BAHÇEŞEHİR ÜNİVERSİTESİ BİLGİ PAKETİ / DERS KATALOĞU
| ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ (İNGİLİZCE, BÜTÜNLEŞİK DOKTORA) | |||||
| Doktora | TYYÇ: 8. Düzey | QF-EHEA: 3. Düzey | EQF-LLL: 8. Düzey | ||
Ders Tanıtım Bilgileri
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| EEE6531 | Görüntü Anlama | Güz Bahar |
3 | 0 | 3 | 12 |
| Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir. |
Temel Bilgiler
| Öğretim Dili: | İngilizce |
| Dersin Türü: | Departmental Elective |
| Dersin Seviyesi: | LİSANSÜSTÜ |
| Dersin Veriliş Şekli: | Yüz yüze |
| Dersin Koordinatörü: | Dr. Öğr. Üyesi ZAFER İŞCAN |
| Opsiyonel Program Bileşenleri: | Yok. |
| Dersin Amacı: | Bu dersin amacı imge işleme ve bilgisayarlı görmedeki ileri seviyedeki yöntemleri ve kavramları öğrenmektir. Teorik bilginin yanı sıra öğrenciye kendi deneyerek öğrenebilmesi için projeler de verilecektir. |
Öğrenme Kazanımları
|
Bu dersi başarıyla tamamlayabilen öğrenciler; 1. İleri bilgisayarlı görme problmelerini ve uygulamalarını tartışır. 2. İleri seviyede öznitelik çıkarma yöntemleri tasarlar. 3. Markov Rasgele Alanlar ve Graph tabanlı yaklaşımlar gibi ileri bölütleme yöntemlerini tasvir eder. 4. Hareketten şekil kestirimi için direk yöntemleri tanımlar. 5. Ayrıştırma ile hareketten şekil kestirimi yöntemlerini tanımlar. 6. Çoklu hareket bölütleme algoritmalarını tartışır. 7. Gölgelenmeden şekil kestirimini tanımlar. 9. Stereo görüntü prensiplerini uygular. 10. 2 boyutlu nesne tanıma yaklaşımlarını tanımlar. 11. Yüz tanıma algoritmalarını uygular. |
Dersin İçeriği
| Optimal kenar, şekil ve iskelet özniteliklerinin çıkarılması; bölütleme: Markov Rasgele alanlar, filtreleme yöntemleri, grafik tabanlı yöntemler, camera modelleri, kalibrasyon, MRF; Parçacık filtreleri, hareketten şekil kestirimi, optik akış, gölgeden şekil kestirimi, stereo, 2B nesne tanıma, yüz tanıma. |
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konu | Ön Hazırlık |
| 1) | Optimal kenar, şekil ve iskelet öznitelikleri. | |
| 2) | Bölütleme - Markov Rastgele Alanlar, filtreleme yöntemleri, grafik tabanlı yöntemler | |
| 3) | Kamera Modelleri, kalibrasyon ve optimizasyon | |
| 4) | MRF ve benzetilmiş soğuma | |
| 5) | Parçacık süzgeçleri, sıralı öneme dayalı örnekleme | |
| 6) | İzleme için PF yöntemleri | |
| 8) | Hareketten Şekil Kestirimi - Temel Yaklaşımlar | |
| 10) | Çoklu Hareket Bölütleme | |
| 11) | Gölgelerden şekil kestirimi | |
| 12) | Stereo görüntüleme | |
| 13) | 2B nesne tanıma | |
| 14) | Yüz Tanıma |
Kaynaklar
| Ders Notları / Kitaplar: | Research papers Computer Vision: A Modern Approach (2nd Edition), David A. Forsyth and Jean Ponce, Prentice Hall, 2011. |
| Diğer Kaynaklar: | Computer Vision: Algorithms and Applications, Richard Szeliski, Springer, 2011. |
Değerlendirme Sistemi
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ödev | 3 | % 10 |
| Projeler | 1 | % 25 |
| Ara Sınavlar | 1 | % 25 |
| Final | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 35 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 65 | |
| Toplam | % 100 | |
AKTS / İş Yükü Tablosu
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışması | 14 | 4 | 56 |
| Proje | 1 | 15 | 15 |
| Ödevler | 3 | 10 | 30 |
| Ara Sınavlar | 1 | 3 | 3 |
| Final | 1 | 3 | 3 |
| Toplam İş Yükü | 149 | ||
Program ve Öğrenme Kazanımları İlişkisi
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |