. | - | 5. Slepování obrazu (image stitching). |
| 6. | - | 9. Segmentace a impainting ("přemalování" objektu v obraze na pozadí bez viditelných stop) |
| 7. | - | 12. Detekce objektu pomocí metody klouzajícího okna |
| 13. | | 14. Ověřování výsledků, úpravy algoritmů, odevzdávání úloh. |
Literatura:
| M. | | Sonka, V. Hlavac, R. Boyle. Image Processing, Analysis and Machine Vision. Thomson 2007 |
| D. | | A. Forsyth, J. Ponce. Computer Vision: A Modern Approach. Prentice Hall 2003 |
Požadavky:
Znalost matematické analýzy a algebry.
Poznámka:
Klíčová slova:
registrace obrazů, detekce objektů, sledování
Předmět je zahrnut do těchto studijních plánů:
| Stránka vytvořena 16.4.2024 09:51:24, semestry: Z/2024-5, Z,L/2023-4, připomínky k informační náplni zasílejte správci studijních plánů |
Návrh a realizace: I. Halaška (K336), J. Novák (K336) |