Advanced Topics in Learning-based Computer Vision
Maskininlärning för datorseende avancerad kurs

FMA325F, 7.5 högskolepoäng

Gäller från och med: Autumn 2024
Beslutad av: Maria Sandsten
Datum för fastställande: 2024-05-07

Allmänna uppgifter

Avdelning: Mathematics
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: English

Syfte

This course will cover advanced topics in computer vision with a focus on machine learning,

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• Understand advanced concepts and techniques in machine learning that are used in computer vision.
• Understand and discuss the current state-of-the-art and future directions in machine learning-based methods for computer vision.
• Be familiar with common network architectures, losses and datasets used in the field.

Färdighet och förmåga

För godkänd kurs skall doktoranden

• Be able to apply common machine learning techniques used in computer vision.
• Be able to analyse and critique recent research papers in the field.
• Be able to apply and understand common evaluation methodologies and benchmarking approaches.

Kursinnehåll

The course is focused on machine learning methods and paradigms that are used in modern computer vision.

Kurslitteratur

Scientific articles that highlight both the history and current research frontier within the field.

Kursens undervisningsformer

Undervisningsformer: Seminarier, litteraturkurs som självstudier

Kursens examination

Examinationsform: Seminarieföredrag av deltagarna
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Förutsatta förkunskaper: The course participants are assumed to have research experience in a topic relevant for the course.
Urvalskriterier: The course is limited to 12 participants. Preference is given to students admitted to the research subjects Mathematics (TEFMAF00), Numerical Analysis (TEEDAFNA) och Mathematical Statistics (TEFMSF00).

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvariga:

• Viktor Larsson <viktor.larsson@math.lth.se>
• Magnus Oskarsson <magnus.oskarsson@math.lth.se>