In den letzten Jahren wurden im Bereich des Bildverstehens (Computer Vision) beeindruckende Fortschritte erzielt. Diese wurden zu einem großen Teil durch die Wiederentdeckung und Weiterentwicklung sogenannter Deep-Learning-Verfahren (insbesondere die Nutzung von Convolutional Neuronalen Netzen) ermöglicht. Deep Learning Verfahren stellen derzeit den Stand der Technik für viele Anwendungsbereiche des Bildverstehens dar.

Die Vorlesung behandelt die Grundlagen, fortgeschrittene Netzarchitekturen und Lernverfahren für Anwendungen im Bereich Computer Vision. Es werden unter anderem folgende Themen behandelt:

- Einführung in Deep Learning

- Convolutional Neuronale Netze (CNN): Grundlagen und Hintergrund

- Grundlegende Architekturen und Lernverfahren für CNNs

- Objekterkennung mit CNNs

- Bildsegmentierung mit CNNs

- Rekurrente Neuronale Netze

- Erzeugen von Bildbeschreibungen (Image Captioning)

- Beantworten von Fragen zu Bildinhalten (Visual Question Answering)

- Generative Adversiale Neuronale Netze (GANs) und Anwendungen

- Deep Learning Frameworks und Tools

Erfolgskontrolle:

Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung (im Umfang von i.d.R. 60 Minuten) nach § 4 Abs. 2 Nr. 1 SPO.

Abhängig von der Teilnehmerzahl wird sechs Wochen vor der Prüfungsleistung angekündigt (§ 6 Abs. 3 SPO), ob die Erfolgskontrolle

• in Form einer mündlichen Prüfung nach § 4 Abs. 2 Nr. 2 SPO oder
• in Form einer schriftlichen Prüfung  nach § 4 Abs. 2 Nr. 1 SPO

stattfindet.

Kenntnisse zu Grundlagen der Mustererkennung, wie sie im Stammmodul Kognitive Systeme vermittelt werden, werden vorausgesetzt.