Detail předmětu

Počítačové vidění (v angličtině)

FIT-POVaAk. rok: 2024/2025

Seznámení se principy a metodami počítačového vidění, metody a způsoby snímání scény, metody předzpracování (statistické zpracování) obrazu, metody filtrace, vyhledávání vzorů ("pattern recognition"), integrální transformace - Fourierova transformace, morfologie obrazu, klasifikátory, automatické třídění, 3D metody počítačového vidění, otevřené problémy počítačového vidění.

Jazyk výuky

angličtina

Počet kreditů

5

Nabízen zahraničním studentům

Všech fakult

Pravidla hodnocení a ukončení předmětu

Domácí úlohy, půlsemestrální test, individuální projekt.

Učební cíle

Seznámit se s principy a metodami počítačového vidění. Naučit se detailně vybraným metodám a způsobům snímání scény. Seznámit se s možnostmi zpracování nasnímaných dat a reprezentací výsledků. Naučit se aplikovat získané znalosti prakticky formou projektů.
Studenti se seznámí s principy a metodami počítačového vidění. Naučí se detailně vybraným metodám a způsobům snímání scény. Seznámí se i s možnostmi zpracování nasnímaných dat a reprezentací výsledků. Naučí se aplikovat získané znalosti prakticky formou projektů.
Studenti se zdokonalí v týmové práci, matematice a použití jazyka C, C++ a dalších.

Základní literatura

Horn, B.K.P.: Robot Vision, McGraw-Hill, 1988, ISBN 0-07-030349-5 Hlaváč, V., Šonka, M.: Počítačové vidění, Grada, 1993, ISBN 80-85424-67-3  Russ, J.C.: The IMAGE PROCESSING Handbook, CRC Press, 1995, ISBN 0-8493-2532-3 Bass, M.: Handbook of Optics, McGraw-Hill, New York, USA, 1995, ISBN 0-07-047740-X

Doporučená literatura

Hlaváč, V., Šonka, M.: Počítačové vidění, GRADA 1992, ISBN 80-85424-67-3 (EN)
IEEE Multimedia, IEEE, USA - série časopisů - různé články (EN)
Šonka, M., Hlaváč, V., Boyle, R.: Image processing, Analysis, and Machine Vision, THOMSON 2013, ISBN-13: 978-9386858146 (EN)
Šonka, M., Hlaváč, V., Boyle, R.: Image processing, Analysis, and Machine Vision, THOMSON 2013, ISBN: 978-9386858146 (EN)
(EN)

Elearning

Zařazení předmětu ve studijních plánech

  • Program IT-MGR-1H magisterský navazující

    specializace MGH , 0 ročník, zimní semestr, doporučený kurs

  • Program MIT-EN magisterský navazující 0 ročník, zimní semestr, volitelný

  • Program MITAI magisterský navazující

    specializace NGRI , 0 ročník, zimní semestr, volitelný
    specializace NADE , 0 ročník, zimní semestr, volitelný
    specializace NISD , 0 ročník, zimní semestr, volitelný
    specializace NMAT , 0 ročník, zimní semestr, volitelný
    specializace NSEC , 0 ročník, zimní semestr, volitelný
    specializace NISY do 2020/21 , 0 ročník, zimní semestr, volitelný
    specializace NNET , 0 ročník, zimní semestr, volitelný
    specializace NMAL , 0 ročník, zimní semestr, volitelný
    specializace NCPS , 0 ročník, zimní semestr, povinný
    specializace NHPC , 0 ročník, zimní semestr, volitelný
    specializace NVER , 0 ročník, zimní semestr, volitelný
    specializace NIDE , 0 ročník, zimní semestr, volitelný
    specializace NISY , 0 ročník, zimní semestr, volitelný
    specializace NEMB do 2023/24 , 0 ročník, zimní semestr, volitelný
    specializace NSPE , 0 ročník, zimní semestr, volitelný
    specializace NEMB , 0 ročník, zimní semestr, volitelný
    specializace NBIO , 0 ročník, zimní semestr, volitelný
    specializace NSEN , 0 ročník, zimní semestr, volitelný
    specializace NVIZ , 0 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

