Faglig innhold

Emnet dekker avanserte og fremvoksende temaer innen visuell informasjonsprosessering. Avhengig av studentenes bakgrunn kan innholdet omfatte, men er ikke begrenset til:

• Bilde- og videobehandling og forbedring: Avanserte algoritmer for støyreduksjon, superoppløsning, restaurering og forbedring av visuell kvalitet.
• Objektdeteksjon og gjenkjenning: Metoder for identifisering og klassifisering av objekter i bilder og videostrømmer ved bruk av tradisjonelle teknikker og dyplæringsbaserte tilnærminger.
• Sceneanalyse og navigasjon: Metoder for romlig resonnering, ruteplanlegging og autonom navigasjon i komplekse miljøer.
• Kvalitetsvurdering og evaluering: Objektive og subjektive metoder for å evaluere visuell kvalitet og ytelse til prosesseringsalgoritmer.
• Spektral og multispektral bildebehandling: Innsamling og prosessering av spektrale data for anvendelser innen materialanalyse, medisinsk bildebehandling og fjernmåling.
• 3D- og volumetrisk datarepresentasjon: Teknikker for modellering, visualisering og interaksjon med tredimensjonale og volumetriske datasett.
• Maskinlæring og kunstig intelligens for visuelle data: Dyplæringsarkitekturer for segmentering, sporing og mønstergjenkjenning i visuelle datasett.
• Modeller for menneskelig visuell persepsjon: Integrering av perseptuelle prinsipper i algoritmedesign for økt realisme og brukervennlighet.

Læringsutbytte

Kunnskap (Huske, Forstå, Analysere)

• Huske sentrale begreper og terminologi innen visuell informasjonsprosessering, inkludert bilderepresentasjon, persepsjonsmodeller og beregningsmetoder.
• Forstå teoretiske grunnlag og prinsipper bak avanserte metoder for visuell informasjonsprosessering.
• Analysere hensiktsmessigheten og anvendbarheten av ulike algoritmer og modeller for å løse komplekse oppgaver innen visuell prosessering.

Ferdigheter (Anvende, Analysere, Skape)

• Anvende avanserte teknikker for visuell informasjonsprosessering på reelle problemer som bildeforbedring, segmentering og objektdeteksjon.
• Analysere ytelse og begrensninger ved ulike algoritmer i tverrfaglige anvendelser.
• Skape og implementere optimaliserte løsninger og algoritmer for oppgaver innen visuell informasjonsprosessering ved bruk av moderne verktøy og rammeverk.

Generell kompetanse (Evaluere, Skape)

• Evaluere nyere forskningsbidrag og fremvoksende trender innen visuell informasjonsprosessering kritisk og konstruktivt.
• Skape godt strukturerte vitenskapelige rapporter og presentasjoner som formidler komplekse ideer effektivt til både tekniske og ikke-tekniske målgrupper.
• Samarbeide og gi informert tilbakemelding på andres arbeid innen visuell informasjonsprosessering, med akademisk integritet og profesjonelle standarder.

Læringsformer og aktiviteter

Emnet vil benytte en blandet læringstilnærming, som kombinerer tradisjonelle forelesninger, ekspertseminarer og studentpresentasjoner.

• Forelesninger: Holdes av emneansvarlig og inviterte eksperter, og dekker både grunnleggende og avanserte temaer innen visuell informasjonsprosessering.
• Seminarer: Interaktive økter der studentene presenterer og diskuterer tildelte temaer, for å fremme kritisk tenkning og samarbeid.
• Prosjektarbeid: Studentene arbeider individuelt eller i grupper med forskningsorienterte oppgaver. Hver gruppe eller enkeltstudent får tildelt en veileder fra undervisningsteamet som gir faglig støtte gjennom prosjektet.

Alle forelesninger, seminarer og studentpresentasjoner er obligatoriske og regnes som en integrert del av emnet, og bidrar til å oppnå læringsutbyttene.

Spesielle vilkår

Anbefalte forkunnskaper

Det forventes et solid grunnlag innen visuell informasjonsprosessering og analyse. Relevante tidligere emner kan inkludere:

• Bilde- og videobehandling: Teknikker for forbedring, filtrering, komprimering og trekkekstraksjon.
• 3D-informasjonsrepresentasjon og analyse: Metoder for modellering, rekonstruksjon og tolkning av tredimensjonale data.
• Visualisering og interaksjon med volumetriske data: Tilnærminger for rendering, utforskning og interaktiv manipulering av komplekse datasett.
• Ytterligere temaer som datavisjon, mønster­gjenkjenning og maskinlæring for visuelle data er svært nyttige.

Forkunnskapskrav

Deltakere forventes å ha:

• Grunnleggende kunnskap om bildebehandling: Forståelse av sentrale konsepter som filtrering, forbedring og trekkekstraksjon.
• Programmeringsferdigheter: Evne til å skrive og feilsøke kode i et relevant programmeringsspråk (f.eks. Python, C++ eller MATLAB).
• Grunnleggende algoritmer og datastrukturer: Kunnskap om sentrale prinsipper for effektiv beregning og problemløsning.
• Innledende erfaring med bildebehandling: Kjennskap til grunnleggende teknikker for håndtering og analyse av visuelle data.

Tilleggsferdigheter innen datavisjon, maskinlæring eller visualiseringsteknikker er en fordel, men ikke obligatorisk.

Kursmateriell

Nylige forskningsartikler, nettbasert opplæring/GitHub-koblinger og forelesningslysbilder. Forskningsoppgaver og annet relevant undervisningsmateriell som brukes i seminarene vil bli gjort tilgjengelig elektronisk.