Visual Computing

Studienorganisation

Studiensemester:  5

Turnus:  Wintersemester, jährlich

Schwerpunkt:  Studienschwerpunkt Medien-Programmierung

Modultyp:  Pflichtveranstaltung Studienschwerpunkt Medienprogrammierung

Lehrform:  Vorlesung/Workshop

Sprache:  Deutsch

Kompetenzen/Lernziele 

Lernziele
Nach erfolgreichem Abschluss des Moduls sollen die Studierenden:

• Die wesentlichen Konzepte des Visual Computing verstanden haben.
• Praktische Fähigkeiten in der Anwendung von grundlegenden Bildverarbeitungs- und Bildanalyseverfahren erworben haben.
• Die Fähigkeit haben, neuronale Netze für spezifische Aufgaben des Bildverstehens zu konzipieren und zu trainieren.
• Generative Verfahren zur Bilderzeugung zu verstehen und in der Praxis anwenden zu können.
• Verschiedene Techniken zur Text-to-Image-Konvertierung zu kennen und deren Vor- und Nachteile einschätzen zu können.
• Methoden der Visualisierung nutzen können, um komplexe Datensätze verständlich darzustellen und zu analysieren.

Lernergebnisse und Kompetenzen
Nach erfolgreichem Besuch dieser Lehrveranstaltung sind Sie in der Lage:

• Muster und Objekte in Bilddaten mittels verschiedener Verfahren, wie neuronalen Netzen und traditionellen Methoden, zu erkennen.
• Fortgeschrittene Verfahren der künstlichen Intelligenz, wie Convolutional Neural Networks, anzuwenden und deren Ergebnisse zu interpretieren.
• Komplexe Datensätze mithilfe von Visual Analytics-Methoden zu projizieren und zu visualisieren, um daraus relevante Informationen zu extrahieren.
• Verschiedene Methoden zur computergenerierten Bilderzeugung, inklusive GANs und VAEs, zu verstehen und anzuwenden.
• Techniken zur Text-to-Image-Konvertierung zu erklären und praktisch umzusetzen.

Inhalte 

Einführung
Übersicht Teilgebiete des Visual Computing

Bildverarbeitung
Grundlagen der digitalen Bildverarbeitung, Farben und Farbmodelle, Filter, Fouriertransformation und Frequenzanalyse, Kanten und Kantenerkennung

Bildanalyse / Computer Vision
Mustererkennung mit Neuronalen Netzen, Filter, Convolutional Neural Networks

Bilderzeugung
Bilderzeugung aus Modellen, Generative Verfahren (GANs, VAEs), Text-to-Image

Visuelle Darstellung / Visual Analytics
Datenvisualisierungsverfahren, Projektionsverfahren (PCA, t-SNE, UMAP)

Im Labor werden Übungen und Versuche passend zu den Themen der Vorlesung (z.B. Entwicklung Bilderkennungsmodell, …) behandelt.

Arbeitsaufwand

4 SWS, 5,0 Creditpoints (CP)

60 h Präsenzstudium, 90 h Eigenstudium

Prüfung

Art der Prüfung:  Prüfungsleistung

Prüfungsform:  SP(HA)

Labor zur Anerkennung des Moduls nötig: 

Literatur 

• Unterlagen zur Vorlesung
• Online-Ressourcen und wissenschaftliche Artikel aus Journals und Preprints (werden in der Veranstaltung bekanntgegeben)

Voraussetzungen

Voraussetzungen lt. Prüfungs- und Studienordnung 

Orientierungsprüfung

empfohlene Voraussetzungen 

• Modul "Einführung in die Künstliche Intelligenz"

Verantwortliche Dozierende

Modulverantwortliche(r):  Prof. Dr. Marc Aubreville

Dozent(in):  Prof. Dr. Marc Aubreville