Die Maschinelles Sehen ist die Technologie der Gegenwart und der Zukunft. Spezialisieren Sie sich mit diesem Programm und erreichen Sie den beruflichen Aufstieg, den Sie anstreben" 

In den letzten Jahren hat die künstliche Intelligenz eine große Revolution in der technologischen Welt ausgelöst. Sie ermöglicht die Entwicklung von Software und Maschinen, die in der Lage sind, zu lernen, neues Wissen zu generieren und nach der jeweils besten verfügbaren Lösung zu handeln. Die Anwendungen reichen daher von der Informatik über die Forschung in Bereichen wie dem Gesundheitswesen bis hin zur Entwicklung von Werkzeugen wie Fahrzeugen, Robotern oder Videospielen. 

Es handelt sich also um einen sich ständig erweiternden Bereich, der für die meisten IT- und Technologieunternehmen bereits von zentraler Bedeutung ist. Doch gerade wegen seiner großen Bedeutung und Dynamik haben sich in den letzten Jahren Spezialgebiete herausgebildet, die sich auf einen seiner spezifischen Aspekte konzentrieren. Die Maschinelles Sehen ist eine der wichtigsten. Dabei geht es darum, wie Maschinen eingehende visuelle Informationen verarbeiten und wie diese Informationen genutzt werden können, um entweder die Beziehung der Maschine zu ihrer Umgebung zu verbessern, indem sie genauer arbeitet, oder um Daten effizient zu erfassen. 

Aus diesem Grund handelt es sich um einen grundlegenden Bereich, der eng mit dem Machine Learning verbunden ist. Deshalb suchen immer mehr Unternehmen nach Informatikern, die sich auf diesen Bereich spezialisiert haben und die besten technologischen Lösungen für die Entwicklung von Projekten im Bereich der Maschinelles Sehen anbieten können. Dieser private Masterstudiengang vertieft diesen Bereich und vermittelt Ihnen die innovativsten Kenntnisse und Instrumente, so dass Sie nach Abschluss des Studiengangs dank Ihrer neuen Kompetenzen sofort beruflich vorankommen können. 

All dies wird durch die 100%ige Online-Methode der TECH Global University erreicht, die speziell dafür entwickelt wurde, dass berufstätige Informatiker und Ingenieure dieses Programm mit ihrer Arbeit verbinden können, da es sich an ihre persönlichen Umstände anpasst. Darüber hinaus werden Sie während des gesamten Lernprozesses von fachkundigen Dozenten begleitet und kommen in den Genuss der besten multimedialen Lehrmittel wie Fallstudien, technische Videos, Masterclasses oder interaktive Zusammenfassungen, um nur einige zu nennen. 

Die Zukunft ist bereits da. Lassen Sie sich diese Gelegenheit nicht entgehen und werden Sie dank dieses privaten Masterstudiengangs zu einem großen Experten für Maschinelles Sehen" 

Dieser Weiterbildender Masterstudiengang in Maschinelles Sehen enthält das vollständigste und aktuellste Programm auf dem Markt. Die hervorstechendsten Merkmale sind:  

• Die Entwicklung von Fallstudien, die von Experten der Informatik und der Computer Vision vorgestellt werden
• Der anschauliche, schematische und äußerst praxisnahe Inhalt soll wissenschaftliche und praktische Informationen zu den für die berufliche Praxis wesentlichen Disziplinen vermitteln 
• Er enthält praktische Übungen in denen der Selbstbewertungsprozess durchgeführt werden kann um das Lernen zu verbessern 
• Ihr besonderer Schwerpunkt liegt auf innovativen Methoden  
• Theoretische Vorträge, Fragen an den Experten, Diskussionsforen zu kontroversen Themen und individuelle Reflexionsarbeit 
• Die Verfügbarkeit des Zugangs zu Inhalten von jedem festen oder tragbaren Gerät mit Internetanschluss

Warten Sie nicht länger und spezialisieren Sie sich auf einen Schlüsselbereich der Zukunftstechnologie, der Sie beruflich sofort weiterbringt" 

Zu den Lehrkräften des Programms gehören Fachleute aus der Branche, die ihre Berufserfahrung in diese Fortbildung einbringen, sowie renommierte Fachleute von Referenzgesellschaften und angesehenen Universitäten. 

