Mange computer vision opgaver, som traditionelt har været løst med algoritmer baseret på designede features bliver nu løst med brug af deep learning. Dette inkluderer opgaver som objektdetektion, segmentering og klassifikation. I dette kursus vil den studerende lære om disse opgaver, og hvordan de løses med deep learning. Det vil gøre de studerende i stand til at identificere og beskrive et problem indenfor computer vision, løse det med brug af en relevant neutralt netværksarkitektur og analysere kvaliteten af løsningen. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Definere hvad deep learning er og forklare forskellen mellem deep learning modeller og traditionelle machine learning modeller baseret på hånd-designede features for computer vision.
• Udvælge og implementere en passende convolutional neural netværksarkitektur for klassifikation, lokalisering og segmentering.
• Fortolke og illustrere interne repræsentationer i et convolutional neuralt netværk
• Demonstrere kendskab til og brug af populære teknikker brugt til træning af neurale netværk.
• Finde passende træningsdata for et givent problem samt anvende relevant data augmentation.
• Sætte convolutional neurale netværk op til at træne med brugerdefineret data på en remote server.
• Bestemme og analysere hvor godt et convolutional neuralt netværk virker.
• Definere og implementere adverserielle angreb for at fremhæve ustabilitet i neurale netværk
• Definere, implementere og diskutere attributions-baserede metoder fra forklarbar kunstig intelligens

Kurset indeholder forelæsninger og øvelser om neurale netværk for computer vision. Øvelserne tager den studerende fra en konkret problemstilling indenfor computer vision til en løsning baseret på neurale netværk. Der dækkes emner indenfor billedgenkendelse og -forståelse så som billedklassifikation, objektgenkendelse og semantisk segmentering. 02. maj, 2025