Προηγμένα Θέματα Υπολογιστικής Νοημοσύνης και Όρασης Υπολογιστή (ΕΣΠ 101)
Christos Anagnostopoulos - George Tsekouras
Περιγραφή
Το περιεχόμενο του μαθήματος αφορά στα παρακάτω πεδία:
- Όραση Υπολογιστή, επεξεργασία και ανάλυση εικόνων: Εφαρμογές, ανοικτά ζητήματα
- 3Δ γραφικά, 3Δ οπτικοποίηση, φωτογραμμετρία
- Τεχνικές επεξεργασίας ψηφιακών εικόνων, ακολουθιών εικόνων (βίντεο) και 3Δ γραφικών για ανακατασκευή πεδίου, αναγνώριση συμβάντων, εντοπισμό και παρακολούθηση αντικειμένων, 3Δ εκτίμηση αντικειμένων και ανακατασκευή εικόνων.
- Μηχανική μάθηση (επιβλεπόμενη, μη επιβλεπόμενη, ημι-επιβλεπόμενη, και στοχαστική μάθηση).
- Δομές νευρωνικών και νευρο-ασαφών δικτύων (Feedforward networks, ANFIS network, Boltzmann machines, Bayesian networks, Support vector machines). Μέθοδοι εκπαίδευσης νευρωνικών και νευροασαφών δικτύων (gradient descent, back-propagation, reinforcement learning, stochastic learning, κλπ.).
- Βαθιά νευρωνικά δίκτυα (Convolutional neural networks, restricted Boltzmann machines, deep feedforward networks, deep neuro-fuzzy networks) και βαθιά μάθηση.
Το περιεχόμενο του μαθήματος αφορά στα παρακάτω πεδία:
- Όραση Υπολογιστή, επεξεργασία και ανάλυση εικόνων: Εφαρμογές, ανοικτά ζητήματα
- 3Δ γραφικά, 3Δ οπτικοποίηση, φωτογραμμετρία
- Τεχνικές επεξεργασίας ψηφιακών εικόνων, ακολουθιών εικόνων (βίντεο) και 3Δ γραφικών για ανακατασκευή πεδίου, αναγνώριση συμβάντων, εντοπισμό και παρακολούθηση αντικειμένων, 3Δ εκτίμηση αντικειμένων και ανακατασκευή εικόνων.
- Μηχανική μάθηση (επιβλεπόμενη, μη επιβλεπόμενη, ημι-επιβλεπόμενη, και στοχαστική μάθηση).
- Δομές νευρωνικών και νευρο-ασαφών δικτύων (Feedforward networks, ANFIS network, Boltzmann machines, Bayesian networks, Support vector machines). Μέθοδοι εκπαίδευσης νευρωνικών και νευροασαφών δικτύων (gradient descent, back-propagation, reinforcement learning, stochastic learning, κλπ.).
- Βαθιά νευρωνικά δίκτυα (Convolutional neural networks, restricted Boltzmann machines, deep feedforward networks, deep neuro-fuzzy networks) και βαθιά μάθηση.
Το περιεχόμενο του μαθήματος αφορά στα παρακάτω πεδία:
- Όραση Υπολογιστή, επεξεργασία και ανάλυση εικόνων: Εφαρμογές, ανοικτά ζητήματα
- 3Δ γραφικά, 3Δ οπτικοποίηση, φωτογραμμετρία
- Τεχνικές επεξεργασίας ψηφιακών εικόνων, ακολουθιών εικόνων (βίντεο) και 3Δ γραφικών για ανακατασκευή πεδίου, αναγνώριση συμβάντων, εντοπισμό και παρακολούθηση αντικειμένων, 3Δ εκτίμηση αντικειμένων και ανακατασκευή εικόνων.
- Μηχανική μάθηση (επιβλεπόμενη, μη επιβλεπόμενη, ημι-επιβλεπόμενη, και στοχαστική μάθηση).
- Δομές νευρωνικών και νευρο-ασαφών δικτύων (Feedforward networks, ANFIS network, Boltzmann machines, Bayesian networks, Support vector machines). Μέθοδοι εκπαίδευσης νευρωνικών και νευροασαφών δικτύων (gradient descent, back-propagation, reinforcement learning, stochastic learning, κλπ.).
- Βαθιά νευρωνικά δίκτυα (Convolutional neural networks, restricted Boltzmann machines, deep feedforward networks, deep neuro-fuzzy networks) και βαθιά μάθηση.
Ημερολόγιο
Κυριακή
Δευτέρα
Τρίτη
Τετάρτη
Πέμπτη
Παρασκευή
Σάββατο
30
31
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
1
2
3
Ανακοινώσεις
- - Δεν υπάρχουν ανακοινώσεις -
