Modulhandbuch - Technische Fakultät - Albert-Ludwigs-Universität ...
Modulhandbuch - Technische Fakultät - Albert-Ludwigs-Universität ...
Modulhandbuch - Technische Fakultät - Albert-Ludwigs-Universität ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Teilmodul/Veranstaltung:<br />
Module part<br />
Fachbereich:<br />
Department Informatik<br />
Modulverantwortlicher:<br />
Responsible person<br />
Lehrveranstaltungstyp:<br />
Type of course<br />
Voraussetzungen:<br />
Preconditions<br />
Semester lt Studienplan:<br />
Term<br />
SWS:<br />
Semester week hours<br />
Arbeitsaufwand:<br />
Workload<br />
Lernziele / Educational objectives<br />
48<br />
<strong>Modulhandbuch</strong> B.Sc. ESE – Kursvorlesungen der Informatik<br />
Kursvorlesung Bildverarbeitung und Computergraphik<br />
Prof. T. Brox,<br />
Prof. M. Teschner<br />
Vorlesung mit<br />
Übung<br />
Spezialbereich:<br />
Special field<br />
Modultyp:<br />
Module Type<br />
Sprache:<br />
Language<br />
Graphische und<br />
Bildverarbeitende<br />
Systeme<br />
Wahlpflichtmodul<br />
deutsch oder englisch<br />
empfohlen: Programmierkurs, Grundlagen der Mathematik<br />
5<br />
3 V + 1 Ü<br />
ECTS-Punkte:<br />
ECTS-points<br />
Turnus:<br />
Regular cycle<br />
6<br />
jedes Wintersemester<br />
180 h/Semester (45 h Vorlesung, 15 h Übung, 120 h Eigenarbeit)<br />
Den Studierenden werden die Grundlagen der Mustererkennung vermittelt. Angefangen bei<br />
der Merkmalsauswahl bis hin zum Klassifikatorentwurf, soll der Student oder die Studentin<br />
am Ende in die Lage versetzt werden einen vollständigen Entwurf einer<br />
Musterkennungsaufgabe eigenständig durchzuführen. Selbständig zu lösende<br />
Übungsaufgaben einschließlich Programmieraufgaben dienen dazu, den Stoff praktisch zu<br />
vertiefen.<br />
Lehrinhalt / Content of teaching<br />
Zunächst wird einleitend die Mustererkennung in die allgemeine Schätztheorie eingebettet<br />
und die wichtigsten Anwendungsgebiete werden diskutiert. Es folgen die Grundlagen der<br />
Mustererkennung mit der Erläuterung von Äquivalenzklassen, der lageinvarianten<br />
Merkmalsgewinnung sowie Eigenschaften wie Vollständigkeit und Separierbarkeit. In dem<br />
darauf folgenden Kapitel werden schnelle nichtlineare Algorithmen zur<br />
translationsinvarianten Klassifikation von Graubildern behandelt. Danach werden für<br />
Konturbilder ähnlichkeits- und affininvariante Merkmale hergeleitet und diese sogenannten<br />
Fourierdeskriptoren in ihren Abbildungseigenschaften und ihrer mathematischen<br />
Berechnungskomplexität untersucht. Der letzte Abschnitt behandelt den optimalen Entwurf<br />
von Klassifikatoren. Dabei wird sowohl der parametrische stochastische Ansatz (Bayes-<br />
Klassifikator) betrachtet wie auch die Herangehensweise über die Funktionsapproximation<br />
(Polynomiale Regression, Neuronale Netze, Supportvektormaschine).<br />
Studien- und Prüfungsleistungen / Exam requirements<br />
Die Prüfung besteht aus einer Klausur. Erfolgreiche Teilnahme an den Übungen ist<br />
Voraussetzung zur Teilnahme an der Abschlussklausur..<br />
Literatur / Literature<br />
1. H. Burkhardt, Transformationen zur lageinvarianten Merkmalgewinnung, VDI-Verlag,