Όραση Υπολογιστών & Γραφικά¶

Επίσημο περίγραμμα μαθήματος του ΤΜΗΥΠ (Πανεπιστήμιο Πατρών), όπως δημοσιεύεται στη σελίδα του μαθήματος και στο συνημμένο αρχείο «Περίγραμμα Μαθήματος». Το κείμενο παρατίθεται αυτούσιο, χωρίς τα πρότυπα οδηγιών του εντύπου.

Στόχοι¶

Στο μάθημα παρουσιάζονται οι βασικές έννοιες που αφορούν την Όραση των υπολογιστών. Αποτελεί ένα μάθημα επιλογής του Τομέα Υλικού και Αρχιτεκτονικής των Υπολογιστών του Τμήματος. Α. Θεωρία Ο φοιτητής που ολοκληρώνει επιτυχώς το μάθημα μπορεί να :
κατανοεί θεμελιώδη προβλήματα της όρασης των υπολογιστών
χρησιμοποιεί μαθηματικά μοντέλα και αλγόριθμους για την επίλυση τους Β. Εργαστηριακή Άσκηση Ο φοιτητής που ολοκληρώνει επιτυχώς τις εργαστηριακές ασκήσεις του μαθήματος μπορεί να:
χρησιμοποιεί μαθηματικά εργαλεία που βοηθούν στην αναλυτική μελέτη και μοντελοποίηση βασικών αλγορίθμων της όρασης υπολογιστών και της γραφικής
υλοποιεί αλγορίθμους της όρασης των υπολογιστών στα περιβάλλοντα MATLAB, Python OpenCV, Pytorch, Tensorflow
εκσφαλματώνει τους υλοποιούμενους αλγορίθμους και να πιστοποιεί τη σωστή λειτουργία τους

Περιεχόμενο (ύλη)¶

Α. Διαλέξεις Μεταξύ άλλων, στο πλαίσιο του μαθήματος καλύπτονται τα ακόλουθα:

Υπολογιστική Όραση, Σχηματισμός εικόνων και οπτικοί αισθητήρες
Στοιχεία Προοπτικής Γεωμετρίας, Βαθμονόμηση κάμερας, ορθογραφική προβολή σκηνής, γραμμικοί και μη-γραμμικοί αλγόριθμοι εκτίμησης εσωτερικών και εξωτερικών παραμέτρων κάμερας.
Φωτομετρία, Σκίαση και Χρώμα.
Παραμετρικές Καμπύλες και Επιφάνειες
Πολυδιάστατα συστήματα επεξεργασίας. Πολυδιάστατα γραμμικά Συστήματα και ανάλυση Fourier με έμφαση στα φίλτρα Gabor και μετασχηματισμών κυματιδίων. Ανάλυση εικόνων σε πολλαπλές κλίμακες, πυραμίδες εικόνων.
Στερέοψη και γεωμετρία πολλαπλών εικόνων, ανακατασκευή σκηνής από δύο εικόνες και από πολλαπλές εικόνες.
Ευθυγράμμιση- στοίχιση, Γεωμετρικές Παραμορφώσεις Εικόνων, Μετασχηματισμοί Affine, Μετασχηματισμοί Προβολής, Μωσαϊκά, Μεταμόρφωση εικόνων.
Αντιστοίχιση με χρήση Χαρακτηριστικών (Features), Εντοπισμός Χαρακτηριστικών , Εύρεση Αντίστοιχων Χαρακτηριστικών, Χρήση των Αντίστοιχων σημείων για Στοίχιση, Επιθυμητές Ιδιότητες Ανιχνευτών, Επιθυμητές Ιδιότητες Περιγραφέων, Ανιχνευτής Γωνιών του Harris,Μητρώο Αυτο-Συσχέτισης και ανάλυση Ιδιοτιμών του. Χαρακτηριστικά Γωνιών και Σταγόνων, Χαρακτηριστικά Αμετάβλητα σε αλλαγές Κλίμακας και Μετασχηματισμός Αμετάβλητος σε άλλαγές Κλίμακας (SIFT), Ανιχνευτές Laplacian, DoG, SURF
Σύνθεση εικόνας υψηλής ευκρίνειας, από ακολουθία εικόνων χαμηλής ευκρίνειας.
Εκτίμηση οπτικής ροής και Κίνησης.
Μηχανική Μάθηση, Είδη μηχανικής μάθησης, Κλασσικά Νευρωνικά Δίκτυα, Νευρωνικά Δίκτυα Βαθέων Αρχιτεκτονικών (ΝΔΒΑ)
Ανίχνευση Αντικειμένων, Κλασσικές τεχνικές Τεχνικές με Νευρωνικά Δίκτυα Βαθέων Αρχιτεκτονικών (NΔBA) Β. Εργαστηριακές Ασκήσεις
Άσκηση 1: Βασικοί Γεωμετρικοί Μετασχηματισμοί στη MATLAB και η χρήση τους στη δημιουργία κινούμενων εικόνων
Άσκηση 2: Πυραμίδες εικόνων, Αποθορυβοποίηση και εντοπισμός Χαρακτηριστικών
Άσκηση 3: Στερεοσκοπική Αντιστοίχιση Εικόνων
Άσκηση 4: Ευθυγράμμιση εικόνων βασισμένη σε ολόκληρες τις εικόνες, από κοινού ευθυγράμμιση εικόνων
Άσκηση 5: Ευθυγράμμιση εικόνων βασισμένη σε χαρακτηριστικά
Ἀσκηση 6-8: Εξοικείωση στα περιβάλλοντα pytorch ή/και tensorflow.
Ἀσκηση 9-10: Υλοποίηση τεχνικών αιχμής στην ανίχνευση αντικειμένων στα περιβάλλοντα pytorch ή/και tensorflow.

