SylabUZ
Course name | Techniques of object segmentation in digital images |
Course ID | 11.3-WI-GeoTSP-TSO- 22 |
Faculty | Faculty of Civil Engineering, Architecture and Environmental Engineering |
Field of study | Geoinformatics and satellite technology |
Education profile | academic |
Level of studies | First-cycle studies leading to Engineer's degree |
Beginning semester | winter term 2022/2023 |
Semester | 4 |
ECTS credits to win | 3 |
Course type | optional |
Teaching language | polish |
Author of syllabus |
|
The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
Lecture | 30 | 2 | 18 | 1,2 | Credit with grade |
Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
Zapoznanie studentów i ukształtowanie umiejętności z zakresu przetwarzania wstępnego obrazów oraz segmentacji obiektów na obrazach cyfrowych z wykorzystaniem technik klasycznych oraz głębokich sieci neuronowych.
Podstawy programowania, Podstawy analizy danych, Elementy sztucznej inteligencji.
Przetwarzanie wstępne obrazów: wczytywanie i zapis obrazu, typy obrazów, przestrzenie barw, kadrowanie i operacje afiniczne, operatory punktowe, transformacje intensywności, transformacje histogramu, podstawy filtracji obrazu, przekształcenia morfologiczne.
Segmentacja obrazów metodami tradycyjnymi: definicja zadania segmentacji obrazu, podział metod segmentacji obrazów, progowanie intensywności, klasteryzacja danych, wykrywanie krawędzi, analiza histogramu, transformata Hougha, metoda wododziałowa, metody rozrostowe, metody podziałowe i łączenia, superpiksele, metoda zbiorów poziomicowych, aktywne kontury, losowe pola Markova, miary jakości segmentacji
Segmentacja obrazów z pomocą glębokich sieci neuronowych: wprowadzenie do zagadnienia sieci głębokich. splotowe sieci neuronowe, sieci neuronowe typu FCNN (ang. Fully-Convolutional Neural Networks), sieci neuronowe typu SegNet i U-Net, sieci neuronowe typu Mask R-CNN.
Wykład: wykład konwencjonalny
Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego
Outcome description | Outcome symbols | Methods of verification | The class form |
Wykład - warunkiem zaliczenia jest uzyskanie pozytywnych ocen z kolokwiów pisemnych lub ustnych przeprowadzonych, co najmniej raz w semestrze.
Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych oraz sprawdzianów przewidzianych w ramach laboratorium.
Składowe oceny końcowej = wykład: 50% + laboratorium: 50%
Modified by dr hab. inż. Marek Kowal, prof. UZ (last modification: 04-05-2022 19:41)