Die multimedialen Inhalte, die mit den neuesten Bildungstechnologien entwickelt wurden, ermöglichen den Fachleuten ein situiertes und kontextbezogenes Lernen, d. h. eine simulierte Umgebung, die ein immersives Training ermöglicht, das auf reale Situationen ausgerichtet ist. 

Das Konzept dieses Studiengangs konzentriert sich auf problemorientiertes Lernen, bei dem die Fachkraft versuchen muss, die verschiedenen Situationen aus der beruflichen Praxis zu lösen, die während des gesamten Studiengangs gestellt werden. Zu diesem Zweck werden sie von einem innovativen interaktiven Videosystem unterstützt, das von renommierten Experten entwickelt wurde. 

Tauchen Sie ein in die Bereiche künstliche Intelligenz und Deep Learning und werden Sie zu einer Referenz auf dem Gebiet der Maschinelles Sehen"

Melden Sie sich jetzt an und beginnen Sie mit der Entwicklung vielversprechender Bildverarbeitungsprojekte mit dem, was Sie in diesem Programm lernen werden"

Die Inhalte dieses Privaten Masterstudiengangs in Computer Vision wurden von führenden internationalen Experten auf diesem Gebiet entwickelt, so dass Informatiker Zugang zu hochspezialisiertem Wissen haben, das sie zu einer Referenz auf diesem Gebiet macht. So können in diesem Programm Aspekte wie das künstliche Sehen zur Untersuchung des Raums und zur Inhaltsanalyse, bei der Suche nach Mustern und Codes, in 3D-Bildverarbeitungsbibliotheken oder in Autocodierern eingehend untersuchen. 

Es erwartet Sie der umfassendste Lehrplan zum Thema Bildverarbeitung. Absolvieren Sie dieses Programm und steigen Sie ein in die Zukunft des Berufs"

Modul 1. Künstliches Sehen 

1.1. Menschliche Wahrnehmung 

1.1.1. Das menschliche Sehsystem 
1.1.2. Farbe 
1.1.3. Sichtbare und nicht sichtbare Frequenzen 

1.2. Chronik der industriellen Bildverarbeitung 

1.2.1. Grundsätze 
1.2.2. Entwicklung 
1.2.3. Die Bedeutung der industriellen Bildverarbeitung 

1.3. Digitale Bildgestaltung 

1.3.1. Das digitale Bild 
1.3.2. Bildtypen 
1.3.3. Farbräume 
1.3.4. RGB 
1.3.5. HSV und HSL 
1.3.6. CMY-CMYK 
1.3.7. YCbCr 
1.3.8. Indiziertes Bild 

1.4. Bildgebende Systeme 

1.4.1. Wie eine Digitalkamera funktioniert 
1.4.2. Die richtige Belichtung für jede Situation 
1.4.3. Schärfentiefe 
1.4.4. Resolution 
1.4.5. Bildformate 
1.4.6. HDR-Modus 
1.4.7. Kameras mit hoher Auflösung 
1.4.8. Kameras mit hoher Geschwindigkeit 

1.5. Optische Systeme 

1.5.1. Optische Grundsätze 
1.5.2. Konventionelle Ziele 
1.5.3. Telezentrische Ziele 
1.5.4. Arten von Autofokus 
1.5.5. Brennweite 
1.5.6. Schärfentiefe 
1.5.7. Optische Verzerrung 
1.5.8. Kalibrierung eines Bildes 

1.6. Beleuchtungssysteme 

1.6.1. Die Bedeutung der Beleuchtung 
1.6.2. Frequenzgang 
1.6.3. LED-Beleuchtung 
1.6.4. Außenbeleuchtung 
1.6.5. Arten von Beleuchtung für industrielle Anwendungen. Auswirkungen 

1.7. 3D-Erfassungssysteme 

1.7.1. Stereosehen 
1.7.2. Triangulation 
1.7.3. Strukturiertes Licht 
1.7.4. Time of Flight 
1.7.5. LIDAR 

1.8. Multispektrale 

1.8.1. Multispektralkameras 
1.8.2. Hyperspektralkameras 

1.9. Nicht sichtbares Nahspektrum 

1.9.1. IR-Kameras 
1.9.2. UV-Kameras 
1.9.3. Umwandlung von nicht-sichtbar in sichtbar durch Beleuchtung 

1.10. Andere Frequenzbänder 

1.10.1. Röntgenstrahlen 
1.10.2. Terahertzstrahlung

Modul 2. Anwendungen und Stand der Technik 

2.1. Industrielle Anwendungen 

2.1.1. Bildverarbeitungsbibliotheken 
2.1.2. Kompaktkameras 
2.1.3. PC-gestützte Systeme 
2.1.4. Industrielle Robotik 
2.1.5. Pick and place 2D 
2.1.6. Bin picking 
2.1.7. Qualitätskontrolle 
2.1.8. Vorhandensein und Fehlen von Komponenten 
2.1.9. Kontrolle der Dimensionen 
2.1.10. Kontrolle der Etikettierung 
2.1.11. Rückverfolgbarkeit 

2.2. Autonome Fahrzeuge 

2.2.1. Fahrerassistenz 
2.2.2. Autonomes Fahren 

2.3. Maschinelles Sehen für die Inhaltsanalyse 

2.3.1. Nach Inhalt filtern 
2.3.2. Moderation visueller Inhalte 
2.3.3. Verfolgungssysteme 
2.3.4. Identifizierung von Marken und Logos 
2.3.5. Kennzeichnung und Klassifizierung von Videos 
2.3.6. Erkennung von Szenenänderungen 
2.3.7. Extraktion von Texten oder Credits 

2.4. Medizinische Anwendungen 

2.4.1. Erkennung und Lokalisierung von Krankheiten 
2.4.2. Krebs und Röntgenanalyse 
2.4.3. Fortschritte in der industriellen Bildverarbeitung auf der Covid-19 
2.4.4. Assistenz im Operationssaal 

2.5. Raumfahrtanwendungen 

2.5.1. Analyse von Satellitenbildern 
2.5.2. Maschinelles Sehen für die Erforschung des Weltraums 
2.5.3. Mission zum Mars 

2.6. Kommerzielle Anwendungen 

2.6.1. Control stock 
2.6.2. Videoüberwachung, Haussicherheit 
2.6.3. Kameras zum Parken 
2.6.4. Kameras zur Bevölkerungskontrolle 
2.6.5. Radarkameras 

2.7. Bildverarbeitung in der Robotik 

2.7.1. Drohnen 
2.7.2. AGV 
2.7.3. Vision in kollaborierenden Robotern 
2.7.4. Die Augen der Roboter 

2.8. Augmented Reality 

2.8.1. Funktionsweise 
2.8.2. Geräte 
2.8.3. Anwendungen in der Industrie 
2.8.4. Kommerzielle Anwendungen 

2.9. Cloud Computing 

2.9.1. Plattformen für Cloud Computing 
2.9.2. Des Cloud Computing zur Produktion 

2.10. Forschung und Kunst scharfsinnig 

2.10.1. Die wissenschaftliche Gemeinschaft 
2.10.2. Was wird gekocht? 
2.10.3. Die Zukunft des maschinellen Sehens 

Modul 3. Digitale Bildverarbeitung 

3.1. Entwicklungsumgebung für Computer Vision 

3.1.1. Bibliotheken für Computer Vision 
3.1.2. Programmierumgebung 
3.1.3. Visualisierungstools 

3.2. Digitale Bildverarbeitung 

3.2.1. Pixel-Beziehungen 
3.2.2. Bildbearbeitung 
3.2.3. Geometrische Transformationen 

3.3. Pixel-Operationen 

3.3.1. Histogramm 
3.3.2. Transformationen von Histogrammen 
3.3.3. Operationen an Farbbildern 

3.4. Logische und arithmetische Operationen 

3.4.1. Additionen und Subtraktionen 
3.4.2. Produkt und Bereich 
3.4.3. And/Nand 
3.4.4. Or/Nor 
3.4.5. Xor/Xnor 

3.5. Filter 

3.5.1. Masken und Faltung 
3.5.2. Lineare Filterung 
3.5.3. Gefiltert nach Linie 
3.5.4. Fourier-Analyse 

3.6. Morphologische Operationen 

3.6.1. Erodieren und Dilatieren 
3.6.2. Schließen und Öffnen 
3.6.3. Top hat und Black hat 
3.6.4. Erkennung von Konturen 
3.6.5. Skelett 
3.6.6. Füllen von Löchern 
3.6.7. Konvexe Hülle 

3.7. Werkzeuge zur Bildanalyse 

3.7.1. Kantenerkennung 
3.7.2. Erkennung von blobs 
3.7.3. Kontrolle der Dimensionen 
3.7.4. Farbprüfung 

3.8. Segmentierung von Objekten 

3.8.1. Bildsegmentierung 
3.8.2. Klassische Segmentierungstechniken 
3.8.3. Echte Anwendungen 

3.9. Bild-Kalibrierung 

3.9.1. Bild-Kalibrierung 
3.9.2. Kalibrierungsmethoden 
3.9.3. Kalibrierungsprozess in einem 2D-Kamera-Roboter-System 

3.10. Bildverarbeitung in realer Umgebung 

3.10.1. Problemanalyse 
3.10.2. Bildbearbeitung 
3.10.3. Merkmalsextraktion 
3.10.4. Endgültiges Ergebnis 

Modul 4. Fortgeschrittene digitale Bildverarbeitung 

4.1. Optische Zeichenerkennung (OCR) 

4.1.1. Vorverarbeitung von Bildern 
4.1.2. Erkennung von Text 
4.1.3. Texterkennung 

4.2. Code-Lesung 

4.2.1. 1D-Codes 
4.2.2. 2D-Codes 
4.2.3. Anwendungen 

4.3. Suche nach Mustern 

4.3.1. Suche nach Mustern 
4.3.2. Muster auf Basis von Graustufen 
4.3.3. Konturbasierte Muster 
4.3.4. Muster auf der Grundlage geometrischer Formen 
4.3.5. Andere Techniken 

4.4. Objektverfolgung mit konventionellem Sehen 

4.4.1. Hintergrund-Extraktion 
4.4.2. Meanshift 
4.4.3. Camshift 
4.4.4. Optical flow 

4.5. Gesichtserkennung 

4.5.1. Facial Landmark detection 
4.5.2. Anwendungen 
4.5.3. Gesichtserkennung 
4.5.4. Erkennung von Emotionen 

4.6. Überblick und Ausrichtungen 

4.6.1. Stitching 
4.6.2. Bildkomposition 
4.6.3. Fotomontage 

4.7. High Dinamic Range (HDR) and Photometric Stereo 

4.7.1. Erhöhter Dynamikbereich 
4.7.2. Bildkomposition zur Konturverbesserung 
4.7.3. Techniken für den Einsatz von dynamischen Anwendungen 

4.8. Bildkompression 

4.8.1. Bildkompression 
4.8.2. Kompressortypen 
4.8.3. Techniken zur Bildkomprimierung 

4.9. Videoverarbeitung 

4.9.1. Bildsequenzen 
4.9.2. Videoformate und Codecs 
4.9.3. Lesen eines Videos
4.9.4. Rahmenverarbeitung 

4.10. Reale Anwendung der Bildverarbeitung 

4.10.1. Problemanalyse 
4.10.2. Bildbearbeitung 
4.10.3. Merkmalsextraktion 
4.10.4. Endgültiges Ergebnis 

Modul 5. 3D-Bildverarbeitung 

5.1. 3D Bild 

5.1.1. 3D Bild 
5.1.2. 3D-Bildverarbeitungssoftware und Visualisierungen 
5.1.3. Metrologie-Software 

5.2. Open 3D 

5.2.1. Bibliothek für 3D-Datenverarbeitung 
5.2.2. Eigenschaften 
5.2.3. Installation und Nutzung 

5.3. Daten 

5.3.1. 2D-Bildtiefenkarten 
5.3.2. Pointclouds 
5.3.3. Normalitäten 
5.3.4. Oberflächen 

