Fakultet tehničkih nauka

Predmet: Kompjuterska vizija (17.EK522)

Matične organizacione jedinice predmeta: Departman za energetiku, elektroniku i telekomunikacije
Osnovne informacije:
 
Kategorija Naučno-stručni
Uža naučna oblast Telekomunikacije i obrada signala
ESPB 6

Razumevanje i pregled fundamentalnih principa kompjuterske vizije i naprednih tehnika digitalne obrade slike; Upoznavanje sa savremenim metodama iz ove oblasti preko nekoliko projekata. Analiza problema računarskog vida i demonstracija načina za njihovo rešavanje. Ovladavanje teorijskim principima i praktičnim veštinama koje omogućavaju osmišljavanje, realizaciju i unapređivanje karakteristika sistema računarskog vida. Razvijanje sposobnosti za planiranje, projektovanje i verifikaciju sistema kompjuterske vizije različite namene.

Ovladavanje savremenim metodama kompjuterske vizije. Polaznici stiču sposobnost razumevanja koncepata i metoda koje se koriste u kompjuterskoj viziji i mogu da primene usvojena znanja kroz samostalnu realizaciju sistema za kompjutersku viziju sa različitim nivoima složenosti. Osposobljavanje za analizu i sintezu odgovarajućih algoritamskih postupaka, sagledavanje aktuelnih ideja u oblasti i jednostavno proširivanje znanja daljim radom na određenom problemu. Sposobnost da se objasne i prepoznaju prednosti i mane različitih pristupa koji se koriste za rešavanje problema računarskog vida, diskutuje i ispituje ponašanje sistema i implementiraju nove funkcionalnosti. Nastavak rada na konstrukciji i unapređivanju tehničkih sistema koji se oslanjaju na percepciji okruženja putem računarskog vida.

Upoznavanje sa osnovnim pojmovima kompjuterske vizije i naprednim tehnikama digitalne obrade slike. Realizacija i implementacija različitih metoda i tehničkih sistema kompjuterske vizije kroz samostalnu izradu projekata. Prepoznavanje oblika i mašinsko učenje u kompjuterskoj viziji. Upoznavanje sa klasama zadataka u kompjuterskoj viziji. Problemi detekcije i estimacije, praćenja, prepoznavanja, optimalnog odlučivanja, segmentacije, rekonstrukcije i poboljšanja signala, analize i sinteze slika. Razumevanje komponenti posebnih sistema za akviziciju slike. Analiza i konstrukcija sistema za obradu slike i videa. Obrada višedimenzionalnih signala slike. Konstrukcija obeležja, globalni i lokalni deskriptori slike, optimalne (naučene) reprezentacije signala. Osnove trodimenzionalne vizije. Razumevanje različitih metodologija za merenje performansi i poređenje karakteristika algoritama kompjuterske vizije. Analiza i primena različitih modela plitkih i dubokih neuronskih mreža u zadacima kompjuterske vizije. Upoznavanje sa programskim alatima namenjenim kompjuterskoj viziji i namenskim hardverskim platformama. Preostali sadržaj kursa u određenoj meri može da varira u zavisnosti od interesovanja polaznika. Primena verovatnosnih modela u statističkoj obradi slike. Napredne tehnike kompresije slike i videa. Upoznavanje sa osnovama fotogrametrije. Osnove daljinske detekcije. Namenske hardverske platforme za primenu kompjuterske vizije u realnom vremenu. Detekcija i prepoznavanje različitih objekata, procesa i pojava na slikama i u videu. Problem segmentacije i praćenja pokretnih objekata u videu. Morfološki operatori. Primena varijacionih metoda u kompjuterskoj viziji. Rekonstrukcija i restauracija slike i videa. Savremene metode za rešavanje inverznih problema u kompjuterskoj viziji. Praktična nastava odvija se korišćenjem računara i u zavisnosti od zadataka (koji imaju za cilj demonstraciju i proveru usvojenih saznanja), ili teme predmetnog projekta, sastoji se od korišćenja različitih besplatnih softverskih alata za rešavanje problema računarskog vida. Prema potrebama i kriterijumima, izbor alata obuhvata biblioteke kao što su: OpenCV, Kornia, OpenCL, CUDA, VLFeat, scikit-image, pyTorch, tensorflow, OSGeo. Nastava po potrebi uključuje i korišćenje namenskih hardverskih platformi (kao što je Jetson Nano), besplatnih servisa za distribuirano računarstvo (kao što je colaboratory cloud), namenskih uređaja za akviziciju slike (kao što je P4 multispectral) ili javno dostupna merenja i baze slika u okviru repozitorijuma kao što je IEEE DataPort.

Predavanja, prezentacije, računarske vežbe, demonstracije, predmetni projekti. Predmet se pohađa kroz standardne oblike ostvarivanja nastave i uključuje obavezno prisustvo na predavanjima i računarskim vežbama.

Autori Naziv Godina Izdavač Jezik
Goodfellow, I., Bengio, Y., Courville, A. Deep Learning 2017 MIT Press, Cambridge Engleski
Förstner, W., Wrobel, B. Photogrammetric computer vision 2016 Springer Engleski
Kaehler A., Bradski G. Learning OpenCV 3: Computer vision in C++ with the OpenCV library 2016 OReilly Engleski
Krig, S. Computer Vision Metrics Survey, Taxonomy, and Analysis 2014 Apress Media Engleski
Paper, D. Tensorflow 2.x in the Colaboratory cloud 2021 Apress Engleski
Ponce J., Forsyth D. Computer vision: A modern approach 2011 Pearson Engleski
Szeliski, R. Computer vision: algorithms and applications 2011 Springer, London Engleski
Ramsundar B., Zadeh, R. TensorFlow for deep learning 2018 OReilly Engleski
Gonzalez, R.C., Woods, R.E. Digital Image Processing (4rd Edition) 2018 Pearson Engleski
Aggarwal C. Neural networks and deep learning 2018 Springer Engleski
Predmetna aktivnost Predispitna Obavezna Broj poena
Predmetna aktivnost
Test
Predispitna
Da
Obavezna
Da
Broj poena
10.00
Predmetna aktivnost
Domaći zadatak
Predispitna
Da
Obavezna
Da
Broj poena
5.00
Predmetna aktivnost
Domaći zadatak
Predispitna
Da
Obavezna
Da
Broj poena
5.00
Predmetna aktivnost
Prisustvo na vežbama
Predispitna
Da
Obavezna
Da
Broj poena
2.00
Predmetna aktivnost
Domaći zadatak
Predispitna
Da
Obavezna
Da
Broj poena
5.00
Predmetna aktivnost
Predmetni projekat
Predispitna
Da
Obavezna
Da
Broj poena
30.00
Predmetna aktivnost
Test
Predispitna
Da
Obavezna
Da
Broj poena
10.00
Predmetna aktivnost
Prisustvo na predavanjima
Predispitna
Da
Obavezna
Da
Broj poena
3.00
Predmetna aktivnost
Usmeni deo ispita
Predispitna
Ne
Obavezna
Da
Broj poena
30.00
Predavanja
Laboratorijske vežbe
Laboratorijske vežbe