Modul

Siehe Teilleistung.

Studierende bekommen ein Verständnis der Grundlagen und Lernmethoden sowie fortgeschrittener Modellarchitekturen von Deep Learning Verfahren und ihren Anwendungen in der Bildverarbeitung (Computer Vision).

Studierende sind in der Lage, Deep Learning Verfahren für ausgewählte Aufgabenstellungen der Bildverarbeitung anzuwenden.

Siehe Teilleistung.

In den letzten Jahren wurden im Bereich des Bildverstehens (Computer Vision) beeindruckende Fortschritte erzielt. Diese wurden zu einem großen Teil durch die Wiederentdeckung und Weiterentwicklung sogenannter Deep-Learning-Verfahren (insbesondere die Nutzung von Convolutional Neuronalen Netzen) ermöglicht. Deep Learning Verfahren stellen derzeit den Stand der Technik für viele Anwendungsbereiche des Bildverstehens dar.

Die Vorlesung behandelt die Grundlagen, fortgeschrittene Netzarchitekturen und Lernverfahren für Anwendungen im Bereich Computer Vision. Es werden unter anderem folgende Themen behandelt:

• Einführung in Deep Learning

• Convolutional Neuronale Netze (CNN): Grundlagen und Hintergrund

• Grundlegende Architekturen und Lernverfahren für CNNs

• Objekterkennung mit CNNs

• Bildsegmentierung mit CNNs

• Rekurrente Neuronale Netze

• Erzeugen von Bildbeschreibungen (Image Captioning)

• Beantworten von Fragen zu Bildinhalten (Visual Question Answering)

• Generative Adversiale Neuronale Netze (GANs) und Anwendungen

• Deep Learning Frameworks und Tools

Kenntnisse zu Grundlagen der Mustererkennung, wie sie im Stammmodul Kognitive Systeme vermittelt werden, werden vorausgesetzt.

1. Präsenszeit Vorlesung: 15 * 2 h = 30 h

2. Vor- und Nachbereitungszeit Vorlesung: 15 * 2 h = 30 h

3. Prüfungsvorbereitung und Präsens in selbiger: 30 h

Insgesamt: 90 h = 3 LP