Worum geht's
Du lernst theoretische Grundlagen und moderne Machine‑Learning‑Methoden für 3D‑geometrische Daten kennen. Das Modul behandelt Repräsentationen von Formen und Szenen sowie Deep‑Learning‑Architekturen für diskriminative und generative Aufgaben wie Klassifikation, Segmentierung, Rekonstruktion und Synthese. Am Ende kannst du gängige Ansätze auf Punktwolken, Volumendaten, Multi‑View‑Eingaben und Graphen verstehen und praktisch anwenden.
Was du danach kannst
- Theoretische Konzepte von ML für 3D‑Geometrie verstehen
- Deep‑Learning‑Architekturen für diskriminative und generative Aufgaben kennen
- Modelle für verschiedene 3D‑Repräsentationen analysieren (Punktwolken, Graphen, Volumen, Multi‑View)
- Praktische Implementierungsmethoden anwenden und in realen Aufgaben testen
Aus was das Modul besteht
- VorlesungVermittlung der theoretischen Grundlagen zu Form‑ und Szenenanalyse sowie Deep‑Learning‑Architekturen
- Übungen / HomeworkVertiefung und praktische Anwendung des Vorlesungsstoffs in Form von Aufgaben
- AbschlussprojektEigenes kleines Forschungsprojekt über die letzten zwei Monate zur praktischen Demonstration des Gelernten (z.B. Rekonstruktion aus Einzelbild, semantische Segmentierung)
Lehrmethode
- VorlesungErklärung der Theorie und Diskussion praktischer Anwendungen
- Übungsaufgaben (Hausaufgaben)Vertiefung und Einübung der Konzepte
- ProjektarbeitPraktische Anwendung und selbstständiges Umsetzen einer Fragestellung als Hands‑on‑Erfahrung