In diesem Kurs werden die Prinzipien, Techniken und Anwendungen des tiefgehenden Lernens in Computer Vision behandelt. Die Teilnehmer lernen, wie man neuronale Netze für die Bildklassifizierung, Objekterkennung, semantische Segmentierung und andere Computer-Vision-Aufgaben entwickelt, trainiert und validiert. Es werden auch Techniken zur Verbesserung der Leistung von Deep-Learning-Modellen und Veranschaulichungen behandelt, um Anhaltspunkte für die weitere Modellentwicklung zu erhalten. Am Ende des Kurses werden die Studierenden in der Lage sein, Deep-Learning-Techniken anzuwenden, um reale Probleme in verschiedenen Bereichen zu lösen.
Der Kurs wird über die Lernplattform Moodle verwaltet. Alle Dokumente und weitere Informationen finden Sie im Moodle-Kurs Deep Learning for Computer Vision.
Bitte beachten Sie: Die Unterlagen zu unseren Vorlesungen und Übungen sind nur aus dem Netzwerk der Bauhaus-Universität Weimar erreichbar.
Integrierte Vorlesung
Vorlesungen
- Organisation, Geschichte und Perzeptron
- Optimierung und Regularisierung
- Neuronale Faltungsnetze
- Bildklassifikation und Transferlernen
- Architekturen
- Transformer I.
- Transformer II.
- Objekterkennung
- Semantische und instanzielle Segmentierung
- Probabilistische generative Modelle
- Tiefgehendes Lernen für die Bildzuordnung
- 3D-Deep-Learning Anwendungen I
- 3D-Deep-Learning Anwendungen II
Übungen
- Grundlegender Deep Learning Workflow
- Regularisierung und Modularisierung
- Transformer vs CNN
- Objekterkennung
- Probablisitische generative Modelle
- 3D Deep Learning Anwendungen
Prüfung
Klausur
- Termin: wird später bekannt gegeben
- Ort: wird später bekannt gegeben
- Hilfsmittel: keine
Klausurvorbereitung
- Alte Klausurbeispiele