Text

Kursplan - Deep learning för industriell bildbehandling

Omfattning

2.5 hp

Kurskod

DVA476

Giltig från

Hösttermin 2019

Utbildningsnivå

Avancerad nivå

Successiv fördjupning

A1N (Avancerad nivå, har endast kurs/er på grundnivå som förkunskapskrav).

Huvudområde(n)

Datavetenskap

Akademi

Akademin för innovation, design och teknik

Fastställd

2019-01-24

Litteraturlistor

Kurslitteraturen är preliminär till 8 veckor innan kursstart. Kurslitteratur kan vara giltig över flera terminer.

    • Beslutsdatum: 2019-09-10
    • Senaste uppdatering: 2019-09-10

    Referenslitteratur

    The contents of this course are very vast and you can find a lot of information on Internet and on YouTube. However, this course followed few books but are not mandatory to buy for the course. If you want to have a nice handbook for your future then you can consider to buy them.

    Gonzalez, Rafael C.; Woods, Richard E.

    Digital image processing

    [New ed.] : Upper Saddle River, N.J. : Prentice Hall, cop. 2002 - xx, 793 s.

    ISBN: 0201180758 LIBRIS-ID: 8395912

    URL: Bokens hemsida

    Demant, Christian.; Streicher-Abel, Bernd.; Garnica, Carsten.

    Industrial Image Processing : Visual Quality Control in Manufacturing

    2nd revised ed. 2013. : Berlin, Heidelberg : Springer Berlin Heidelberg, 2013 - XVII, 369 p. 252 illus., 20 illus. in color.

    ISBN: 9783642339059 LIBRIS-ID: 14809480

    URL: Table of Contents / Abstracts

    Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron

    Deep learning

    Cambridge, MA : MIT Press, [2016] - xxii, 775 pages

    ISBN: 978-0-262-03561-3 LIBRIS-ID: 19973915

Syfte

Syftet med kursen är att ge studenterna grunderna i bildbehandling och modeller för Deep Learning (djup maskininlärning). Studenten får lära sig att designa intelligenta system med Deep Learning, t ex neuralt nätverk (CNN) för klassificering, annotering, och objektigenkänning.

Lärandemål

Efter avslutad kurs ska studenten kunna: 
1. Visa förståelse för den grundläggande teorin om bildbehandling. 
2. Beskriva de grundläggande behoven, utmaningarna och begränsningarna av Big Data inom industriell avbildning. 
3. Visa förståelse för och beskriva de grundläggande principerna för neurala nätverk (CNN). 
4. Demonstrera förmågan att använda verktyg för Deep Learning inom industriell avbildning.

Innehåll

Bildbehandling: Introduktion till industriell bildbehandling med Big Data, grundläggande principer för bildbehandlingstekniker. 
 
Deep Learning med neuralt nätverk: översikt av neurala nätverk som klassificerare, introduktion till länkade neurala nätverk, Deep Learning-arkitektur. 
 
Användning av verktyg för Deep Learning: implementering för bildklassificering och objektigenkänning, genom t.ex. Keras.

Särskild behörighet

90 hp, varav 60 hp inom datavetenskap eller motsvarande, inklusive minst 15 hp programmering.  Dessutom krävs Svenska B/Svenska 3 samt Engelska A/Engelska 6. I de fall kursen ges på engelska görs undantag från kravet på Svenska B/Svenska 3.

Examination

Inlämningsuppgift (INL1),  1 hp, betyg Underkänd (U) eller Godkänd G (examinerar lärandemål 1, 2)
Projekt (PRO1),  1,5 hp, betyg Underkänd (U) eller Godkänd G (examinerar lärandemål 3, 4)

En student som har ett intyg från MDU avseende sin funktionsnedsättning har möjlighet att anmäla önskemål om anpassning vid salstentamina eller annan examinationsform i enlighet med Regler och anvisningar för examination på grundnivå och avancerad nivå vid Mälardalens högskola (2020/1655). Det är examinator som, utifrån det intyg som utfärdats, beslutar om eventuell anpassning och i så fall vilken anpassning som ska gälla.

Misstankar om vilseledande vid examination (fusk) anmäls, enligt högskoleförordningen, till universitetets rektor och prövas av universitetets disciplinnämnd. Om disciplinnämnden anser att en student gjort sig skyldig till en disciplinförseelse fattar nämnden beslut om en disciplinär åtgärd, vilket är varning eller avstängning.

Betyg

Godkänd, underkänd