SylabUZ Wydział Nauk Inżynieryjno-Technicznych semestr zimowy 2023/2024 Informatyka - Program Erasmus drugiego stopnia Image recognition
Image recognition - opis przedmiotu
Informacje ogólne
Nazwa przedmiotu
Image recognition
Kod przedmiotu
11.3--INFD-RozObr- Er
Wydział
Wydział Nauk Inżynieryjno-Technicznych
Kierunek
Informatyka
Profil
ogólnoakademicki
Rodzaj studiów
Program Erasmus drugiego stopnia
Semestr rozpoczęcia
semestr zimowy 2023/2024
Informacje o przedmiocie
Semestr
2
Liczba punktów ECTS do zdobycia
6
Typ przedmiotu
obowiązkowy
Język nauczania
angielski
Sylabus opracował
dr hab. inż. Marek Kowal, prof. UZ
Formy zajęć
Forma zajęć Liczba godzin w semestrze (stacjonarne) Liczba godzin w tygodniu (stacjonarne) Liczba godzin w semestrze (niestacjonarne) Liczba godzin w tygodniu (niestacjonarne) Forma zaliczenia
Projekt
15
1
-
-
Zaliczenie na ocenę
Laboratorium
30
2
-
-
Zaliczenie na ocenę
Wykład
15
1
-
-
Zaliczenie na ocenę
Cel przedmiotu
To familiarize students with the techniques of image processing, segmentation, recognition and classification.
Wymagania wstępne
Zapisz zmiany
Artificial intelligence
Zakres tematyczny
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
Image segmentation: line and edge detection, thresholding methods, watershed method, active contours, deep neural networks
Feature extraction: contour and region descriptors, corner and center detection, SIFT descriptors, Convolutional Neural Networks
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
Literatura podstawowa
Digital Image Processing /Rafael C. Gonzalez, Richard E. Woods/ Pearson, 2018.
Computer Vision: Algorithms and Applications /Richard Szeliski / Springer, 2022.
Hands-On Image Processing with Python /Sandipan Dey/ Packt Publishing, 2018.
Deep Learning with Python /François Chollet/ Manning, 2017.
Deep Learning Ian /Goodfellow, Yoshua Bengio, Aaron Courville/ MIT Press, 2016.
Literatura uzupełniająca
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)
