| ENDÜSTRİ 4.0 (İNGİLİZCE, TEZSİZ) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| EEE6531 | Görüntü Anlama | Güz | 3 | 0 | 3 | 12 |
| Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
| Öğretim Dili: | En |
| Dersin Türü: | Departmental Elective |
| Dersin Seviyesi: | LİSANSÜSTÜ |
| Dersin Veriliş Şekli: | Yüz yüze |
| Dersin Koordinatörü: | Dr. Öğr. Üyesi ZAFER İŞCAN |
| 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. |
|
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. |
| 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. |
| 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 | ||
| Ders Notları: | 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. |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Devam | % 0 | |
| Laboratuar | % 0 | |
| Uygulama | % 0 | |
| Arazi Çalışması | % 0 | |
| Derse Özgü Staj | % 0 | |
| Küçük Sınavlar | % 0 | |
| Ödev | 3 | % 10 |
| Sunum | % 0 | |
| Projeler | 1 | % 25 |
| Seminer | % 0 | |
| Ara Sınavlar | 1 | % 25 |
| Ara Juri | % 0 | |
| Final | 1 | % 40 |
| Rapor Teslimi | % 0 | |
| Juri | % 0 | |
| Bütünleme | % 0 | |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 35 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 65 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 3 | 42 |
| Laboratuvar | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Derse Özgü Staj | 0 | 0 | 0 |
| Arazi Çalışması | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışması | 14 | 4 | 56 |
| Sunum / Seminer | 0 | 0 | 0 |
| Proje | 1 | 15 | 15 |
| Ödevler | 3 | 10 | 30 |
| Küçük Sınavlar | 0 | 0 | 0 |
| Ara Juri | 0 | 0 | 0 |
| Ara Sınavlar | 1 | 3 | 3 |
| Rapor Teslimi | 0 | 0 | 0 |
| Juri | 0 | 0 | 0 |
| Final | 1 | 3 | 3 |
| Toplam İş Yükü | 149 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |