de | en

Computer Vision I: Variational Methods

Modul IN2246

Dieses Modul wird durch Fakultät für Informatik bereitgestellt.

Diese Modulbeschreibung enthält neben den eigentlichen Beschreibungen der Inhalte, Lernergebnisse, Lehr- und Lernmethoden und Prüfungsformen auch Verweise auf die aktuellen Lehrveranstaltungen und Termine für die Modulprüfung in den jeweiligen Abschnitten.

Modulversion vom WS 2011/2

Von dieser Modulbeschreibung gibt es historische Versionen. Eine Modulbeschreibung ist immer so lange gültig, bis sie von einer neuen abgelöst wird.

verfügbare Modulversionen
WS 2015/6SS 2015WS 2011/2

Basisdaten

IN2246 ist ein Semestermodul in Englisch auf Bachelor-Niveau das in jedem Semester angeboten wird.

Das Modul ist Bestandteil der folgenden Kataloge in den Studienangeboten der Physik.

  • Allgemeiner Katalog der nichtphysikalischen Wahlfächer
GesamtaufwandPräsenzveranstaltungenUmfang (ECTS)
240 h 90 h 8 CP

Inhalte, Lernergebnisse und Voraussetzungen

Inhalt

Variational Methods are among the most classical techniques for optimization of cost functions in higher dimension. Many challenges in Computer Vision and in other domains of research can be formulated as variational methods. Examples include denoising, deblurring, image segmentation, tracking, optical flow estimation, depth estimation from stereo images or 3D reconstruction from multiple views.

In this class, I will introduce the basic concepts of variational methods, the Euler-Lagrange calculus and partial differential equations. I will discuss how respective computer vision and image analysis challenges can be cast as variational problems and how they can be efficiently solved. Towards the end of the class, I will discuss convex formulations and convex relaxations which allow to compute optimal or near-optimal solutions in the variational setting.

Lernergebnisse

Upon successful completion of this module, students are provided with a clear understanding of the basic concepts of variational methods, the Euler-Lagrange calculus and partial differential equations. They know how respective computer vision and image analysis challenges can be cast as variational problems and are able to efficiently solve these problems. They understand convex formulations and convex relaxations and are able to compute optimal or near-optimal solutions in the variational setting.

Voraussetzungen

The requirements for the class are knowledge in basic mathematics, in particular multivariate analysis and linear algebra. Some prior knowledge on optimization is a plus but is not necessary.

Lehrveranstaltungen, Lern- und Lehrmethoden und Literaturhinweise

Lehrveranstaltungen und Termine

ArtSWSTitelDozent(en)Termine
VI 6 Computer Vision I: Variational Methods (IN2246) Cremers, D. Häfner, B.
Mitwirkende: Eisenberger, M.Schubert, D.
Mi, 10:30–12:30, Interims II 004
Do, 10:00–12:00, Interims I 102
Di, 10:00–12:00, Interims I 102

Lern- und Lehrmethoden

Vorlesung, Übung, Aufgaben zum Selbststudium

Medienformen

Tutor presentation, interactive problem solving, discussion

Literatur

Hints to the literature will be given throughout the lecture.

Modulprüfung

Beschreibung der Prüfungs- und Studienleistungen

Die Prüfungsleistung wird in Form einer Klausur erbracht. In dieser soll nachgewiesen werden, dass in begrenzter Zeit ein Problem erkannt wird und Wege zu einer Lösung gefunden werden können.

Wiederholbarkeit

Eine Wiederholungsmöglichkeit wird am Semesterende angeboten.

Aktuell zugeordnete Prüfungstermine

Derzeit sind in TUMonline die folgenden Prüfungstermine angelegt. Bitte beachten Sie neben den oben stehenden allgemeinen Hinweisen auch stets aktuelle Ankündigungen während der Lehrveranstaltungen.

Titel
ZeitOrtInfoAnmeldung
Computer Vision I: Variational Methods
Do, 11.4.2019, 10:30 bis 12:30 Interims I: 102
Import bis 1.4.2019 (Abmeldung bis 4.4.2019)
Nach oben