5.4. Visualisierung 

5.4.1. Visualisierung der Daten 
5.4.2. Kontrollen 
5.4.3. Web-Visualisierung 

5.5. Filter 

5.5.1. Abstand zwischen Punkten, Outliers eliminieren 
5.5.2. Hochpassfilter
5.5.3. Downsampling 

5.6. Geometrie und Merkmalsextraktion 

5.6.1. Extrahieren eines Profils 
5.6.2. Messung der Tiefe 
5.6.3. Menge 
5.6.4. Geometrische 3D-Formen 
5.6.5. Pläne 
5.6.6. Projektion eines Punktes 
5.6.7. Geometrische Abstände 
5.6.8. Kd Tree 
5.6.9. Features 3D 

5.7. Registrierung und Meshing 

5.7.1. Verkettung 
5.7.2. ICP 
5.7.3. Ransac 3D 

5.8. 3D-Objekterkennung 

5.8.1. Suche nach einem Objekt in der 3D-Szene 
5.8.2. Segmentierung 
5.8.3. Bin picking 

5.9. Oberflächenanalyse 

5.9.1. Smoothing 
5.9.2. Einstellbare Oberflächen 
5.9.3. Octree 

5.10. Triangulation 

5.10.1. Von Mesh zu Point Cloud 
5.10.2. Triangulation von Tiefenkarten 
5.10.3. Triangulation von ungeordneten Punktwolken 

Modul 6. Deep Learning  

6.1. Künstliche Intelligenz 

6.1.1. Machine Learning 
6.1.2. Deep Learning 
6.1.3. Die Explosion des Deep Learning. Wieso jetzt? 

6.2. Neuronale Netze 

6.2.1. Das neuronale Netz 
6.2.2. Einsatz von neuronalen Netzen 
6.2.3. Lineare Regression und Perceptron 
6.2.4. Forward Propagation 
6.2.5. Backpropagation 
6.2.6. Feature vectors 

6.3. Loss Functions 

6.3.1. Loss Functions 
6.3.2. Typen von Loss Functions 
6.3.3. Auswahl von Loss Functions 

6.4. Aktivierungsfunktionen 

6.4.1. Aktivierungsfunktionen 
6.4.2. Lineare Funktionen 
6.4.3. Nicht-lineare Funktionen 
6.4.4. Output vs. Hidden Layer Activation Functions 

6.5. Regularisierung und Standardisierung 

6.5.1. Regularisierung und Standardisierung 
6.5.2. Overfitting and Data Augmentation 
6.5.3. Regularization Methods: L1, L2 and Dropout 
6.5.4. Normalization Methods: Batch, Weight, Layer

6.6. Optimierung 

6.6.1. Gradient Descent 
6.6.2. Stochastic Gradient Descent 
6.6.3. Mini Batch Gradient Descent 
6.6.4. Momentum 
6.6.5. Adam 

6.7. Hyperparameter Tuning und Gewichte 

6.7.1. Hyperparameter 
6.7.2. Batch Size vs. Learning Rate vs. Step Decay 
6.7.3. Gewichte 

6.8. Bewertungsmetriken für neuronale Netze 

6.8.1. Accuracy 
6.8.2. Dice Coefficient 
6.8.3. Sensitivity vs. Specificity/Recall vs. Genauigkeit 
6.8.4. Kurve ROC (AUC) 
6.8.5. F1-score 
6.8.6. Matrix-Verwirrung 
6.8.7. Cross-Validation 

6.9. Frameworks und Hardware 

6.9.1. Tensor Flow 
6.9.2. Pytorch 
6.9.3. Caffe 
6.9.4. Keras 
6.9.5. Hardware für die Ausbildungsphase  

6.10. Erstellung neuronaler Netze - Training und Validierung  

6.10.1. Dataset 
6.10.2. Aufbau des Netzes 
6.10.3. Training 
6.10.4. Visualisierung der Ergebnisse 

Modul 7. Faltungsnetzwerke und Bildklassifizierung 

7.1. Faltungsneuronale Netze 

7.1.1. Einführung 
7.1.2. Faltung
7.1.3. CNN Building Blocks 

7.2. Arten von CNN-Bezügen 

7.2.1. Convolutional 
7.2.2. Activation 
7.2.3. Batch normalization 
7.2.4. Polling 
7.2.5. Fully connected 

7.3. Metriken 

7.3.1. Confusion Matrix 
7.3.2. Accuracy 
7.3.3. Genauigkeit 
7.3.4. Recall 
7.3.5. F1 Score 
7.3.6. ROC Curve 
7.3.7. AUC 

7.4. Wichtigste Architekturen 

7.4.1. AlexNet 
7.4.2. VGG 
7.4.3. Resnet 
7.4.4. GoogleLeNet 

7.5. Klassifizierung von Bildern 

7.5.1. Einführung 
7.5.2. Analyse der Daten 
7.5.3. Vorbereitung der Daten 
7.5.4. Modellhafte Ausbildung 
7.5.5. Modell-Validierung 

7.6. Praktische Überlegungen zum CNN-Training 

7.6.1. Auswahl des Optimierers 
7.6.2. Learning Rate Scheduler 
7.6.3. Überprüfung der Schulungspipeline 
7.6.4. Ausbildung mit Regularisierung 

7.7. Bewährte Verfahren beim Deep Learning 

7.7.1. Transfer Learning 
7.7.2. Fine Tuning 
7.7.3. Data Augmentation 

7.8. Statistische Auswertung der Daten 

7.8.1. Anzahl der Datensätze 
7.8.2. Anzahl der Etiketten 
7.8.3. Anzahl der Bilder 
7.8.4. Datenausgleich 

7.9. Deployment 

7.9.1. Speichern und Laden von Modellen 
7.9.2. Onnx 
7.9.3. Inferenz 

7.10. Fallstudie: Bildklassifizierung 

7.10.1. Datenanalyse und -aufbereitung 
7.10.2. Testen der Schulungspipeline 
7.10.3. Modellhafte Ausbildung 
7.10.4. Modell-Validierung 

Modul 8. Erkennung von Objekten 

8.1. Objekterkennung und -verfolgung 

8.1.1. Erkennung von Objekten 
8.1.2. Anwendungsbeispiele 
8.1.3. Objektverfolgung 
8.1.4. Anwendungsbeispiele 
8.1.5. Oclusiones,Rigid and No Rigid Poses 

8.2. Bewertungsmetriken 

8.2.1. IOU - Intersection Over Union 
8.2.2. Confidence Score 
8.2.3. Recall 
8.2.4. Genauigkeit 
8.2.5. Recall–Precisión Curve 
8.2.6. Mean Average Precision (mAP) 

8.3. Traditionelle Methoden 

8.3.1. Sliding window 
8.3.2. Viola detector 
8.3.3. HOG 
8.3.4. Non Maximal Supresion (NMS) 

8.4. Datasets 

8.4.1. Pascal VC 
8.4.2. MS Coco 
8.4.3. ImageNet (2014) 
8.4.4. MOTA Challenge 

8.5. Two Shot Object Detector 

8.5.1. R-CNN 
8.5.2. Fast R-CNN 
8.5.3. Faster R-CNN 
8.5.4. Mask R-CNN 

8.6.  Single Shot Object Detector  

8.6.1. SSD 
8.6.2. YOLO 
8.6.3. RetinaNet 
8.6.4. CenterNet 
8.6.5. EfficientDet 

8.7. Backbones 

8.7.1. VGG 
8.7.2. ResNet 
8.7.3. Mobilenet 
8.7.4. Shufflenet 
8.7.5. Darknet 

8.8. Object Tracking 

8.8.1. Klassische Ansätze 
8.8.2. Partikelfilter 
8.8.3. Kalman 
8.8.4. Sorttracker 
8.8.5. Deep Sort 

8.9. Bereitstellung 

8.9.1. Plattform für Datenverarbeitung 
8.9.2. Backbone Auswahl 
8.9.3. Framework Auswahl 
8.9.4. Optimierung des Modells 
8.9.5. Modellversionierung 

8.10. Studie: Erkennung und Überwachung von Personen  

8.10.1. Erkennung von Personen 
8.10.2. Verfolgung von Personen 
8.10.3. Re-Identifizierung 
8.10.4. Zählen von Menschen in Menschenmengen 

Modul 9. Bildsegmentierung mit Deep Learning 

9.1. Objekterkennung und Segmentierung 

9.1.1. Semantische Segmentierung 

9.1.1.1. Anwendungsfälle von Semantische Segmentierung 

9.1.2. Instanziierte Segmentierung 

9.1.2.1. Anwendungsfälle instanziierte Segmentierung 

9.2. Bewertungsmetriken 

9.2.1. Ähnlichkeiten mit anderen Methoden
9.2.2. Pixel Accuracy 
9.2.3. Dice Coefficient (F1 Score) 

