Detta är en intern version som kan innehålla ofullständig eller ännu ej beslutad studieinformation.

Datorseende för videoanalys, 6 hp

Computer Vision for Video Analysis, 6 credits

TSBB34

Huvudområde

Datateknik Elektroteknik

Utbildningsnivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Bastian Wandt

Studierektor eller motsvarande

Lasse Alfredsson

Undervisningstid

Preliminär schemalagd tid: 100 h
Rekommenderad självstudietid: 60 h

Tillgänglig för utbytesstudenter

Information om möjliga avsteg från kursplan/utbildningsplan

VOF = Valbar / Obligatorisk / Frivillig

Kursen ges för		Termin	Period	Block	Språk	Ort/Campus	VOF
6CDDD	Civilingenjör i datateknik	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CDDD	Civilingenjör i datateknik (Autonoma system)	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CDDD	Civilingenjör i datateknik (Datorseende och signalanalys)	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CITE	Civilingenjör i informationsteknologi	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CMED	Civilingenjör i medicinsk teknik	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CMJU	Civilingenjör i mjukvaruteknik	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYY	Civilingenjör i teknisk fysik och elektroteknik	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, franska	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, franska (Datorseende och Signalanalys)	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, japanska	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, japanska (Datorseende och Signalanalys)	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, kinesiska	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, kinesiska (Datorseende och Signalanalys)	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, spanska	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, spanska (Datorseende och Signalanalys)	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, tyska	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, tyska (Datorseende och Signalanalys)	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6CYYY	Civilingenjör i teknisk fysik och elektroteknik (Datorseende och signalanalys)	8 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	V
6MDSI	Data Science and Information Engineering, masterprogram (Bilder)	2 (VT 2026)	1	1	Svenska/Engelska	Linköping, Valla	O

Kursplanen är preliminär

Huvudområde

Datateknik, Elektroteknik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1N

Särskild information

Kursen kan ej ingå i examen tillsammans med TSBB15.

Kursen ges för

Civilingenjörsprogram i informationsteknologi
Civilingenjörsprogram i mjukvaruteknik
Civilingenjörsprogram i teknisk fysik och elektroteknik - internationell
Civilingenjörsprogram i datateknik
Civilingenjörsprogram i teknisk fysik och elektroteknik
Civilingenjörsprogram i medicinsk teknik
Masterprogram i Data Science and Information Engineering

Rekommenderade förkunskaper

Sannolikhetslära, skattningsteori, minstakvadrat-metoden, partiella differentialekvationer, 1D & 2D linjär systemteori (deterministisk och stokastisk).
Grundläggande bildbehandling: tröskelsättning, segmentering, kantdetektering.

Användning av Python.

Då halva kursen utgör projektarbete är även programmeringsvana att rekommendera.

Lärandemål

Kursen ger kunskap om de algoritmer och skattningsproblem som används för att extrahera information från video eller bildsekvenser. Detta innefattar dels den matematik som används, dels hur den i praktiken omsätts i algoritmer genom programmering.

Studenten ska efter genomgången kurs kunna:

Mål 1: redogöra för, och använda algoritmer för följning av region i bildsekvenser

Mål 2 : redogöra för, och använda algoritmer för skattning av optiskt flöde

Mål 3: redogöra för, och integrera komponenter för objektföljning i bildsekvenser

Mål 4: redogöra för, och integrera komponenter för felsökning, visualisering och prestandaanalys

Kursinnehåll

I kursen tar vi upp metodik som relaterar till målen ovan, med fokus på följande:

Lokala särdrag och strukturtensor
Rörelseskattning och optiskt flöde
Klustring och bakgrundsmodellering
Följning av regioner och objekt
Diskriminativa korrelationsfilter
Kameraövervakning och dess etiska/samhällsaspekter

Innehållet introduceras under en serie föreläsningar, och används sedan praktiskt i laborationer och projekt.

Undervisnings- och arbetsformer

Kursen består av en föreläsningsserie, lektioner, två laborationer, samt ett större projekt som utförs i grupp. Laborationerna introducerar nyckelkomponenter i projektet och kräver programmering.

Examination

PRA2	Projektarbete i grupp	3 hp	U, 3, 4, 5
LAB1	Laborationer	3 hp	U, 3, 4, 5

Närvaro är obligatorisk på de projektförberedande laborationerna, samt vid redovisning av projektet och den föreläsning då projektet startar.

Mål 1-2 testas under laborationerna och Mål 3-4 testas under projektet.

För betyg 3 krävs godkänt på projekt och laborationer. Demonstrerad högre förmåga på projekt eller laborationer att redogöra för och använda metoder, ger betyg 4, demonstrerad högre förmåga på både projekt och laborationer att redogöra för och använda metoder, ger betyg 5.

Presentation av detaljer om bedömningskriterier finns på kurshemsidan.

Betyg på delmoment/modul beslutas i enlighet med de bedömningskriterier som presenteras vid kursstart.

Betygsskala

Fyrgradig skala, LiU, U, 3, 4, 5

Övrig information

Påbyggnadskurser

3D-datorseende, Bilder och grafik - projektkurs CDIO, Maskininlärning för datorseende, Examensarbete

Om undervisnings- och examinationsspråk

Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt". Examinationsspråk relaterar till undervisningsspråk enligt nedan:

Om undervisningsspråk är ”Svenska” kan kursen ges i sin helhet på svenska eller delvis på engelska. Examinationsspråk är svenska, men delar av examinationen kan ske på engelska.
Om undervisningsspråk är Engelska ges kursen i sin helhet på engelska. Examinationsspråk är engelska.
Om undervisningsspråk är ”Svenska/Engelska” ges kursen i sin helhet på engelska om studenter utan tidigare kunskap i svenska språket deltar. Examinationsspråk följer undervisningsspråk.

