Deep Learning for Visual Computing (SS23)
Die rasanten Erfolge in der Entwicklung von neuen, auf neuronalen Netzen basierenden Methoden haben völlig neue Möglichkeiten in der Datenanalyse und -synthese ermöglicht und zu vielen neuen Anwendungen geführt. In diesem Modul sollen die neuen Konzepte im Bereich des Deep Learnings mit einem Fokus auf Verfahren aus Computer Vision, Computer Graphik und Visual Computing vorgestellt werden. Dazu gehören Grundlagen von neuronalen Netzen mit deren Architekturen (z.B. convolutional networks, transformer), Lernverfahren, Datenaufbereitung und Methoden der Erklärbarkeit für die black box Verfahren. Darüber hinaus werden Konzepte für die Bild- und Videoanalyse wie Objektdetektion, Klassifikation, Segmentierung, 3D Rekonstruktion und Bewegungsanalyse sowie für die Bild- und Videosynthese durch Autoenkoder, GANs oder Diffussionsnetze vorgestellt. Dabei wird auch die Integration klassischer Vision Methoden und Vorwissen in die datengetriebenen Ansätze für höhere Robustheit und kleine Trainingsdatensätzen vorgestellt werden.
Vorlesungsbegleitend wird eine Übung angeboten, in denen die Studierenden in praktischen Beispielen verschiedenen Konzepte des Deep Learnings selbst untersuchen können. Die Abgabe der Ergebnisse und Lösungen mit einer Mindestpunktzahl ist Voraussetzung für die Zulassung zur Prüfung.
- Neuronale Netzwerke, convolutional networks, transformer
- Training und Lernen
- Erklärbare KI
- Objektdetektion und -verfolgung
- Syntheseverfahren, GANs, Autoencoder
- NeRF und 3D Rekonstruktion
Ort / Zeit
Vorlesung
Mittwoch 11:00ct - 13.00, RUD 25, Raum 4.113
Übung
Mittwoch 13:00ct - 15.00, RUD 25, Raum 4.113, 14tägig
erster Termin: 17.5.2023
Folien
Die Folien zur Vorlesung können über Moodle geladen werden. Nach Einloggen mit Kursschlüssel, bitte auf Unterbereich Slides gehen.
Prüfung
Die Prüfung ist eine mündliche Prüfung von 30min Länge.
Voraussetzung zur Prüfung ist die erfolgreiche Bearbeitung der Übungsaufgaben.
Literatur
Ergänzende Literatur zur Vorlesung ist auch im Moodle-Verzeichnis zu finden.