Modulhandbuch (Module manual)

M.184.5334 Deep Learning for Computer Vision
(Deep Learning for Computer Vision)

Koordinator (coordinator):	Prof. Dr. Oliver Müller
Ansprechpartner (contact):	Jan-Peter Kucklick (jan.kucklick[at]uni-paderborn.de)
Credits:	10 ECTS
Workload:	300 Std (h)
Semesterturnus (semester cycle):	SoSe
Studiensemester (study semester):	1-4
Dauer in Semestern (duration in semesters):	1

Lehrveranstaltungen (courses):
	Nummer / Name (number / title)	Art (type)	Kontaktzeit (contact time)	Selbststudium (self-study)	Status (P/WP) (status)	Gruppengröße (group size)
a)	K.184.53341 / Deep Learning for Computer Vision	Seminar			P
Wahlmöglichkeiten innerhalb des Moduls (Options within the module):
Keine

Empfohlene Voraussetzungen (prerequisites):
Solide Kenntnisse in den Bereichen Machine Learning und Programmierung (Python) Solid knowledge in the field of machine learning and programming (Python)

Empfohlene Voraussetzungen (prerequisites):

Solide Kenntnisse in den Bereichen Machine Learning und Programmierung (Python)

Solid knowledge in the field of machine learning and programming (Python)

Inhalte (short description):
Die Verarbeitung von visuellen Daten in Form von Bildern oder Videos hat in den letzten Jahren in vielen Anwendungsbereich enorm an Bedeutung zugenommen. Beispiele sind die Verarbeitung von Kamerabildern in selbstfahrenden Autos, die Automatisierung von Qualitätskontrollen in der Produktion mittels Bildmaterial oder das Katalogisieren und Filtern von Fotos und Videos auf Social Media und E-Commerce Plattformen. Die Aufgabe Wissen aus Bilddaten zu extrahieren ist jedoch äußerst komplex und durch die begrenzten visuellen Fähigkeiten von Computern limitiert. In diesem Seminar erlernen Studierende den aktuellen Stand der Technik im Bereich Computer Vision und Deep Learning (z.B. das Konzept von Convolutional Neural Networks und bewährte Architekturen neuronaler Netze für Bilderkennung, Bildklassifizierung, Segmentierung und Objekterkennung). In Programmierübungen (Python) können die Studierende nicht nur ihr theoretisches Wissen über verschiedene Algorithmen vertiefen, sondern haben auch die Möglichkeit, die erlernten Methoden auf reale Probleme anzuwenden. The processing of visual data in the form of images or videos has become enormously important in many application areas in recent years. Examples include the processing of camera images in self-driving cars, the automation of quality controls in production using image material or the cataloguing and filtering of photos and videos on social media and e-commerce platforms. However, the task of extracting knowledge from image data is extremely complex and limited by the visual capabilities of computers. In this seminar, students learn the state of the art in computer vision and deep learning (e.g. the concept of Convolutional Neural Networks and state-of-the-art neural network architectures for image recognition, image classification, segmentation and object recognition). In programming exercises (Python), students can not only deepen their theoretical knowledge of various algorithms, but also have the opportunity to apply the methods they have learned to real-world problems.

Inhalte (short description):

Die Verarbeitung von visuellen Daten in Form von Bildern oder Videos hat in den letzten Jahren in vielen Anwendungsbereich enorm an Bedeutung zugenommen. Beispiele sind die Verarbeitung von Kamerabildern in selbstfahrenden Autos, die Automatisierung von Qualitätskontrollen in der Produktion mittels Bildmaterial oder das Katalogisieren und Filtern von Fotos und Videos auf Social Media und E-Commerce Plattformen. Die Aufgabe Wissen aus Bilddaten zu extrahieren ist jedoch äußerst komplex und durch die begrenzten visuellen Fähigkeiten von Computern limitiert. In diesem Seminar erlernen Studierende den aktuellen Stand der Technik im Bereich Computer Vision und Deep Learning (z.B. das Konzept von Convolutional Neural Networks und bewährte Architekturen neuronaler Netze für Bilderkennung, Bildklassifizierung, Segmentierung und Objekterkennung). In Programmierübungen (Python) können die Studierende nicht nur ihr theoretisches Wissen über verschiedene Algorithmen vertiefen, sondern haben auch die Möglichkeit, die erlernten Methoden auf reale Probleme anzuwenden.