Övrigt

Kursen bedrivs på ett sådant sätt att likvärdiga villkor råder med avseende på kön, könsöverskridande identitet eller uttryck, etnisk tillhörighet, religion eller annan trosuppfattning, funktionsnedsättning, sexuell läggning och ålder.

Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som ingår i kursen skall därför genomföras med kursplanen som utgångspunkt.

Kursen är campusförlagd på den ort som anges för kurstillfället om inget annat anges under ”Undervisnings – och arbetsformer”. I en campusförlagd kurs kan dock enstaka moment på distans ingå.

Institution

Institutionen för systemteknik

Kurslitteratur

Böcker

Michael Felsberg, (2022) Advanced Methods and Deep Learning in Computer Vision Academic Press
kapitlet finns elektroniskt utan kostnad
Richard Szeliski, (2022) Computer Vision: Algorithms and Applications 2 Springer

Övrigt

Utvalda forskningsartiklar som anges på kurshemsidan.

Kod	Benämning	Omfattning	Betygsskala
PRA2	Projektarbete i grupp	3 hp	U, 3, 4, 5
LAB1	Laborationer	3 hp	U, 3, 4, 5

Närvaro är obligatorisk på de projektförberedande laborationerna, samt vid redovisning av projektet och den föreläsning då projektet startar.

Mål 1-2 testas under laborationerna och Mål 3-4 testas under projektet.

Presentation av detaljer om bedömningskriterier finns på kurshemsidan.

Betyg på delmoment/modul beslutas i enlighet med de bedömningskriterier som presenteras vid kursstart.

Rättigheter och skyldigheter som student (inloggning krävs)
Linköpings universitets generella regelverk

Böcker

Michael Felsberg, (2022) Advanced Methods and Deep Learning in Computer Vision Academic Press

kapitlet finns elektroniskt utan kostnad

Michael Felsberg Visual tracking: Tracking in scenes containing multiple moving objects

Richard Szeliski, (2022) Computer Vision: Algorithms and Applications 2 Springer

Övrigt

Utvalda forskningsartiklar som anges på kurshemsidan.

Ladda ner

Ladda ner kurslitteratur som PDF

I = Introducera, U = Undervisa, A = Använda

		I	U	A	Moduler	Kommentar
1. ÄMNESKUNSKAPER
	1.1 Kunskaper i grundläggande (motsvarande G1X) matematiska och naturvetenskapliga ämnen			X	LAB1	Linjär algebra, matematisk analys
	1.2 Kunskaper i grundläggande (motsvarande G1X) teknikvetenskapliga ämnen	X	X	X	LAB1	minstakvadratskattning, signalbehandling
	1.3 Fördjupade kunskaper (motsvarande G2X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen	X	X	X	LAB1	partiella differentialekvationer, robust modellskattning
	1.4 Väsentligt fördjupade kunskaper (motsvarande A1X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen	X	X	X	PRA2
	1.5 Insikt i aktuellt forsknings- och utvecklingsarbete	X	X	X	PRA2	Kursen tar upp aktuella tekniker, och har gästföreläsningar från industrin
2. INDIVIDUELLA OCH YRKESMÄSSIGA FÄRDIGHETER OCH FÖRHÅLLNINGSSÄTT
	2.1 Analytiskt tänkande och problemlösning		X	X	PRA2 LAB1	Planering och genomförande av ett projekt i grupp
	2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning			X	PRA2	Test och jämförelse av alternativa lösningsmetoder
	2.3 Systemtänkande			X	PRA2 LAB1	Design och integration av mjukvara
	2.4 Förhållningssätt, tänkande och lärande			X	PRA2	Personligt ansvar för specifika projektkomponenter
	2.5 Etik, likabehandling och ansvarstagande			X	PRA2	Planering och genomförande av ett gruppprojekt
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA
	3.1 Arbete i grupp			X	PRA2	Planering och genomförande av ett gruppprojekt
	3.2 Kommunikation			X	PRA2	Skriftlig och muntlig presentation av projektresultat, samt återkoppling på annan grupps arbete
	3.3 Kommunikation på främmande språk			X	PRA2 LAB1	I de fall kursen ges på engelska
4. PLANERING, UTVECKLING, REALISERING OCH DRIFT AV TEKNISKA PRODUKTER OCH SYSTEM MED HÄNSYN TILL AFFÄRSMÄSSIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
	4.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling
	4.2 Företags- och affärsmässiga villkor	X				Vi har gästföreläsningar från industrin
	4.3 Att identifiera behov samt strukturera och planera utveckling av produkter och system	X				Projektplan skrivs i projektet
	4.4 Att konstruera produkter och system	X				Projektarbete
	4.5 Att realisera produkter och system	X				Projektarbete
	4.6 Att ta i drift och använda produkter och system
5. PLANERING, GENOMFÖRANDE OCH PRESENTATION AV FORSKNINGS- ELLER UTVECKLINGSPROJEKT MED HÄNSYN TILL VETENSKAPLIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
	5.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling för kunskapsutveckling
	5.2 Ekonomiska villkor för kunskapsutveckling
	5.3 Att identifiera behov samt strukturera och planera forsknings- eller utvecklingsprojekt	X				Projektplan används i projektet
	5.4 Att genomföra forsknings- eller utvecklingsprojekt	X				Kursen innehåller ett programmeringsprojekt
	5.5 Att redovisa och utvärdera forsknings- eller utvecklingsprojekt	X				Rapportskrivning enligt uppställd mall. Muntlig redovisning. Opposition

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.

Det finns inga filer att visa.