Methods of Computer Vision (MPV)

Links

Credits:	6 ( Lectures: 3, Practical lessons: 2)
Semester:	ZS
Ending:	zp; zk
Guarantor:	Železný Miloš
Lecturer:	Železný Miloš Krňoul Zdeněk Hrúz Marek
Practical lesson lecturer:	Hlaváč Miroslav, Gruber Ivan

Týden	Obsah přednášky
1	Adaptivní ekvalizace histogramu, CLAHE, vyhlazování histogramu, non-maximum suppression, Otsuova metoda hledání automatického prahu
2	Harris Corner Detector, SIFT, SURF
3	KAZE, Non-linear diffusion filtering, ORB, MSER
4	Bag of Words, VLAD, AdaBoost, Decision Tree, Decision Forrest, Random Decision Forrest
5	PCA, LDA, Active Shape Model, Active Appearance Model
6	Deep Learning in computer vision I - Convolutional Neural Networks
7	Deep Learning in computer vision II - Advanced Methods of Learning, Object Detection
8	Deep Learning in computer vision III - Image segmentation
9	Deep Learning in computer vision IV - Generative Adversial Networks
10	Projekticní prostor, perpektivita, perspektivní transformace, vlastnosti perspektivity
11	Geometrie kamery, vnitřní a vnější parametry, fundamentální matice, epipolární geometrie, kalibrace kamery
12	Deep Learning in computer vision V - best performing algorithms

Under Construction!

Zápočet:
Pro získání zápočtu bude nutné vypracovat několik menších semestrálních prací, které budou postupně zadávány na cvičeních.
Zápočet získá každý student, který získá >= 60% bodů ze semestrálních prací.
Zápočet typu A získá každý student, který získá >= 90% bodů ze semestrálních prací.
Hodnocení semestrálních prací - ZDE
Zkouška:
- Na zkoušce si student losuje 3 otázky, na které odpovídá. V případě, že student má zápočet typu A, tak jednu zvolenou otázku vyřadí a odpovídá pouze na zbylé dvě.
- Otázky ke zkoušce - ZDE

Sonka M., Hlavac V., Boyle R.: Image Processing, Analysis, and Machine Vision, Third Edition, Thomson, 2008.