Uvod
- Pregled predmeta.
- Praktična uporaba računalniškega vida.
- Uvod v Matlab.
Nastanek slike
- Fotometrični modeli in optika.
- Človeški vid.
- Kalibracija kamer.
- Projektivna geometrija in invariante.
Obdelava dvodimenzionalnih slik
- Zajemanje in predstavitev digitalnih slik.
- Digitalni filtri in detekcija robov.
- Segmentacija slik in predstavitev regij.
- Morfologija.
- Barva in histogrami.
- Ujemanje šablon.
- Aplikacija: prilagajanje kontrasta.
Tridimenzionalni vid
- Stereo slike; kalibracija, problem korespondence, trianglucija.
- Globinske slike.
- Rekonstrukcija geometrijskih modelov.
- Aplikacija: modeliranje kulturne dediščine.
Detekcija gibanja in zasledovanje
- Optični tok.
- Aproksimacija gibanja.
- Zasledovanje objektov in Kalmanov filter.
- Aplikacija: zasledovanje glave človeka.
Razpoznavanje objektov
- Problemi in mehanizmi za razpoznavanje objektov.
- Razpoznavanje iz množice pogledov.
- Generacija hipotez in verifikacija.
- Razpoznavanje po delih.
- Aplikacija: razpoznavanje obrazov.
Globoke nevronske mreže
- Vrste nevronskih mrež.
- Učenje nevronskih mrež.
- Konvolucijske nevronske mreže.
Introduction
- Introduction to computer vision.
- Practical applications of computer vision.
- Introduction to Matlab.
Image formation
- Photometrical models and optics.
- Human vision.
- Camera calibration.
- Projective geometry and invariances.
2-D image processing
- Acqusition and representation of digital images.
- Digital filters and edge detection.
- Image segmentation and region detection.
- Morphology.
- Color and histogramms.
- Pattern matching.
- Application: Contrast adjustment.
3-D computer vision
- Stereo vision; calibration, correspondence problem and triangulation.
- Range images.
- Reconstruction of geommetrical models.
- Application: modeling cultural heritage.
Motion detection and tracking
- Optical flow.
- Motion approximation.
- Object tracking and Kalman filter.
- Aplication: human head tracking.
Object recognition
- Issues in object recognition and computational mechanisms.
- View-based approaches.
- Hypotheses generation and verification.
- Recognition by parts.
- Application: face recognition.
Deep neural networks
- Neural network architectures.
- Training of deep neural networks.
- Convolutional neural networks.