|
| Code: | 133150 |
| Modul: | Mustererkennung |
| Module title: | Pattern Recognition |
| Version: | 1.0 (12/2009) |
| letzte Änderung: |
09.11.2021 |
| Modulverantwortliche/r: |
Prof. Dr. rer. nat. Bischoff, Stefan
s.bischoff@hszg.de |
|
angeboten in den 3 Studiengängen:
| Informatik (M.Sc.) gültig ab Matrikel 2018 |
Informatik (M.Sc.) gültig ab Matrikel 2020 |
Informatik (M.Sc.) gültig ab Matrikel 2024 |
|
| Modul läuft im: | WiSe (Wintersemester)
|
| Niveaustufe: | Master |
| Dauer des Moduls: | 1 Semester |
| Status: | Wahlpflichtmodul |
| Lehrort: | Görlitz |
| Lehrsprache: | Deutsch |
| Workload* in |
SWS ** |
Semester |
| Zeit- std. | ECTS-
Pkte |
1 |
2 |
3 |
4 |
|
V |
S |
P |
W |
V |
S |
P |
W |
V |
S |
P |
W |
V |
S |
P |
W |
| 150 | 5 | 4.0 |
|
|
2 |
2 |
0 |
0 |
|
| * | Gesamtarbeitsaufwand pro Modul
(1 ECTS-Punkt entspricht einem studentischen Arbeitsaufwand von 30 Zeitstunden) |
| ** | eine Semesterwochenstunde (SWS) entspricht 45 Minuten pro Woche |
| Selbststudienzeit in h |
Angabe gesamt |
davon |
| 105 |
40
Vor- und Nachbereitung LV |
20
Vorbereitung Prüfung |
45
Sonstiges |
|
Lehr- und Lernformen: | Vorlesung, Übung |
| Prüfung(en) |
| Prüfungen | Prüfungsleistung als Beleg (PB) |
- |
50.0% |
| mündliche Prüfungsleistung (PM) |
20 min |
50.0% |
|
| Lerninhalt: |
- Grundlagen der Klassifikation (Erkennung)
- Merkmalsextraktion
- Farb-, Textur- und Formmerkmale
- Top Down und Bottom Up Methoden
- Clusteranalyse
- Principle Component Analysis (PCA)
- Abstandsbasierte Klassifikation
- Entscheidungsbäume
- Statistische Klassifikation
- Lernfähige Klassifikation
- Künstliche Neuronale Netze (NN)
- Support Vector Machine (SVM)
|
| Lernergebnisse/Kompetenzen: |
| Fachkompetenzen: | Die Studierenden sind in der Lage, die fachspezifischen wissenschaftlichen Methoden in sinnvoll prozessuraler Weise anzuwenden. Sie sind fähig, Bilddaten im Rechner zu erfassen, zu repräsentieren, zu komprimieren, zu verarbeiten sowie in ihre Merkmale zu extrahieren. Sie können die formalen Modelle zur Erkennung von Mustern anwenden.
|
| Fachübergreifende Kompetenzen: | Studierende können in Kleingruppen effektiv zusammenarbeiten, um Aufgaben zu lösen. Sie agieren dabei weitgehend selbständig, können auch Konfliktsituationen erkennen und zu deren Auflösung beitragen. |
|
| Notwendige Voraussetzungen für die Teilnahme: | Modul "Mathematische Grundlagen und Wahrscheinlichkeitsrechnung"
Modul "Diskrete Mathematik"
Modul "Angewandte Analysis"
Modul "Programmierparadigmen und Grundkonzepte der Informatik"
Modul "Objektorientierte Programmierung"
Modul "Bildverarbeitung" |
| Empfohlene Voraussetzungen für die Teilnahme: | Programmierkenntnisse in C++ und Umgang mit der Bildverarbeitungsbibliothek OpenCV |
|
| Literatur: |
- Jähne, Bernd: Digitale Bildverarbeitung, Springer-Verlag 2005
- Bradski G., Kaehler A.: Learning OpenCV, O’Reilly Press, September 2008
- Azad P., Gockel T., Dillmann R.: Computer Vision -Das Praxisbuch, Elektor-Verlag GmbH Aachen, 2007
- Chapman D.: Visual C++.NET in 21 Tagen,
Markt + Technik-Verlag 2002
|
