Kursplan för Bildanalys

Kursplan fastställd 2019-02-06 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnImage analysis
  • KurskodSSY098
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPBME
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeBioteknik, Elektroteknik
  • InstitutionELEKTROTEKNIK
  • BetygsskalaTH - Fem, Fyra, Tre, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 10118
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0119 Projekt 3,5 hp
Betygsskala: TH
3,5 hp
    0219 Laboration 4 hp
    Betygsskala: TH
    4 hp

      I program

      Examinator

      • Torsten Sattler
      Gå till kurshemsidan (Öppnas i ny flik)

      Ersätter

      • ESS060 Bildanalys
      • SSY095 Image analysis
      • SSY096 Bildanalys
      • SSY097 Bildanalys

      Behörighet

      Information saknas

      Särskild behörighet

      För kurser på avancerad nivå gäller samma grundläggande och särskilda behörighetskrav som till det kursägande programmet. (När kursen är på avancerad nivå men ägs av ett grundnivåprogram gäller dock tillträdeskrav för avancerad nivå.)
      Undantag från tillträdeskraven: Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

      Kursspecifika förkunskaper

      En grundkurs i signaler och system (eller motsvarande), inklusive fouriertransform, linjär filterteori (impulssvar, överföringsfunktion, faltning, samplingsteoremet). Grundläggande kunskaper i sannolikhetslära.

      Syfte

      Det huvudsakliga syftet med kursen är att ge en introduktion till algoritmer och matematiska metoder som används inom bildanalys, i en omfattning som gör det möjligt för studenten att hantera industriella bildanalysproblem. Utöver det är ett syfte att hjälpa studenten att utveckla sin förmåga till problemlösning med och utan dator.

      Lärandemål (efter fullgjord kurs ska studenten kunna)

      Kunskap och förståelse

      För godkänd kurs skall studenten
      - Kunna förklara tydligt och självständigt använda, grundläggande matematiska begrepp inom bildanalys.
      - Kunna beskriva och översiktligt förklara den matematiska teorin bakom några centrala bildanalysalgoritmer (såväl deterministiska och stokastiska).
      - Ha förståelse för de statistiska principer som används i maskininlärning.

      Kompetenser och färdigheter

      För godkänd kurs skall studenten
      - På ett ingenjörsmässigt sätt kunna använda datorpaket för att lösa problem i bildanalys.
      - Visa god förmåga att självständigt identifiera problem som kan lösas med metoder från bildanalys, och kunna välja en lämplig metod.
      - Självständigt kunna tillämpa grundläggande metoder inom bildanalys till problem som är relevanta i industriella tillämpningar eller forskning.
      - Med adekvat terminologi, väl strukturerat och logiskt sammanhängande kunna redogöra för lösningen till ett problem inom bildanalys.

      Innehåll

      Grundläggande bildanalysverktyg: Filtrering och skalrumsteori.

      Särdragsextraktion: Blob, kant och hörndetektion.

      Bild-likhet: Korrelation, mutual information och SIFT-deskriptorn.

      Bildregistrering: Robust modellskattning och RANSAC.

      Grunderna i datorseende: kamerageometri, epipolargeometri och rörelseskattning

      Maskininlärningsmetoder för klassificering och segmentering: Närmaste granne och neurala nätverk (av faltningstyp).

      Användningsområden: Datorstödd diagnostik (segmentering, bildregistrering, klassificering), robotseende (rörelseskattning, objekt- och scen-igenkänning) och bildsök.

      Organisation

      Kursen består av ett antal föreläsningar (inklusive gästföreläsningar som ges av industri och / eller akademiska forskare som visar praktiska tillämpningar av bildanalys). Dessutom finns ett antal övningar, fyra laborationer och ett projekt. Laborationerna kan utföras enskilt eller i grupp, men projektet måste genomföras enskilt. Projektet omfattar inlämning av en skriftlig rapport som förklarar det aktuella bildanalysproblemet, en motivation av den valda teorin och algoritmerna, resultaten och slutsatserna.

      Litteratur

      Frivillig: Szeliski, R.: Computer Vision, Algorithms and Applications. Springer, 2010, ISBN: 9781848829343.
      Frivillig: Goodfellow, I. and Bengio, Y. and Courville, Deep Learning. MIT Press, 2016, ISBN: 9780262035613.

      Det är möjligt att bli godkänd på kursen utan boken genom att använda det material som erbjuds på kurssidan. Båda böckerna är tillgängliga gratis online.

      Examination inklusive obligatoriska moment

      Det finns ingen skriftlig tentamen i kursen. Studenterna kommer att betygsättas baserat på projektet och laborationerna. Valfria övningar i laborationerna räknas till högre betyg (om godkänt betyg på kursen är uppnådd).