Popis předmětu - XP33VTP
Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
Vyšší kreditové hodnocení předmětu vyplývá z velkého množství samostatné práce doktorandů.
| XP33VTP | Počítačové vidění – Teorie a praxe | ||
|---|---|---|---|
| Role: | S | Rozsah výuky: | 2S |
| Katedra: | 13133 | Jazyk výuky: | EN |
| Garanti: | Chum O. | Zakončení: | ZK |
| Přednášející: | Chum O. | Kreditů: | 4 |
| Cvičící: | Chum O. | Semestr: | L |
Anotace:
V průběhu kurzu budou studovány vybrané "state of the art" metody využívané v počítačovém vidění, které mají volně k dispozici efektivní implementaci. Převážně půjde o obecné metody, které byly použity v různých úspěšných aplikacích, například vyhledávání ve vysokodimenzionálních prostorech, hluboké neuronové sítě, či grafové značkovací algoritmy. Konkrétní metody se upravují dle současných publikací a také částečně dle zájmu studentů. Cílem pro studenty bude porozumět metodě, porozumět implementaci a umět metodu použít jako nástroj k řešení dalších problémů.Obsah:
V průběhu kurzu budou studovány vybrané "state of the art" metody využívané v počítačovém vidění, které mají volně k dispozici efektivní implementaci. Převážně půjde o obecné metody, které byly použity v různých úspěšných aplikacích, například vyhledávání ve vysokodimenzionálních prostorech, hluboké neuronové sítě, či grafové značkovací algoritmy. Konkrétní metody se upravují dle současných publikací a také částečně dle zájmu studentů. Cílem pro studenty bude porozumět metodě, porozumět implementaci a umět metodu použít jako nástroj k řešení dalších problémů.Osnovy přednášek:
Výuka probíhá ve dvou částech. První je podobná reading group – studenti samostatně studují publikace, které jsou následně diskutovány na přednášce. Ve druhé, praktické části, studenti použijí konkrétní implementaci k řešení zadaného problému. Tato řešení a jejich vlastnosti jsou opět diskutovány na přednášce. Předmět očekává znalosti algoritmů, datových struktur, schopnost samostatného studia. Svým rozsahem a náročností je vhodný pro doktorandy jako příprava pro vědeckou práci, nevhodný pro běžné studenty magisterského studia. Příklad probíraných metod:| 1. | Marius Muja and David G. Lowe: “Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration”, in International Conference on Computer Vision Theory and Applications (VISAPP'09), 2009 | |
| 2. | Herve Jegou, Matthijs Douze, Cordelia Schmid: “Product quantization for nearest neighbor search”, PAMI 2011. | |
| 3. | Wei Dong, Moses Charikar, Kai Li : “Efficient K-Nearest Neighbor Graph Construction for Generic Similarity Measures.” In Proc. of the International conference on World Wide Web (WWW). New York, NY. 2011. | |
| 4. | Jeff Johnson, Matthijs Douze, Hervé Jégou: “Billion-scale similarity search with GPUs” 2017 |
Osnovy cvičení:
Literatura:
Liší se dle probíraných článků, seznam literatury na www stránkách předmětu, případně relevantní reference v jednotlivých článcích.Požadavky:
Předmět je zahrnut do těchto studijních plánů:
| Plán | Obor | Role | Dop. semestr |
| DOKP | Před zařazením do oboru | S | – |
| DOKK | Před zařazením do oboru | S | – |
| Stránka vytvořena 3.12.2024 17:51:08, semestry: L/2024-5, L/2023-4, Z/2024-5, Z/2025-6, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: I. Halaška (K336), J. Novák (K336) |