Vorlesung: Computer Vision (Lecture + Practice) - Details

Allgemeine Informationen

Veranstaltungsname	Vorlesung: Computer Vision (Lecture + Practice)
Untertitel
Veranstaltungsnummer	8.3068
Semester	WiSe 2021/22
Aktuelle Anzahl der Teilnehmenden	88
erwartete Teilnehmendenanzahl	150
Heimat-Einrichtung	LE Cognitive Science
Veranstaltungstyp	Vorlesung in der Kategorie Offizielle Lehrveranstaltungen
Erster Termin	Dienstag, 19.10.2021 14:00 - 16:00, Ort: 93/E33
Art/Form
SWS	6
Sprache	Englisch
ECTS-Punkte	12

Lehrende

• Prof. Dr.-Ing. Gunther Heidemann
• Ulf Krumnack, Ph.D.
• Axel Schaffland, M. Sc.
• M. Sc. Sabrina Frohn

Tutor/-innen

• Nikola Tsarigradski
• Manar Ali
• Mathis Pink
• Daniel Müller, M. Sc.
• Maral Sheikhzadeh Beigdarvish
• Marcel Banser
• Ludger Masch

Räume und Zeiten

93/E33

Dienstag: 14:00 - 16:00, wöchentlich (14x)

35/E16

Mittwoch: 10:00 - 12:00, wöchentlich (14x)

69/117

Donnerstag: 10:00 - 12:00, wöchentlich (14x)

Studienbereiche

• Veranstaltungen > Cognitive Science > Master-Programm
• Veranstaltungen > Cognitive Science > Bachelor-Programm
• Schnupperstudium > Schnupper Uni > Cognitive Science
• Uni für Alle > Cognitive Science

Modulzuordnungen

• Bachelor of Science Cognitive Science > CS-BWP-INF - Informatik, gültig ab WiSe 2019/20
• Bachelor of Science Informatik > CS-BWP-NI - Neuroinformatik, gültig ab WiSe 2019/20
• Bachelor of Science Mathematik > CS-BWP-NI - Neuroinformatik, gültig ab WiSe 2019/20
• Bachelor of Science Cognitive Science > CS-BWP-NI - Neuroinformatik, gültig ab WiSe 2019/20
• Master of Science Mathematik > CS-BWP-NI - Neuroinformatik, gültig ab WiSe 2019/20

Kommentar/Beschreibung

Prerequisites: Basic Math

Both the rapid growth of image and video data and new applications such as robotics require automated image processing. This course introduces the basic concepts of artificial vision.
Topics: Image acquisition and representation; mathematical background; basic point operations; linear and nonlinear filtering; morphological pattern recognition; color (perceptual aspects and technical representation); gray-, color- and texture-segmentation; image reconstruction and enhancement; object recognition; compression; applications (e.g., image search in databases). A focus is on object recognition, where topics range from simple edge based methods and template matching over traditional approaches like PCA over Boosting, SIFT and SURF to (deep) neural networks.