I dette kursus vil du få praktisk erfaring med at benytte deep learning modeller til billedanalyse med et fokus på betydningen af data håndteringen. Det underliggende datasæt er afgørende for at opnå effektive deep learning modeller, og du vil lære om at forbedre datasæts, evaluere label kvalitet samt vurdere indflydelsen på modellerne brugbarhed. Kurset dækker forskellige metoder herunder billede-segmentering, klassifikation, detektion i 2D og 3D billeder, og er derfor relevant for anvendelser indenfor bl.a. forskning i medicin, biologi samt materialer. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• vælge og implementere passende deep learning-baserede metoder til billedsegmentering, klassificering og detektionsproblemer,
• vælge og implementere passende værktøjer til at inspicere og fortolke træning og resultater af deep learning metoder,
• organisere data til dyb læring for at vurdere træning, validering, test og balance i data,
• vælge og bruge værktøjer til effektiv annotering af data,
• planlægge billedanalysepipeline, herunder problembeskrivelse, indledende undersøgelse og plan for implementering af deep learning-metoder,
• beregne strukturelle mål fra udtrukne billedfeatures,
• kvantificere målte strukturer og præsentere relevant statistik,
• bruge high performance computing til træning af deep learning modeller
• sammenligne forskellige metoder til billede-indkodning for at identificere mønstre, afvigelser og sammenhænge i et datasæt

Efter at have gennemført dette kursus, vil du være i stand til at benytte deep learning modeller til at analysere 2D og 3D billeder samt at udtrække kvantitativ information fra dem. Du vil få viden om relevante eksisterende deep learning modeller, hvordan de kan anvendes og gen-trænes, samt hvordan man kan forberede et datasæt. Strukturering af data er et kerne-element i deep learning, og du vil få erfaring med annoterings-værktøjer til forberedelse og forbedring af billeder til segmentering, klassifikation samt detektion. Du vil undersøge billede indkodning og grupperings-teknikker til at evaluere et datasæts varians og kvalitet, samt benytte Python til at implementere scripts der løser analyse-opgaver baseret på eksisterende biblioteker og funktioner. Kursusnoter. 02. maj, 2025