02501 Videregående Deep Learning i Computer Vision

2024/2025

Kursusinformation
Advanced Deep Learning in Computer Vision
Engelsk
5
Kandidat
Kurset udbydes som enkeltfag
Retningsspecifikt kursus (MSc), Autonomous Systems
Retningsspecifikt kursus (MSc), Human-Centered Artificial Intelligence
Retningsspecifikt kursus (MSc), Mathematical Modelling and Computation
Teknologisk specialisering (MSc), Human-Centered Artificial Intelligence
F4A (tirs 13-17)
Campus Lyngby
Forelæsninger, praktiske opgaver og projekter.
13-uger
F4A
Skriftlig eller mundtlig eksamen
Mundtlig eller skriftlig eksamen. Eksamen er mundtlig, medmindre der er så mange deltagere, at det bliver upraktisk. I dette tilfælde vil der være en skriftlig eksamen sammen med en vurdering af det afsluttende projekt.
Skriftlig eksamen: 3 timer
Alle hjælpemidler - uden adgang til internettet
7-trins skala , intern bedømmelse
02450.02456.02516 , 02450, 02456, 02516 eller tilsvarende (især forventer vi at du er erfaren med at træne neurale netværk for computer vision på brugerdefineret data ved hjælp af PyTorch på en remote server)
Minimum 8
Dimitrios Papadopoulos , Lyngby Campus, Bygning 324 , dimp@dtu.dk
Aasa Feragen , afhar@dtu.dk
Morten Rieger Hannemose , Lyngby Campus, Bygning 324 , mohan@dtu.dk
01 Institut for Matematik og Computer Science
I studieplanlæggeren
Overordnede kursusmål
At give viden om avancerede deep learning metoder og modeller for computer vision, samt at give kompetencer til at anvende disse teknikker i forskellige anvendelser.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • Udvælge, implementere og bruge state-of-the-art deep learning arkitekturer for klassiske computer vision opgaver så som klassifikation, segmentering og objektgenkendelse
  • Anvende og undersøge deep learning modeller der kombinerer billeddata med andre modaliteter, så som tekst
  • Implementere deep learning modeller for temporal billed data, så som videoer
  • Forklare og implementere dype generative modeller for billedsyntese
  • Beskrive, implementere og sammenligne alternative metoder for at træne deep learning modeller i situationer med begrænset adgang til data
  • Vurdere kvaliteten af deep learning modeller både fra performance-synspunkt samt ansvarlig AI/etisk synspunkt
  • Præsentere projekter og tilhørende resultater skriftligt og mundtligt
  • Diskutere styrker, svagheder og samfundsmessige konsekvenser af state-of-the-art deep learning modeller.
Kursusindhold
Kurset giver en introduktion til avancerede emner indenfor deep learning for computer vision. Derfor vil øvelsernes fokus ligge på at implementere algoritmer og at bruge disse til at løse praktiske problemer indenfor computer vision indenfor emner så som: billedgenkendelse, sekvensiel data, generative modeller, videoforståelse, forklarbarhed og retfærdig AI.
Sidst opdateret
02. maj, 2024