×
Универзитет у Новом Саду

Предмет: Компјутерска визија (17.EK522)

Матичне организационе јединице предмета: Департман за енергетику, електронику и телекомуникације

Основне информације:
 
Категорија Научно-стручни
Ужа научна област Телекомуникације и обрада сигнала
ЕСПБ 6

Разумевање и преглед фундаменталних принципа компјутерске визије и напредних техника дигиталне обраде слике; Упознавање са савременим методама из ове области преко неколико пројеката. Анализа проблема рачунарског вида и демонстрација начина за њихово решавање. Овладавање теоријским принципима и практичним вештинама које омогућавају осмишљавање, реализацију и унапређивање карактеристика система рачунарског вида. Развијање способности за планирање, пројектовање и верификацију система компјутерске визије различите намене.

Овладавање савременим методама компјутерске визије. Полазници стичу способност разумевања концепата и метода које се користе у компјутерској визији и могу да примене усвојена знања кроз самосталну реализацију система за компјутерску визију са различитим нивоима сложености. Оспособљавање за анализу и синтезу одговарајућих алгоритамских поступака, сагледавање актуелних идеја у области и једноставно проширивање знања даљим радом на одређеном проблему. Способност да се објасне и препознају предности и мане различитих приступа који се користе за решавање проблема рачунарског вида, дискутује и испитује понашање система и имплементирају нове функционалности. Наставак рада на конструкцији и унапређивању техничких система који се ослањају на перцепцији окружења путем рачунарског вида.

Упознавање са основним појмовима компјутерске визије и напредним техникама дигиталне обраде слике. Реализација и имплементација различитих метода и техничких система компјутерске визије кроз самосталну израду пројеката. Препознавање облика и машинско учење у компјутерској визији. Упознавање са класама задатака у компјутерској визији. Проблеми детекције и естимације, праћења, препознавања, оптималног одлучивања, сегментације, реконструкције и побољшања сигнала, анализе и синтезе слика. Разумевање компоненти посебних система за аквизицију слике. Анализа и конструкција система за обраду слике и видеа. Обрада вишедимензионалних сигнала слике. Конструкција обележја, глобални и локални дескриптори слике, оптималне (научене) репрезентације сигнала. Основе тродимензионалне визије. Разумевање различитих методологија за мерење перформанси и поређење карактеристика алгоритама компјутерске визије. Анализа и примена различитих модела плитких и дубоких неуронских мрежа у задацима компјутерске визије. Упознавање са програмским алатима намењеним компјутерској визији и наменским хардверским платформама. Преостали садржај курса у одређеној мери може да варира у зависности од интересовања полазника. Примена вероватносних модела у статистичкој обради слике. Напредне технике компресије слике и видеа. Упознавање са основама фотограметрије. Основе даљинске детекције. Наменске хардверске платформе за примену компјутерске визије у реалном времену. Детекција и препознавање различитих објеката, процеса и појава на сликама и у видеу. Проблем сегментације и праћења покретних објеката у видеу. Морфолошки оператори. Примена варијационих метода у компјутерској визији. Реконструкција и рестаурација слике и видеа. Савремене методе за решавање инверзних проблема у компјутерској визији. Практична настава одвија се коришћењем рачунара и у зависности од задатака (који имају за циљ демонстрацију и проверу усвојених сазнања), или теме предметног пројекта, састоји се од коришћења различитих бесплатних софтверских алата за решавање проблема рачунарског вида. Према потребама и критеријумима, избор алата обухвата библиотеке као што су: OpenCV, Kornia, OpenCL, CUDA, VLFeat, scikit-image, pyTorch, tensorflow, OSGeo. Настава по потреби укључује и коришћење наменских хардверских платформи (као што је Jetson Nano), бесплатних сервиса за дистрибуирано рачунарство (као што је colaboratory cloud), наменских уређаја за аквизицију слике (као што је P4 multispectral) или јавно доступна мерења и базе слика у оквиру репозиторијума као што је IEEE DataPort.

Предавања, презентације, рачунарске вежбе, демонстрације, предметни пројекти. Предмет се похађа кроз стандардне облике остваривања наставе и укључује обавезно присуство на предавањима и рачунарским вежбама.

Аутори Назив Година Издавач Језик
Paper, D. Tensorflow 2.x in the Colaboratory cloud 2021 Apress Енглески
Kaehler A., Bradski G. Learning OpenCV 3: Computer vision in C++ with the OpenCV library 2016 OReilly Енглески
Gonzalez, R.C., Woods, R.E. Digital Image Processing (4rd Edition) 2018 Pearson Енглески
Ponce J., Forsyth D. Computer vision: A modern approach 2011 Pearson Енглески
Szeliski, R. Computer vision: algorithms and applications 2011 Springer, London Енглески
Krig, S. Computer Vision Metrics Survey, Taxonomy, and Analysis 2014 Apress Media Енглески
Ramsundar B., Zadeh, R. TensorFlow for deep learning 2018 OReilly Енглески
Goodfellow, I., Bengio, Y., Courville, A. Deep Learning 2017 MIT Press, Cambridge Енглески
Aggarwal C. Neural networks and deep learning 2018 Springer Енглески
Förstner, W., Wrobel, B. Photogrammetric computer vision 2016 Springer Енглески
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Тест
Предиспитна
Да
Обавезна
Да
Број поена
10.00
Предметна активност
Присуство на предавањима
Предиспитна
Да
Обавезна
Да
Број поена
3.00
Предметна активност
Присуство на вежбама
Предиспитна
Да
Обавезна
Да
Број поена
2.00
Предметна активност
Усмени део испита
Предиспитна
Не
Обавезна
Да
Број поена
30.00
Предметна активност
Предметни пројекат
Предиспитна
Да
Обавезна
Да
Број поена
30.00
Предметна активност
Тест
Предиспитна
Да
Обавезна
Да
Број поена
10.00
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
5.00
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
5.00
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
5.00

Предавања

Лабораторијске вежбе

Лабораторијске вежбе