Αξιολόγηση¶

Η αξιολόγηση γίνεται στην Ελληνική γλώσσα και χωρίζεται σε δύο ανεξάρτητα μέρη. Η αξιολόγηση σχετικά με την εμπέδωση της θεωρίας γίνεται μέσω τελικής προφορικής εξέτασης. Η προφορική εξέταση περιλαμβάνει ερωτήσεις σύντομης απάντησης και σε βάθος κατανόησης των βασικών αντικειμένων του μαθήματος. Μετά το πέρας της εξέτασης ανακοινώνονται και αναρτώνται τα αποτελέσματα. Μετά την ανάρτηση των αποτελεσμάτων οι φοιτητές μπορούν να ερωτήσουν για οποιαδήποτε σχετικά απορία έχουν για την βαθμολογία τους και μπορούν ακόμα και να αμφισβητήσουν το βαθμό τους. Η αξιολόγηση της εργαστηριακής ενότητας βασίζεται στη δια ζώσης διαπιστούμενη λειτουργικότητα των αλγορίθμων που αναπτύσσουν και υλοποιούν στο περιβάλλον ΜΑΤLAB οι φοιτητές κατά την εκπόνηση των ασκήσεων.

Βιβλιογραφία¶

Computer Vision: Algorithms and Applications, R. Szelinski Εκδόσεις Springer, 2010
Computer Vision a modern approach, Forsyth, Ponce, Prentice Hall, 2002
Multiple View Geometry in Computer Vision, R. Hartley and A. Zisserman, Cambridge Edition 2004
Computer Vision: Models Learning and Inference, S. J. D. Prince, Cambridge Edition 2012
Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 \url{http://www.deeplearningbook.org}

-Συναφή επιστημονικά περιοδικά και συνέδρια:

IEEE Transactions on Pattern Analysis and Machine Intelligence
IEEE Transactions on Visualization and Computer Graphics
Elsevier Pattern Recognition Letters
CVPR, ΙCCV, ECCV, ACCV, NIPS, ICIP