1. SylabUZ
2. Wydział Nauk Inżynieryjno-Technicznych
3. semestr zimowy 2023/2024
4. Informatyka - Program Erasmus drugiego stopnia
5. Image recognition

Wygeneruj PDF dla tej strony

Image recognition - opis przedmiotu

Cel przedmiotu

To familiarize students with the techniques of image processing, segmentation, recognition and classification.

Wymagania wstępne

Zapisz zmiany

Artificial intelligence

Zakres tematyczny

1. Image processing: image loading and saving, image types, color spaces and histogram, cropping and affine operations, point operators, image intensity transformation, basic image filtering, morphological operations
2. Image segmentation: line and edge detection, thresholding methods, watershed method, active contours, deep neural networks
3. Feature extraction: contour and region descriptors, corner and center detection, SIFT descriptors, Convolutional Neural Networks
4. Object detection and classification: application of descriptors, classifiers and deep neural networks to detect and classify objects in images

Metody kształcenia

conventional lecture, exercises, project

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

lecture - obtaining a positive grade from the written test

laboratory - obtaining positive grades from laboratory exercises reports

project - obtaining a positive assessment of the completed project

final grade = 30% lecture + 40% laboratory + 30% project

 

Obciążenie pracą	Studia stacjonarne (w godz.)	Studia niestacjonarne (w godz.)
Godziny kontaktowe (udział w zajęciach; konsultacjach; egzaminie, itp.)	60	-
Samodzielna praca studenta (przygotowanie do: zajęć, kolokwium, egzaminu; studiowanie literatury przygotowanie: pracy pisemnej, projektu, prezentacji, raportu, wystąpienia; itp.)	90	-
Łącznie	150	-
Punkty ECTS	Studia stacjonarne	Studia niestacjonarne
Zajęcia z udziałem nauczyciela akademickiego	3	-
Zajęcia bez udziału nauczyciela akademickiego	3	-
Łącznie	6	-

Literatura podstawowa

1. Digital Image Processing /Rafael C. Gonzalez, Richard E. Woods/ Pearson, 2018.
2. Computer Vision: Algorithms and Applications /Richard Szeliski / Springer, 2022.
3. Hands-On Image Processing with Python /Sandipan Dey/ Packt Publishing, 2018.
4. Deep Learning with Python /François Chollet/ Manning, 2017.
5. Deep Learning Ian /Goodfellow, Yoshua Bengio, Aaron Courville/ MIT Press, 2016.

 

 

Literatura uzupełniająca

1. Computer Vision Projects with OpenCV and Python 3 /Matthew Rever/ Packt Publishing, 2018.

Uwagi

Zmodyfikowane przez dr hab. inż. Marek Kowal, prof. UZ (ostatnia modyfikacja: 25-04-2023 18:01)