Računalniški vid v biometriji / Computer Vision in Biometrics

Potrebno posebno predznanje: Dobro znanje programiranja in znanje Pythona

Snov predmeta sestavljena iz treh glavnih vsebin: (I), zajem podatkov in pomembnost nepristranskosti in uravnoteˇzenosti podatkov, (II) zaznava in segmentiranje slik za potrebe nadaljnje analize objektov, (III) prepozpoznava oseb in objektov. Studenti bodo ocenjeni skozi 5 seminarskih nalog. ˇ Vsebina po tednih:

• Teden #1: V prvem tednu se ˇstudentje seznanijo s pregledom osnov raˇcunalniˇskega vida in biometrije. Nauˇcijo se uvaˇzati, prikazovati in shranjevati slike ter jih modificirati, vkljuˇcno z zmanjˇsevanjem, obrezovanjem, pretvorbo barv, svetlostjo in kontrastom. Poleg tega se uˇcijo izboljˇsevanja slik s histogramsko ekvivalizacijo, konvolucijami za ostrino in zameglitev ter nadaljujejo z detekcijo robov in segmentacijo slik.

• Teden #2: Studentje se pouˇcijo o temeljih pristranskosti, poˇstenosti ˇ in etike v umetni inteligenci in raˇcunalniˇskem vidu. Razumejo pojme pristranskosti in poˇstenosti v podatkovnih naborih slik, prouˇcijo strategije za zbiranje in organizacijo nepristranskih slikovnih podatkov ter spoznajo in poskusijo tehnike oznaˇcevanja podatkov. Studenti im- ˇ plementirajo veˇc tehnik za zmanjˇsevanje pristranskosti na obstojeˇcih podatkih.

• Teden #3: Pregled biometriˇcnih modalnosti: obraz in deli obraza (uhlji, oˇci in deli oˇci), prsti, hoja, govor, prepoznava akcij, itd.

• Teden #4: Studentje spoznajo temelje zaznave objektov in poskusijo ˇ veˇc razliˇcnik tehnik predobdelave slik za zaznavo objektov. Predstavi se jim podrobno delovanje in izraˇcun piramidnih Haar-kaskad, implementirajo zaznavo obrazov z zajemom preko spletne kamere.

• Teden #5: V petem tednu se ˇstudentom predstavi delovanje globokih modelov. Seznanijo se z glavnimi modeli za zaznavo objektov, vkljuˇcno s Fast R-CNN in YOLO; spoznajo tehnike predobdelave slik za globoko uˇcenje. Poleg tega se obravnava evalvacija algoritmov za zaznavo in praktiˇcne pristope k implementaciji.

• Teden #6: Studentje se spoznajo semantiˇcno segmentacije slik s ˇ primeri iz biometrije, vse od preproste pragovne, do napredne z globokimi modeli.

• Teden #7: V nadaljevanju snovi iz 6. tedna se ˇstudenti spoznajo ˇse z U-Net in Mask R-CNN modeli in jih evalvirajo na svojih podatkih.

• Teden #8: Studentje se spoznajo s podroˇcjem sledenja objektom in ˇ konkretne primere ocenjevanja poz s prepoznavo akcij oseb.

• Teden #9: Snov se nadaljuje v bolj napredne tehnike sledenja, prouˇcijo se tehnike sledenja mnoˇzicam in osebam v gneˇcah.

• Teden #10: Studentje pridobijo temelje prepoznavanja ljudi in mehkih ˇ biometriˇcnih modalnosti. Spoznajo tehnike prepoznavanja s pomoˇcjo primerjanja in ocenjevanja zmogljivosti algoritmov ter uporabo tehnik v realnem svetu.

• Teden #11: Studentje spoznajo pristope za razpoznavo na podlagi ˇ pridobivanja znaˇcilk z metodami analize vzorcev.

• Teden #12: Nadaljevanje snovi 11. tedna z vpeljavo razliˇcnih pristopov primerjave pridobljenih znaˇcilk.

• Teden #13: Studentje spoznajo globoke pristope za razpoznavo na ˇ slikah, vkljuˇcno s konkretnimi modeli za prepoznavo ResNet, EfficientNet, ViT.

• Teden #14: Sledi nadaljevanje razpoznave oseb z globokimi modeli in konkretnimi reˇsitvami.

• Teden #15: Studentje zdruˇzijo posamezne komponente (primarno za- ˇ znave in prepoznave) v zakljuˇcen, celovit biometriˇcni cevovod. Predstavijo se jim trenutni najnovejˇsi pristopi in primeri uporabe.