9.3. Kostenfunktionen 

9.3.1. Dice Loss 
9.3.2. Focal Loss 
9.3.3. Tversky Loss 
9.3.4. Andere Funktionen 

9.4. Traditionelle Segmentierungsmethoden 

9.4.1. Schwellenwertanwendung mit Otsu und Riddlen 
9.4.2. Selbstorganisierte Karten 
9.4.3. GMM-EM algorithm 

9.5. Semantische Segmentierung mit Deep Learning: FCN 

9.5.1. FCN 
9.5.2. Architektur 
9.5.3. FCN Applikationen 

9.6. Semantische Segmentierung mit Deep Learning: U-NET 

9.6.1. U-NET 
9.6.2. Architektur 
9.6.3. Applikation U-NET 

9.7. Semantische Segmentierung mit Deep Learning: Deep Lab 

9.7.1. Deep Lab 
9.7.2. Architektur 
9.7.3. Deep Lab Applikation 

9.8. Instantiierte Segmentierung mit Deep Learning: Mask RCNN 

9.8.1. Mask RCNN 
9.8.2. Architektur 
9.8.3. Implementierung eines Mas RCNN 

9.9. Video-Segmentierung 

9.9.1. STFCN 
9.9.2. Semantisches Video CN 
9.9.3. Clockwork Convnets 
9.9.4. Low-Latency 

9.10. Segmentierung von Punktwolken 

9.10.1. Punktwolke 
9.10.2. PointNet 
9.10.3. A-CNN 

Modul 10. Fortgeschrittene Bildsegmentierung und fortgeschrittene Computer-Vision-Techniken 

10.1. Datenbank für allgemeine Segmentierungsprobleme  

10.1.1. Pascal Context 
10.1.2. CelebAMask-HQ 
10.1.3. Cityscapes Dataset 
10.1.4. CCP Dataset 

10.2. Semantische Segmentierung in der Medizin 

10.2.1. Semantische Segmentierung in der Medizin 
10.2.2. Datensätze für medizinische Probleme 
10.2.3. Praktische Anwendung 

10.3. Anmerkungswerkzeuge 

10.3.1. Computer Vision Annotation Tool 
10.3.2. LabelMe 
10.3.3. Andere Werkzeuge 

10.4. Segmentierungstools mit verschiedenen Frameworks 

10.4.1. Keras 
10.4.2. Tensorflow v2 
10.4.3. Pytorch 
10.4.4. Andere 

10.5. Projekt zur semantischen Segmentierung. Die Daten, Phase 1 

10.5.1. Problemanalyse 
10.5.2. Eingabequelle für Daten 
10.5.3. Analyse der Daten 
10.5.4. Vorbereitung der Daten 

10.6. Projekt antischen Segmentierung. Ausbildung, Phase 2 

10.6.1. Auswahl des Algorithmus 
10.6.2. Training 
10.6.3. Bewertung 

10.7. Projekt zur semantischen Segmentierung. Ergebnisse, Phase 3 

10.7.1. Feineinstellung 
10.7.2. Präsentation der Lösung 
10.7.3. Schlussfolgerungen 

10.8. Autokodierer 

10.8.1. Autokodierer 
10.8.2. Architektur eines Autokodierer 
10.8.3. Rauschunterdrückungs-Autoencoder 
10.8.4. Automatischer Einfärbe-Autoencoder 

10.9. Generative adversarische Netze (GANs) 

10.9.1. Generative adversarische Netze (GAN) 
10.9.2. DCGAN-Architektur 
10.9.3. Bedingte GAN-Architektur 

10.10. Verbesserte generative adversarische Netze 

10.10.1. Überblick über das Problem 
10.10.2. WGAN 
10.10.3. LSGAN 
10.10.4. ACGAN

Dieser private Masterstudiengang bietet die fundiertesten und aktuellsten Inhalte im Bereich der industriellen Bildverarbeitung. Verpassen Sie nicht die Gelegenheit und melden Sie sich jetzt an"