Lehre
zur Startseite

Modul Musterkennung und Optimierung (3. Semester - Master), Wahlpflicht

LV Musterkennung und Bildverstehen
Dozent apl. Prof. Dr.-Ing. Norbert Haala
Vorlesung / Übung Donnerstag / wöchentlich 11:30 - 13:00 Room: GS24D - 2.370
  im Wechsel mit Topologie und Optimierung  
Inhalt der Lehrveranstaltung
Aufgaben der Mustererkennung, Vorverarbeitung und Merkmalsextraktion aus Bildern, wissensbasierte Bildanalyse, statistischer Entscheidungstheorie und numerische Klassifikation, Markoff Netzwerke, Bayes'sche Netze, Anwendungen in der photogrammetrischen Bildanalyse
LV Topologie und Optimierung
Dozent Dr.-Ing. Susanne Becker
Vorlesung / Übung Donnerstag / wöchentlich 9:45 - 11:15 Room: GS24D - 2.370
  im Wechsel mit Mustererkennung und Bildverstehen  
Inhalt der Lehrveranstaltung
Grundlagen der Topologie. Baumstrukturen. Analyse optimaler Netzwerke und Routing-Algorithmen. Fünf-Farben-Satz. Kleinste-Quadrate-Ausgleichung. Kleinste-Quadrate-Ausgleichung mit Gleichungs- und Ungleichungs-Restriktionen. Netzwerk-Design-Probleme (insbesondere Design-Probleme nullter, erster und zweiter Ordnung). Quadratische und lineare Programmierung. Lineares Komplementaritätsproblem
Voraussetzungen
-
Referenzen (Monographien, Journale)
Podcasts der Vorlesungen sind frei zugänglich und werden jeweils nach der Veranstaltung eingestellt. Das Passwort für das Skript wird an die Teilnehmer der Veranstaltung weitergegeben.
Prüfung
Prüfung: beide LV zusammen 40 min mündlich

 

Vorlesungsinhalte
  1. Inhalte der Vorlesung
  2. Multispektrale Klassifikation
  3. Decision Trees And Random Forests
  4. Topologisches Lösen von Zuordnungsproblemen
  5. Bayes Entscheidungstheorie
  6. Monte Carlo Methoden
  7. Wahrscheinlichkeitsdichte und Trennungsfunktionen
  8. Probabilistische Graphische Modelle – Bayessche Netze
  9. Probabilistische Graphische Modelle – Markov Random Fields
  10. Total Least Squares

 

Vorlesung Titel Aufschrieb Screencast
20.10.2016 Einführung      
27.10.2016 Multispektrale Klassifikation      
03.11.2016 Bayes Klassifikation        
10.11.2016 Verteilungsfunktionen        
17.11.2016 Gemischte Modelle und Trennungsfunktionen        
24.11.2016 Support Vector Machines        
24.11.2016 Graphbasierte Segmentierung        
01.12.2016 Gesichtserkennung        
01.12.2016 DecisionTrees und RandomForests        
08.12.2016 Topologisches Loesen von Zuordnungsproblemen        
08.12.2016 Monte-Carlo-Methoden-Anwendung-im-Bereich-Mobile-Mapping      
15.12.2016 Probabilistische Graphische Modelle, Teil 1        
22.12.2016 Probabilistische Graphische Modelle, Teil 2        
12.01.2017 Total Least Squares        
       
Studentische Seminarvorträge
Seminarvortrag Titel Präsentation Handout
22.12.2016 Vorstellung Seminarvortragsthemen        
19.01.2017 Besprechung Seminarvorträge    
26.01.2017 Face Recognition
Stefan Kohler und Lewin Hajer
       
26.01.2017 Human Pose Estimation
Alix Grellmann und Peter Hurt
       
26.01.2017 Traffic Sign Detection
Philipp Schneider und Julien De Keersmacker
       
02.02.2017 Bildsegmentierung durch Graph Cut
Tatjana Immel und Tobias Pfitzenmaier
       
02.02.2017 Markov Random Fields for Super Resolution
Yixia Li
       

 

Übung Titel Aufschrieb Screencast
1 Klassifikation mit ENVI      
2 OpenCV      
3 Bag Of Words mit Übung        
4 Optimierte Bildzuordnung      
Übungen

Übungen sind in Form von zu implementierenden MATLAB-Programmen abzugeben