  1. Introduction, motivation and applications/Úvod, základy, motivace a aplikace (Hradiš 20.9.)
  2. Statistical Pattern Recognition, Bayesian Clasifier and Mixture Models/Statistické rozpoznávání, Bayesovský klasifikátor a GMM (Španěl 27.9.)
  3. Scanning object detection, boosted classifiers, acceleration/Detekce objektů oknem, boostované klasifikátory, akcelerace (Zemčík 4.10.)
  4. Clustering and Image Segmentation / Shlukování a segmentace obrazu (Španěl 11.10. slajdy1, slajdy2, slajdy3)
  5. Object Detection - Trees, Random Forests, Yolo/Detekce objektů - Stromy, "Random Forests",Yolo (Juránek, 18.10. slajdy-en)
  6. Convolutional Neural Networks and Automatic Image Tagging/Konvoluční neuronové sítě a tagování obrazu (Hradiš, 25.10. slajdy)
  7. Hough Transform, RHT, RANSAC, Sequence Processing/Houghova transformace, RHT, RANSAC, zpracování sekvencí (Hradiš, 1.11. slajdy1, slajdy2, slajdy2-en)
  8. Invariant Image Regions/Invariantní oblasti obrazu (Beran, 8.11. slajdy)
  9. Analysis and Feature Extraction from Images/Analýza a extrakce příznaků z textur (Čadík 15.11. slajdy)
  10. Image Registration/Registrace obrazu (Čadík, 22.11. slajdy)
  11. 3D Computer Vision/3D počítačové vidění (29.11. Šolony)
  12. Stereovision, SLAM/Stereoviděni, SLAM (6.12. Šolony)
  13. Conclusions, Hardware Accelerated Algorithms/Conclusions, Hardware Accelerated Algorithms (Zemčík 13. 12.)

NOTE: The topics and dates are just FYI, not guaranteed, and will be continuously updated.

POZOR!!! Témata přednášek i data jsou orientační a budou v průběhu semestru aktualizována.

Projekt

26 hod., povinná

Vyučující / Lektor

Osnova


Samostatná projektová práce v předmětu je následující:
1. Domácí úlohy (4-5 běhů) na začátku semestru s tím, že úlohy jsou striktně individuální a platí pro ně "Pravidla pro vypracování projektů a úloh" (viz níže a viz též informaci k úlohám v IS)

2. Individuálně zadávané projekty (viz všechna pravidla níže a informace k projektům v IS).

Pravidla pro řešení projektů:

Projekty mohou řešit jednotlivci nebo skupiny nejvýše o 4 osobách. V případě vypracování projektu skupinou je třeba při odevzdání projektu přesně popsat role řešitelů v projektu. Projekt se typicky hodnotí stejně pro členy skupiny, ale je vyhrazena i možnost individuální hodnocení uvnitř skupiny odlišit. Je třeba odevzdat zdrojové texty, návod pro překlad a spuštění, zprávu v rozsahu cca 3 stran A4 a provést demonstraci. Programovací jazyk Je C/C++, Matlab, pokud je specifikováno v zadání nebo po dohodě s učitelem případně jiný. Individuální vlastní zadání jsou vítána. V případě, že o individuální zadání máte zájem, přihlaste se na variantu "Vlastní zadání" a pošlete e-mail s návrhem zadání - další postup bude individuální.

Odevzdání projektů:

Odevzdání projektu bude probíhat elektronicky a bude doplněno povinnou demonstrací výsledků v prvním týdnu v lednu. Na odevzdání v jiném termínu hodinu nebude brán zřetel a povede k získání 0b (ve výjimečných případech se lze domluvit individuálně). Pokud pracujete ve skupině, je třeba se dostavit v plném počtu řešitelů.

Demonstrace je povinná a je možná až po elektronickém odevzdání. Prezentaci si připravte na max. 10 minut (na kvalitu demonstrace bude kladen velký důraz).

Do IS se odevzdává jeden *.zip se zdrojovými soubory, návodem pro překlad a spuštění, prezentací a dokumentací (při odevzdání binárních souborů ztráta 1/2 získaných bodů), max. velikost 2MB.

Při odevzdání podobných řešení bude může být počet bodů krácen nebo rozdělen mezi podobná řešení. Vyučující může individuálně určit rozdělení bodů.

Obecná pravidla vypracování projektů a úloh:

Studenti ve své práci musí pracovat samostatně a tvůrčím způsobem. Za porušení této zásady se považuje zejména reverzní inženýrství (disasebmling, dekompilace a podobné postupy), kopírování příkladů řešení, hotových řešení nebo obdobných podkladů, které jsou zveřejněny nebo jsou studentům jinak dostupné (jedná se o kopírování celých řešení nebo jejich tak velkých částí, že jejich okopírování vede k funkčně shodnému nebo velmi obdobnému řešení zadání), společná práce na zadání ve skupinách tak, že její výsledky jsou potom odevzdávány jako řešení jednotlivce (jednotlivců), pokud to není v zadání přímo požadováno nebo povoleno (diskuse ve skupině a/nebo společné řešení dílčích částí je povoleno).

Studenti se musí zdržet jednání, které je v rozporu s dobrými mravy a které by mohlo vést k obcházení skutečného způsobu "řešení" zadání v duchu těchto zadání jimi samotnými nebo jinými studenty.

Pokud student(i) poruší výše uvedená pravidla, může mu hodnocení projektu být sníženo až na 0 bodů.

Elearning