460-4107/01 – Analýza obrazu II (ANO II)
Garantující katedra | Katedra informatiky | Kredity | 4 |
Garant předmětu | Ing. Radovan Fusek, Ph.D. | Garant verze předmětu | Ing. Radovan Fusek, Ph.D. |
Úroveň studia | pregraduální nebo graduální | Povinnost | povinně volitelný |
Ročník | 2 | Semestr | zimní |
| | Jazyk výuky | čeština |
Rok zavedení | 2015/2016 | Rok zrušení | |
Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem předmětu je seznámit posluchače s moderními metodami analýzy obrazu, které mohou být využity zejména pro detekci a rozpoznání objektů. Nedílnou součástí je také aplikace těchto technik do reálného prostředí (například detekce lidských tváří, lokalizace chodců nebo detekce automobilů v obrazech).
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
Jsou probírána následující témata: Moderní metody detekce a rozpoznání objektů v obrazech. Typicky se jedná o postupy založené na obrazových příznacích v kombinaci s metodami strojového učení. Probírány budou také principy hlubokého učení a konvolučních neuronových sítí a jejich aplikace v problémech obrazové detekce automobilů, chodců, lidských tváří.
Povinná literatura:
1. Chollet, F.: Deep Learning with Python. Manning, ISBN-13: 978-1617294433, 2017
2. Gonzalez, R. C., Woods, R. E.: Digital image processing, New York, NY: Pearson, ISBN-13: 978-0133356724, 2018
3. Zhang, A., Lipton, Z.C., Li, M., Smola, A.J.: Dive into Deep Learning, https://d2l.ai, 2020
Doporučená literatura:
1. E. Sojka, J. Gaura, and M. Krumnikl, Matematické základy digitálního zpracování obrazu. Ostrava, Plzeň: VŠB-TU Ostrava (Fakulta elektrotechniky a informatiky), Západočeská univerzita v Plzni, 2. vydání ed., 2011.
2. Burger, W., Burge, M., J.: Principles of Digital Image Processing: Fundamental Techniques, Springer, ISBN-10: 1848001908, ISBN-13: 978-1848001909, 2011
3. Brahmbhatt, S.: Practical OpenCV (Technology in Action), Apress, ISBN-10: 1430260793, ISBN-13: 978-1430260790, 2013
4. Gary Bradski, Adrian Kaehler: Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library, O'Reilly Media, 2017
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Podmínky udělení zápočtu:
Vypracování úloh, které jsou součástí programu cvičení.
Zkouška - písemný test.
E-learning
Další požadavky na studenta
Další požadavky na studenta nejsou kladeny.
Prerekvizity
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
1. Základní pojmy z oblasti detekce objektů v obrazech, metoda posuvného okna.
2. Metody detekce tváří v obrazech, příznaky typu Haar.
3. Lokální binární vzory a jejich využití pro detekci objektů.
4. Metody detekce chodců v obrazech, histogramy orientovaných gradientů.
5. Obrazové deskriptory, detektory zájmových bodů v obrazech (metoda SIFT).
6. Konvoluční neuronové sítě (základní principy, popis vrstev).
7. Moderní varianty konvolučních neuronových sítí (například VGGNet, GoogLeNet, ResNet).
8. Využití konvolučních sítí pro lokalizaci objektů (například R-CNN, Faster R-CNN, YOLO).
9. Využití optických systému v oblasti samořiditelných vozidel.
10. Metoda Mix Gaussiánů pro detekci pozadí.
11. Zpracování obrazů v IR spektru a multispektrálních obrazů.
12. Analýza hloubkových obrazů, využití 3D senzorů (RealSense, Kinect).
13. Zpracování LIDARových obrazů.
14. Rezerva
Cvičení (PC učebna):
1. Vytvoření základní kostry detektoru pro zvolený zájmový objekt.
2. Implementace metody posuvného okna.
3. Příprava dat pro trénovací a testovací fázi detektoru.
4. Detekce založená na příznacích typu Haar.
5. Detekce pomocí lokálních binárních vzorů.
6. Detekce pomocí obrazových deskriptorů (metoda SIFT).
7. Základní použití konvolučních neuronových sítí.
8. Experimentování s parametry konvolučních sítí.
9. Využití různých typů konvolučních sítí v rozpoznání (například VGGNet, GoogLeNet, ResNet).
10. Experimentování s vytvořenými detektory, porovnání detektorů.
11. Detekce objektů v IR obrazech. Úprava obrazu a jeho následné zpracování.
12. Segmentace a detekce objektů v hloubkových obrazech, využití 3D senzorů
(RealSense, Kinect).
13. Rezerva.
14. Zápočet.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky