Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Inteligentna analiza obrazów

Informacje ogólne

Kod przedmiotu: 0800-INANOB
Kod Erasmus / ISCED: (brak danych) / (0613) Tworzenie i analiza oprogramowania i aplikacji Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Inteligentna analiza obrazów
Jednostka: Wydział Fizyki, Astronomii i Informatyki Stosowanej
Grupy: Informatyka Stosowana s2. Przedmioty do wyboru specjalistyczne (wszystkie)
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Wymagania wstępne:

Zaliczone przedmioty: Metody numeryczne I

Programowanie obiektowe

Uczenie maszynowe, algorytmy i systemy data mining

Rodzaj przedmiotu:

przedmiot fakultatywny

Całkowity nakład pracy studenta:

Godziny realizowane z udziałem nauczycieli ( 60 godz.)

- udział w wykładach – 30 godz.

- udział w laboratoriach – 30 godz.


Czas poświęcony na pracę indywidualną studenta ( 40 godz.):

- przygotowanie do wykładu- 10 godz.

- przygotowanie do laboratorium – 10 godz.

- przygotowanie projektu – 20 godz.


Łącznie: 100 godz. ( 4 ECTS)


Efekty uczenia się - wiedza:

W1 - Posiada wiedzę o zasadach analizy i projektowania algorytmów przetwarzania obrazu,

W2 - Posiada umiejętność odnajdywania elementów algorytmu, które należy zoptymalizować celem osiągnięcia większej efektywności lub zmniejszenia złożoności obliczeniowej algorytmu przetwarzania obrazu,

W3 - Posiada wiedzę o metodach optymalizacji używanych w algorytmach przetwarzania obrazu,

W4 - Posiada pogłębioną wiedzę o przydatnych narzędziach i bibliotekach używanych do przetwarzania obrazu,

Efekty uczenia się - umiejętności:

U1 - Umie formułować rozwiązanie problemu, metodą przetwarzania obrazu,

U2 - Umie efektywnie szukać informacji o stanie techniki algorytmów przetwarzania służący do rozwiązywania wcześniej sformułowanego problemu,

U3 - Umie korzystać z wiedzy fachowej zapisanej w języku ojczystym i języku angielskim, przekazywanej w postaci raportów o innowacjach, artykułów naukowych oraz dokumentów patentowych,

U4 - Potrafi formułować i testować hipotezy związane z problemami, które mogą zostać rozwiązane za pomocą przetwarzania obrazu,

U5 - Potrafi zaprojektować rozszerzenia lub ulepszenia do algorytmów przetwarzania obrazu celem zwiększenia ich efektywności lub zmniejszenia złożoności obliczeniowej

Efekty uczenia się - kompetencje społeczne:

K1 - Potrafi wykazać się skutecznością w realizacji zadań dla projektów o charakterze programistyczno-wdrożeniowym

K2 - Potrafi przekazać informacje o stanie techniki, dotyczącym rozwiązywanego problemu, jak również stanie realizowanego przez siebie projektu w sposób czytelny i zrozumiały dla kadry inżynierskiej,

K3 - Potrafi w sposób kreatywny poszukiwać rozwiązań problemów dziedzinie analizy obrazów

Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)
- wykład problemowy

Metody dydaktyczne poszukujące:

- laboratoryjna
- projektu
- studium przypadku

Metody dydaktyczne w kształceniu online:

- metody ewaluacyjne
- metody rozwijające refleksyjne myślenie
- metody służące prezentacji treści
- metody wymiany i dyskusji

Skrócony opis:

Przekazanie podstaw inteligentnej analizy obrazów. Kurs ma na celu podanie podstaw inteligentnej analizy sygnału z naciskiem na praktyczne zastosowania podanych metod. Głównym celem jest uzyskanie umiejętności stworzenia systemu do rozwiązania konretnego problemu sprecyzowanego na pierwszych zajęciach laboratoryjnych. Projekt może być realizowany w dowolnym języku programowania, który posiada interfejs do biblioteki OpenCV.