The processing of visual data in the form of images or videos has become enormously important in many application areas in recent years. Examples include the processing of camera images in self-driving cars, the automation of quality controls in production using image material or the cataloguing and filtering of photos and videos on social media and e-commerce platforms. However, the task of extracting knowledge from image data is extremely complex and limited by the visual capabilities of computers. In this seminar, students learn the state of the art in computer vision and deep learning (e.g. the concept of Convolutional Neural Networks and state-of-the-art neural network architectures for image recognition, image classification, segmentation and object recognition). In programming exercises (Python), students can not only deepen their theoretical knowledge of various algorithms, but also have the opportunity to apply the methods they have learned to real-world problems.

Lernergebnisse (learning outcomes):

Fachkompetenz Wissen (professional expertise):
Studierende... kennen die Herausforderungen bei der automatischen Analyse von Bildern kennen verschiede Bildanalysetechniken und können die zugrundeliegende Logik beschreiben und verstehen kennen Stärken und Schwächen verschiedener Analysetechniken und können diese gezielt evaluieren Students... are aware of the challenges in the automatic analysis of images. already know various image analysis techniques and can describe and understand the underlying logic know the strengths and weaknesses of various analysis techniques and can evaluate them systematically
Fachkompetenz Fertigkeit (practical professional and academic skills):
Studierende... sammeln und extrahieren visuelle Daten aus dem Web oder unternehmensinterne Datenquellen bereinigen und transformieren Bilddaten, um sie für die statistische Analysen nutzbar zu machen wenden Bildanalyse auf vorgegebene Datensätze an Students... collect and extract visual data from the web or company data sources. cleanse and transform image data to make it usable for statistical analysis apply image analysis to given data sets
Personale Kompetenz / Sozial (individual competences / social skills):
Studierende... lösen Geschäftsprobleme (z.B. im Marketing oder Qualitätsmanagement) durch die Erfassung und Analyse von Bilddaten lösen gemeinsam im Team realistische Geschäftsprobleme Students... solve business problems (e.g. in marketing or quality management) by capturing and analysing image data. solve realistic business problems together in a team
Personale Kompetenz / Selbstständigkeit (individual competences / ability to perform autonomously):
Studierende... wählen die richtige Bildanalyse-Technik für ein vorgegebenes Problem aus bewerten die Qualität der Bildanalyse-Ergebnisse sind sich der Grenzen der automatisierten Analyse von Bildmaterial bewusst Students... select the correct image analysis technique for a given problem evaluate the quality of image analysis results are aware of the limitations of automated image analysis

Prüfungsleistungen (examinations)
Art der Modulprüfung (type of modul examination): Modulteilprüfungen
	Art der Prüfung (type of examination)	Umfang (extent)	Gewichtung (weighting)
a)	Seminararbeit/Seminar paper	20-30 Seiten/pages	60.00 %
b)	Präsentation	30 MInuten/minutes	40.00 %

Studienleistung / qualifizierte Teilnahme (module participation requirements)
Nein

Voraussetzungen für die Teilnahme an Prüfungen (formal requirements for participating in examinations)
Keine

Voraussetzungen für die Vergabe von Credits (formal requirements for granting credit points)
Die Vergabe der Credits erfolgt, wenn die Modulnote mindestens „ausreichend“ ist

Gewichtung für Gesamtnote (calculation of overall grade)
Das Modul wird mit der Anzahl seiner Credits gewichtet (Faktor: 1)

Verwendung des Moduls in den Studiengängen (The module can be selected in the following degree programmes)
M.Sc. Management Information Systems M.Sc. Wirtschaftsinformatik

Umfang QT (participation requirements):

Lernmaterialien, Literaturangaben (learning material, literature):

Teilnehmerbegrenzung (participant limit):
Keine

Sonstige Hinweise (additional information):
ACHTUNG! Dieses Modul wird nicht mehr angeboten! Alternativ hierzu bieten wir ab dem Sommersemester 2024 das Modul M.184.5335 Real-World Machine Learning an. Alle Infos zu dem neuen Modul demnächst im Modulhandbuch!

Zum Seitenanfang