PA228 Machine Learning in Image Processing

Fakulta informatiky
jaro 2023
Rozsah
2/2/1. 4 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
Vyučující
doc. RNDr. Petr Matula, Ph.D. (přednášející)
RNDr. Filip Lux (cvičící)
doc. RNDr. David Svoboda, Ph.D. (cvičící)
Nikomidisz Jorgosz Eftimiu, M.Sc. (pomocník)
doc. RNDr. Martin Maška, Ph.D. (pomocník)
Aleksandra Melnikova (pomocník)
Garance
doc. RNDr. Petr Matula, Ph.D.
Katedra vizuální informatiky – Fakulta informatiky
Dodavatelské pracoviště: Katedra vizuální informatiky – Fakulta informatiky
Rozvrh
Po 13. 2. až Po 15. 5. Po 8:00–9:50 A318; a Pá 19. 5. 10:00–11:50 A318
  • Rozvrh seminárních/paralelních skupin:
PA228/01: Út 14. 2. až Út 9. 5. Út 8:00–9:50 B311, F. Lux, M. Maška, A. Melnikova
PA228/02: Út 14. 2. až Út 9. 5. Út 10:00–11:50 B311, N. Eftimiu, F. Lux, D. Svoboda
Předpoklady
It is recommended to have a basic knowledge of image processing (at least at the level of course PB130), the knowledge of neural networks at the level of course PV021, and basic knowledge of Python.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Předmět si smí zapsat nejvýše 50 stud.
Momentální stav registrace a zápisu: zapsáno: 16/50, pouze zareg.: 0/50, pouze zareg. s předností (mateřské obory): 0/50
Mateřské obory/plány
Cíle předmětu
The objective of the course is to introduce approaches for solving common image processing problems using machine learning methods.
Výstupy z učení
At the end of the course students should be able to: understand, use, and evaluate machine learning models in the area of image processing; know how to employ pre-trained models using transfer learning; how to deal with big datasets that do not fit available memory; and how to prepare data to get relevant results.
Osnova
  • Image classification
  • Object detection
  • Semantic segmentation
  • Instance segmentation
  • Image generation
  • Style transfer
  • Image captioning
  • Image inpainting
  • Video processing
Literatura
  • PLANCHE, Benjamin a Eliot ANDERS. Hands-On Computer Vision with TensorFlow 2: Leverage deep learning to create powerful image processing apps with TensorFlow 2.0 and Keras. Packt Publishing, 2019. ISBN 1-78883-064-4. info
Výukové metody
Lectures followed by class exercises in a computer room to gain hands-on experience.
Metody hodnocení
Mandatory practicals (labs) on computers with mandatory homework. Written final exam with an optional oral part.
Vyučovací jazyk
Angličtina
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Předmět je zařazen také v obdobích jaro 2022, jaro 2024, jaro 2025.