SylabUZ
Nazwa przedmiotu | Techniki segmentacji obiektów na obrazach cyfrowych |
Kod przedmiotu | 11.3-WI-GeoTSP-TSO- 22 |
Wydział | Wydział Budownictwa, Architektury i Inżynierii Środowiska |
Kierunek | Geoinformatyka i techniki satelitarne |
Profil | ogólnoakademicki |
Rodzaj studiów | pierwszego stopnia z tyt. inżyniera |
Semestr rozpoczęcia | semestr zimowy 2022/2023 |
Semestr | 4 |
Liczba punktów ECTS do zdobycia | 3 |
Typ przedmiotu | obieralny |
Język nauczania | polski |
Sylabus opracował |
|
Forma zajęć | Liczba godzin w semestrze (stacjonarne) | Liczba godzin w tygodniu (stacjonarne) | Liczba godzin w semestrze (niestacjonarne) | Liczba godzin w tygodniu (niestacjonarne) | Forma zaliczenia |
Wykład | 30 | 2 | 18 | 1,2 | Zaliczenie na ocenę |
Laboratorium | 30 | 2 | 18 | 1,2 | Zaliczenie na ocenę |
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
Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
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%
Zmodyfikowane przez dr hab. inż. Marek Kowal, prof. UZ (ostatnia modyfikacja: 04-05-2022 19:41)