Cilji in kompetence
Cilj tega predmeta je, da bodo študentje razumeli osnove globokih mrež na področju računalniškega vida, ter jih znali uporabiti v praksi.
Vsebina
• Uvod: opredelitev osnovnih pojmov
• Barvne in geometrijske transformacije: barvni prostori in osnovne geometrijske transformacije
• Konvolucija in linearni operatorji: detektorji robov, primeri detektorjev robov
• Segmentacija slik
• Globoke nevronske mreže in računalniški vid: sloji, učni algoritmi, prenosno učenje
• Priprava učnih podatkov: predobdelava in izboljšava podatkov (augmentacija), odstranjevanje šuma
• Interpretacija globokih modelov: podprileganje in nadprileganje, vrednotenje modelov globokih mrež.
• Primeri aplikacij globokih mrež: klasifikacija, detekcija, segmentacija.
Metode poučevanja in učenja
Predavanja,
Računalniške vaje.
Predvideni študijski rezultati - znanje in razumevanje
Znanje in razumevanje:
• uporabiti globoke nevronske mreže
• ovrednotiti primernost učnih podatkov
Prenosljive/ključne spretnosti in drugi atributi:
• Učni izid: prepoznati probleme računalniškega vida ter izbrati in
uporabiti ustrezne modele globokih mrež
• Učni izid: Razumeti delovanje gradnikov in arhitekturo modelov
globokih nevronskih mrež
• Učni izid: Uporabiti modele globokih nevronskih mrež za
reševanje problemov računalniškega vida
• Učni izid: Pouporabiti naučene modele globokih nevronskih mrež
za reševanje novih problemov računalniškega vida
• Učni izid: Analizirati in primerjati rešitve za probleme
računalniškega vida.
Temeljni literatura in viri
• R. Shanmugamani, Deep Learning for Computer Vision, Packt Publishing, 2018
• Chollet, F. (2018). Deep learning with Python (p. XXI, 361). Manning Publications.
• Davies, E. R. (2018). Computer vision: principles, algorithms, applications, learning (5th ed., p. XLII, 858). Elsevier/Academic Press.
Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti
Ni pogojev.
