DD2427 Bildbaserad igenkänning och klassificering 6,0 hp
Image Based Recognition and Classification
En kurs i datalogi som behandlar grundläggande teori, modeller och metoder för klassificering av data med speciell inriktning mot igenkänning av objekt i bilder.
Utbildningsnivå
Avancerad nivåKursnivå (A-D)
DHuvudområde
Betygsskala
A, B, C, D, E, FX, F
Kurstillfällen/kursomgångar
VT13 TMAIM för programstuderande
Perioder
VT13 P4 (6,0 hp)
Anmälningskod
60243Kursen startar
2013 vecka: 12Kursen slutar
2013 vecka: 21Undervisningsspråk
EngelskaCampus
KTH CampusAntal föreläsningar
Antal övningar
Undervisningstid
DagtidUndervisningsform
NormalAntal platser
Ingen begränsningSchema
Schema (nytt fönster)Lärare
Josephine Sullivan <sullivan@kth.se>
Målgrupp
Obligatorisk för TMAIM Master Maskininlärning, spår Perception och Kognition men öppen för andra program.
Modulschema i modul D och I.
Del av program
- Civilingenjör och lärare, åk 4, MADA, Villkorligt valfri
- Civilingenjörsutb i medieteknik, åk 4, Rekommenderad
- Masterprogram, datalogi, åk 1, CSCA, Villkorligt valfri
- Masterprogram, inbyggda system, åk 1, Villkorligt valfri
- Masterprogram, maskininlärning, åk 1, MAIA, Obligatorisk
- Masterprogram, maskininlärning, åk 1, MAIB, Villkorligt valfri
- Masterprogram, maskininlärning, åk 1, MAIC, Villkorligt valfri
- Masterprogram, människa-datorinteraktion, åk 1, HCIB, Valfri
- Masterprogram, systemteknik och robotik, åk 1, Rekommenderad
- Masterprogram, systemteknik och robotik, åk 2, Rekommenderad
VT14 bik14 för programstuderande
Perioder
VT14 P4 (6,0 hp)
Anmälningskod
60094Kursen startar
2014 vecka: 13Kursen slutar
2014 vecka: 23Undervisningsspråk
EngelskaCampus
KTH CampusAntal föreläsningar
Antal övningar
Undervisningstid
DagtidUndervisningsform
NormalAntal platser
Ingen begränsningKursansvarig
Josephine Sullivan <sullivan@kth.se>
Målgrupp
Obligatorisk för TMAIM Master Maskininlärning, spår Perception och Kognition.
Sökbar för studenter på civilingenjörsprogram med minst 90 hp varav minst 50 hp från årskurs 1 och för studenter på masterprogram.
Del av program
- Civilingenjör och lärare, åk 4, MADA, Villkorligt valfri
- Masterprogram, datalogi, åk 1, CSCA, Villkorligt valfri
- Masterprogram, datalogi, åk 2, CSCA, Villkorligt valfri
- Masterprogram, inbyggda system, åk 1, Villkorligt valfri
- Masterprogram, maskininlärning, åk 1, MAIA, Obligatorisk
- Masterprogram, maskininlärning, åk 1, MAIB, Villkorligt valfri
- Masterprogram, maskininlärning, åk 1, MAIC, Villkorligt valfri
- Masterprogram, medieteknik, åk 1, META, Villkorligt valfri
- Masterprogram, medieteknik, åk 2, META, Villkorligt valfri
- Masterprogram, människa-datorinteraktion, åk 1, HCIB, Villkorligt valfri
- Masterprogram, systemteknik och robotik, åk 1, Rekommenderad
- Masterprogram, systemteknik och robotik, åk 2, Rekommenderad
Lärandemål
Efter genomförd kurs ska du kunna:
- känna till metoder för särdragsextraktion från digitala bilder
- identifiera grundläggande begrepp, terminologi, teorier, modeller och metoder inom dataklassificering,
- utveckla och systematiskt testa ett antal grundläggande metoder för klassificering av data,
- experimentellt utvärdera algoritmer för klassificering och igenkänning av objekt i gråskalebilder,
- välja lämplig metod för att automatiskt lösa ett givet Klassificeringsproblem,
- känna till teorier om hjärnans bearbetning av visuell information för klassificering,
för att
- kunna lösa allmänna problem gällande datarepresentation och Klassificering,
- kunna implementera, analysera och utvärdera enkla system för automatisk klassificering av bilder,
- ha en bred kunskapsbas för att kunna läsa och tillgodogöra dig litteratur inom området.
Kursens huvudsakliga innehåll
- Representation och särdragsextraktion i digitala bilder
- principer för igenkänning och klasssificering, bayesianska beslut
- diskriminantfunktioner, neurala nätverk, support vector machines
- inlärning, optimering av klassificerare
- orientering om igenkänning i biologiskt seende
- exempel på igenkänning: handskrift, ansikten, objekt.
Behörighet
För fristående kursstuderande krävs 90 högskolepoäng varav 45 högskolepoäng inom matematik eller informationsteknik. Dessutom krävs engelska B eller motsvarande.
Rekommenderade förkunskaper
Kunskaper motsvarande de obligatoriska kurserna i matematik, datalogi och numerisk analys på D-, E- eller F-programmen.
Litteratur
Föreläsningsanteckningar, delas ut vid kursstart.
Examination
- INL1 - Inlämningsuppgift, 1,5 hp, betygsskala: P, F
- LAB1 - Laborationer, 1,5 hp, betygsskala: P, F
- TEN1 - Tentamen, 3,0 hp, betygsskala: A, B, C, D, E, FX, F
I denna kurs tillämpas skolans hederskodex, se: http://www.kth.se/csc/student/hederskodex.
Krav för slutbetyg
Laborationsuppgift (LAB1; 1,5 hp)
Inlämningsuppgift (INL1; 1,5 hp)
Tentamen (TEN1; 3 hp )
Ges av
CSC/Datalogi
Kontaktperson
Josephine Sullivan, tel: 790 6136, e-post: sullivan@kth.se
Examinator
Josephine Sullivan <sullivan@kth.se>
Påbyggnad
Diskuteras med examinator.
Versionsinformation
Kursplan giltig från och med
HT09.
Examinationsinformation giltig från och med
HT07.