Pełny opis:

Przekazanie podstaw inteligentnej analizy obrazów. Kurs ma na celu podanie podstaw inteligentnej analizy sygnału z naciskiem na praktyczne zastosowania podanych metod. Głównym celem jest uzyskanie umiejętności stworzenia systemu do rozwiązania konretnego problemu sprecyzowanego na drugich zajęciach laboratoryjnych. Projekt może być realizowany w dowolnym języku programowania, który posiada interfejs do biblioteki OpenCV. Realizacja projektu polega na przeszukaniu literatury fachowej celem określenia stanu techniki. Następnie należy zaimplementować rozwiązanie oceniane jako najlepsze dla rozwiązania problemu. W przypadku dostępności źródeł open source lub rozwiązań opartych na funkcjach bibliotecznych można je wykorzystać w projekcie. W dalszym kroku rozwoju projektu należy dokonać jednej optymalizacji efektywności lub złożoności opracowywanego algorytmu a następnie porównać go do wyników konkurencyjnego rozwiązania.

1) Akwizycja obrazu i przetwarzanie wstępne. Demosaicing, odszumianie, interpolacja kolorów, sampling, aliasing, balans kolorów.

2) Dedykowane systemy kamer, metody pozyskiwania sygnału trójwymiarowego, kalibracja, rejestracja, estymacja głębi.

3) Cechy. Detektory cech, deskryptory cech, dopasowywanie cech, śledzenie cech. Problem przysłony. Niezmienność w skali i orientacji.

4) Wykrywanie krawędzi. Wykrywanie linii. Segmentacja.

5) Algorytmy dopasowywania za pomocą cech. Dopasowanie metodą najmniejszych kwadratów, RANSAC, LMS. Metody bazujące na SVD.

6) Określanie ustawienia obiektu.

7) Reconstrukcja struktury obiektu z ruchu. Triangulacja. Bundle adjustement.

8) Estymacja ruchu.

9) Rekonstrukcja 3D

10) Detekcja i rozpoznawanie obiektów. Rozpoznawanie egzemplarza.

11) Klasyfikacja obiektów. Metody maszynowego uczenia do klasyfikacji obiektów.

12) Głębokie sieci neuronowe do klasyfikacji obiektów.

13) Anotacja wideo.

Literatura:

1. R. Szeliski, „Computer Vision. Algorithms and Applications” Springer 2011.

2. R. Hartley, A. Zissermann, „Multiple View Geometry in Computer Vision,” Cambridge University Press, 2000.

3. G. Bradski, A. Kaehler, „Learning OpenCV. Computer Vision with the OpenCV Library,” O’Reilly. 2008.

4. V. Patel, R. Chellappa, "Sparse Representations and Compressive Sensing for Imaging and Vision," Springer, 2013.

Metody i kryteria oceniania:

Wykład: zaliczenie na podstawie kolokwium na ostatnich zajęciach sprawdzające wiedzę z całości materiału (weryfikuje efekty …), kolokwium poprawkowe w sesji.

50-60% - ocena: 3

60-70% - ocena: 3+

70-80% - ocena: 4

80-90% - ocena: 4+

90-100% - ocena 5

Laboratorium: zaliczenie na podstawie projektu składającego się ze sprawozdania oraz kodu źródłowego działającego programu (weryfikuje efekty …)

50-60% - ocena: 3

60-70% - ocena: 3+

70-80% - ocena: 4

80-90% - ocena: 4+

90-100% - ocena 5 (muszą być kryteria na każdą ocenę!)

Praktyki zawodowe:

Możliwość realizacji zadań w projektach naukowych prowadzonych w Interdyscyplinarym Centrum Nowoczesnych Technologii.

Zajęcia w cyklu "Semestr letni 2022/23" (zakończony)

Okres: 2023-02-20 - 2023-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Marcin Iwanowski, Michał Joachimiak
Prowadzący grup: Marcin Iwanowski, Michał Joachimiak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Skrócony opis:

Praca laboratoryjna poprzez połączenia Webex. Zaliczenie na podstawie projektu wykonywanego w ciągu semestru.

Egzamin z wykładu na podstawie 3 pytań opisowych. Rozmowa online przez Webex.

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-20 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Marcin Iwanowski, Michał Joachimiak
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Skrócony opis:

Praca laboratoryjna poprzez połączenia Webex. Zaliczenie na podstawie projektu wykonywanego w ciągu semestru.

Egzamin z wykładu na podstawie 3 pytań opisowych. Rozmowa online przez Webex.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)