Probabilistische Graphische Modelle in der Computer Vision

Worum geht's

Du lernst, wie probabilistische grafische Modelle (gerichtet und ungerichtet) zur Modellierung und Lösung typischer Computer-Vision-Probleme eingesetzt werden. Am Ende kannst du MRF/CRF-Modelle verstehen, geeignete Inferenz- und Lernverfahren auswählen und diese auf Aufgaben wie Segmentierung, Pose-Schätzung, Stereo- oder Objekterkennung anwenden.

Was du danach kannst

• Verständnis gerichteter und ungerichteter grafischer Modelle (Bayessche Netze, MRF, CRF)
• Beherrschen von Parameterlernverfahren für MRF/CRF (inkl. gradientenbasierter Methoden und SGA)
• Kenntnis exakter MAP-Inferenzmethoden (Belief Propagation auf Bäumen, sum-product, binäre Graph-cuts)
• Kenntnis approximativer MAP-Inferenzmethoden (loopy BP, mean field, alpha-expansion/-beta-swap, LP-Relaxierungen)
• Fähigkeit, Inferenz- und Lernverfahren praktisch anzuwenden und zu implementieren

Aus was das Modul besteht

• VorlesungVermittlung des theoretischen Hintergrunds
• ÜbungenPraktische Aufgaben zur Vertiefung des Vorlesungsstoffs und zur Implementierung

Lehrmethode

• VorlesungErklärung des theoretischen Hintergrunds
• ÜbungsaufgabenAnwenden und Vertiefen der Vorlesungsinhalte durch praktische Probleme