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 uravnoteženosti podatkov, (II) zaznava in segmentiranje slik za potrebe nadaljnje analize objektov, (III) prepozpoznava oseb in objektov. Študenti bodo ocenjeni skozi 5 seminarskih nalog.

Vsebina po tednih:

Teden #1: V prvem tednu se študentje seznanijo s pregledom osnov računalniškega vida in biometrije. Naučijo se uvažati, prikazovati in shranjevati slike ter jih modificirati, vključno z zmanjševanjem, obrezovanjem, pretvorbo barv, svetlostjo in kontrastom. Poleg tega se učijo izboljševanja slik s histogramsko ekvivalizacijo, konvolucijami za ostrino in zameglitev ter nadaljujejo z detekcijo robov in segmentacijo slik.
• Teden #2: Pregled biometričnih modalnosti: obraz in deli obraza (uhlji, oči in deli oči), prsti, hoja, govor, prepoznava akcij, itd.
• Teden #3: Študentje spoznajo temelje zaznave objektov in poskusijo več različnik tehnik predobdelave slik za zaznavo objektov. Predstavi se jim podrobno delovanje in izračun piramidnih Haar-kaskad,implementirajo zaznavo obrazov z zajemom preko spletne kamere.
• Teden #4: V petem tednu se študentom predstavi delovanje globokih modelov. Seznanijo se z glavnimi modeli za zaznavo objektov, vključno s Fast R-CNN in YOLO; spoznajo tehnike predobdelave slik za globoko učenje. Poleg tega se obravnava evalvacija algoritmov za zaznavo in praktične pristope k implementaciji.
• Teden #5: Študentje se spoznajo semantično segmentacije slik s primeri iz biometrije, vse od preproste pragovne, do napredne z globokimi modeli.
• Teden #6: V nadaljevanju snovi iz 6. tedna se študenti spoznajo še z U-Net in Mask R-CNN modeli in jih evalvirajo na svojih podatkih.
• Teden #7: Študentje se spoznajo s področjem sledenja objektom in konkretne primere ocenjevanja poz s prepoznavo akcij oseb.
• Teden #8: Snov se nadaljuje v bolj napredne tehnike sledenja, proučijo se tehnike sledenja množicam in osebam v gnečah.
• Teden #9: Študentje pridobijo temelje prepoznavanja ljudi in mehkih biometričnih modalnosti. Spoznajo tehnike prepoznavanja s pomočjo primerjanja in ocenjevanja zmogljivosti algoritmov ter uporabo tehnik v realnem svetu.
• Teden #10: Študentje spoznajo pristope za razpoznavo na podlagi pridobivanja značilk z metodami analize vzorcev.
• Teden #11: Nadaljevanje snovi 11. tedna z vpeljavo različnih pristopov primerjave pridobljenih značilk.
• Teden #12: Študentje spoznajo globoke pristope za razpoznavo na slikah, vključno s konkretnimi modeli za prepoznavo ResNet, EfficientNet,ViT.
• Teden #13: Sledi nadaljevanje razpoznave oseb z globokimi modeli in konkretnimi rešitvami.
• Teden #14: Študentje združijo posamezne komponente (primarno zaznave in prepoznave) v zaključen, celovit biometrični cevovod. Predstavijo se jim trenutni najnovejši pristopi in primeri uporabe.
• Teden #15: Študentje se poučijo o temeljih pristranskosti, poštenosti in etike v umetni inteligenci in računalniškem vidu. Razumejo pojme pristranskosti in poštenosti v podatkovnih naborih slik, proučijo strategije za zbiranje in organizacijo nepristranskih slikovnih podatkov ter spoznajo in poskusijo tehnike označevanja podatkov. Študenti implementirajo več tehnik za zmanjševanje pristranskosti na obstoječih podatkih.