Kombinatorische Optimierung in Computer Vision

Worum geht's

Du lernst, wie viele Probleme der Computer Vision als kombinatorische Optimierungsaufgaben formuliert werden, insbesondere über Markov Random Field (MRF)-Modelle. Du wirst sowohl polynomiell lösbare Fälle als auch NP-schwere Aufgaben kennenlernen und Methoden zur exakten sowie approximativen Lösung anwenden, z.B. für Segmentierung, Optischen Fluss, Stereo und Shape Matching.

Was du danach kannst

• MRF-Modellierung für Multilabel-Probleme
• Anwendung pseudoboolscher Optimierungstechniken
• Kenntnis polynomieller Algorithmen für quadratisch submodulare Probleme
• Verständnis und Einsatz von Approximationsverfahren (z. B. alpha-expansion, belief propagation)
• Anwenden der Methoden auf typische Vision-Aufgaben (Segmentierung, Stereo, optischer Fluss)

Aus was das Modul besteht

• VorlesungVermittlung der theoretischen Grundlagen zu MRFs und kombinatorischer Optimierung
• Übungen (Theorie & Programmierung)Vertiefung und praktische Anwendung der Methoden; Programmieraufgaben

Lehrmethode

• VorlesungEinführung und Erklärung theoretischer Konzepte
• Übungen (Theorie & Programmierung)Anwendung der Theorie in Aufgaben und Implementationen