Bildverarbeitung und Deep Learning (BDL)

Belegbar	Nur im Wintersemester
ECTS-Punkte	10 (ca. 300 Stunden)
Fachgebiet	Angewandte Informatik

Ziel des Moduls

In einer Vielzahl industrieller Anwendungen, angefangen von der automatisierten Produktion bis hin zur Qualitätssicherung werden optische Kamerasysteme eingesetzt, um effizient und berührungslos Produktionsprozesse zu überwachen oder zu steuern. Auch in den gegenwärtig hoch innovativen Bereichen des autonomen Fahrens, der Robotik oder der Medizintechnik ist der Einsatz spezialisierter Bilderfassungssysteme weit verbreitet. Die Analyse derartiger Bilddaten erfordert den Einsatz leistungsfähiger, computergestützter Verfahren aus dem Bereich der Bildverarbeitung, welche darauf abzielen, eine automatisierte Interpretation der Bildinhalte vorzunehmen.
Ziel des Moduls ist es, grundlegenden Methoden der Bildverarbeitung vorzustellen und deren praktischen Einsatz zu demonstrieren. Hierbei wird auf die gesamte Verarbeitungskette eingegangen, ausgehend von der Bildvorverarbeitung zur Bildverbesserung, über Segmentierungsverfahren bis hin zur Merkmalsextraktion zur Klassifikation von Bildinhalten.
Neben der algorithmisch geprägten, klassischen Bildverarbeitung werden weiterhin die sich gegenwärtig sehr dynamisch entwickelnden Methoden tiefer Neuronaler Netze (Deep Learning) zur Bild- und Szeneninterpretation behandelt. Das Ziel des Moduls liegt dabei sowohl in der Vermittlung der theoretischen Grundlagen als auch in der konkreten Realisierung der behandelten Verfahren in der Programmiersprache Python.

Vorkurs "Einführung in Python"

Algorithmische Bildverarbeitung

Deep Learning

Theoretische Grundlagen Neuronaler Netze
Vollständig verknüpfte Netze
Convolutional Neural Networks
Rekurrente Netze
Architekturen zur Bildklassifikation
Semantische Segmentierung

BDL 0: Vorkurs "Einführung in Python"

Grundlagen
Datenanalyse und Visualisierung

BDL 1:

Bildaufnahme, digitale Bilder und Dateiformate
Farbbilder und Farbräume
Histogramme (1D und Bi-Dimensional)
Wahrscheinlichkeiten und Entropie
Globale Schwellwertsegmentierung

BDL 2:

Punktoperationen, Kontrastverbesserung
Lineare Filterung im Ortsbereich
Rangordnungsfilter
Filterung im Frequenzbereich

BDL 3:

BDL 4:

Morphologische Filter
Texturanalyse: Statistik 1. und 2. Ordnung
Hauptachsentransformation
Segmentierungsverfahren

BDL 5:

Validierung der Güte von Segmentierungsergebnissen
Merkmalsextraktion
Clusterverfahren (k-means)
Klassifikation

BDL 6:

Grundlagen Neuronaler Netze
Aufbau und Training von Feed-Forward-Netzen
Backpropagation-Verfahren
Aktivierungs- und Zielfunktionen
Realisierung einfacher Klassifikations- und Regressionsnetze in TensorFlow

BDL 7:

Regularisierung und Overfitting
Aufbau und Verwendung von Convolutional Neural Networks (CNN)
Tiefe Neuronale Netze zur Bildklassifizierung
Implementierung und Training von CNNs mittels TensorFlow

BDL 8:

Aufbau und Verwendung von CNN zur semantischen Bildsegmentierung
Rekurrenter Netze (LSTM)
Implementierung und Training einer Bildsegmentierung mittels TensorFlow

Vorkurs Python
Der Vorkurs wird 3-4 Wochen vor Lehrveranstaltungsbeginn zur Verfügung gestellt.
8 Kurseinheiten
Für Teile der Kurseinheiten gibt es Jupyter Notebooks.
Lehrbuch, Lehrvideos
Übungsaufgaben: Theorie / Python / TensorFlow / Jupyter Notebooks
Regelmäßige Webmeetings für fachliche Fragen
Prüfung - Art der Durchführung

Voraussetzung für das Studium des Moduls sind elementare Kenntnisse der objektorientierten Programmierung sowie grundlegende Python-Kenntnisse. Das für das Modul erforderliche Wissen zur Programmiersprache Python wird in einem Vorkurs vor Beginn des Semesters vermittelt. Eine vertiefte Einarbeitung in die Python-Programmierung ist nicht erforderlich.

Für das Modul sind grundlegende Mathematikkenntnisse in linearer Algebra und Analysis erforderlich. Die weiteren für das Modul relevanten Mathematikkenntnisse werden innerhalb des Moduls vermittelt (Statistik, komplexe Zahlen, Faltung, Fourier-Transformation, ...).

Prof. Dr. Jörg Lohscheller
Hochschule Trier

Kursdauer
1 Semester

Kosten
zur Kostenübersicht Einzelmodule

Abschluss
Das Modul ist verwendbar für die Abschlüsse:

Leseprobe

Lehrbuch
Digitale Bildverarbeitung
(in den Modulkosten enthalten)

Lehrtext
Grundlagen Neuronaler Netze

Zur Modulübersicht

Bildverarbeitung und Deep Learning (BDL)

Ziel des Moduls

Leseprobe

Fachbereich Informatik

Studium

Service

Rechtliches