Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Elektrotechniki i Informatyki
Nazwa kierunku studiów: Informatyka
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: drugiego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: H - Cyberbezpieczeństwo i technologie chmurowe, I - Inżynieria inteligentnych systemów informatycznych, S - Systemy i sieci komputerowe
Tytuł otrzymywany po ukończeniu studiów: magister inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Informatyki i Automatyki
Kod zajęć: 15960
Status zajęć: obowiązkowy dla specjalności I - Inżynieria inteligentnych systemów informatycznych
Układ zajęć w planie studiów: sem: 2 / W20 L15 P15 / 4 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: dr inż. prof. PRz Tomasz Krzeszowski
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
Imię i nazwisko koordynatora 2: dr inż. Dawid Warchoł
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
Imię i nazwisko koordynatora 3: dr hab. inż. prof. PRz Mariusz Oszust
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
Główny cel kształcenia: Zdobycie wiedzy i umiejętności w zakresie rozpoznawania obiektów w obrazach cyfrowych oraz analizy ruchu.
Ogólne informacje o zajęciach: W ramach przedmiotu studenci będą poznawać zaawansowane zagadnienia dotyczące metod rozpoznawania obiektów, śledzenia obiektów oraz analizy ruchu. Omówione zostaną m.in. podejścia związane z cechami lokalnymi, wykorzystaniem konwolucyjnych sieci neuronowych, metody śledzenia obiektów i postaci ludzkiej oraz metody analizy ruchu wykorzystujące obrazy RGB i dane z kamery głębokości.
1 | Richard Szeliski | Computer Vision - Algorithms and Applications | Springer-Verlag London. | 2011 |
2 | Rusu R. B., Bradski G., Thibaux R | Fast 3D recognition and pose using the Viewpoint Feature Histogram | IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). | 2010 |
3 | Marton Z.C., Pangeric D., Rusu R. B., Holzbach A., Beetz M. | Hierarchical object categorization and appearance classification for mobile manipulation | 10th IEEE-RAS International Conference on Humanoid Robots (Humanoids). | 2010 |
4 | Wohlkinger, W., Vincze, M | Ensemble of Shape Functions for 3D object classifications | IEEE International Conference on Robotics and Biomimetics (ROBIO). | 2011 |
5 | Ian Goodfellow, Yoshua Bengio, and Aaron Courville | Deep learning | MIT press, www.deeplearningbook.org. | 2016 |
6 | LeCun Y, Bengio Y, Hinton G. | Deep learning | Nature, doi:10.1038/nature14539. | 2015 |
7 | Gary Bradski, Adrian Kaehler | Learning OpenCV. Computer Vision with the OpenCV Library | O'Reilly Media. | 2008 |
1 | Richard Szeliski | Computer Vision - Algorithms and Applications | Springer-Verlag London. | 2011 |
2 | Ian Goodfellow, Yoshua Bengio, and Aaron Courville | Deep learning | MIT press, www.deeplearningbook.org. | 2016 |
3 | Gary Bradski, Adrian Kaehler | Learning OpenCV. Computer Vision with the OpenCV Library | O'Reilly Media. | 2008 |
Wymagania formalne: Student wpisany na 2 semestr studiów magisterskich.
Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z zakresu metod uczenia maszynowego oraz optymalizacji.
Wymagania wstępne w kategorii Umiejętności: Umiejętność programowania w języku obiektowym (Python lub C++).
Wymagania wstępne w kategorii Kompetencji społecznych: Uczciwość, komunikatywność, umiejętność radzenia sobie z emocjami i ze stresem, odpowiedzialność i szacunek do innych.
MEK | Student, który zaliczył zajęcia | Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia | Metody weryfikacji każdego z wymienionych efektów kształcenia | Związki z KEK | Związki z PRK |
---|---|---|---|---|---|
01 | Zna zaawansowane zagadnienia związane z rozpoznawaniem obiektów. | wykład, laboratorium | sprawdzian pisemny |
K_W03+++ K_W07+++ K_U06+++ K_K01++ |
P7S_KK P7S_UW P7S_WG P7S_WK |
02 | Zna zaawansowane zagadnienia związane ze śledzeniem obiektów. | wykład, laboratorium | sprawdzian pisemny |
K_W03+++ K_W07+ K_U06+++ K_K01+ |
P7S_KK P7S_UW P7S_WG P7S_WK |
03 | Zna zaawansowane zagadnienia związane z analizą ruchu. | wykład, laboratorium | sprawdzian pisemny |
K_W03+++ K_W07+ K_U06+++ K_K01+ |
P7S_KK P7S_UW P7S_WG P7S_WK |
04 | Potrafi zastosować w praktyce zagadnienia związane z rozpoznawaniem obiektów i analizą ruchu. | projekt zespołowy | prezentacja projektu, raport pisemny |
K_W03+++ K_W07+++ K_U06+++ K_U13+++ K_K02+ K_K05+++ |
P7S_KR P7S_UW P7S_WG P7S_WK |
Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
2 | TK01 | W01, L01 | MEK01 | |
2 | TK02 | W02, L02 | MEK01 | |
2 | TK03 | W03, W04, L03 | MEK01 | |
2 | TK04 | W05, L04 | MEK01 | |
2 | TK05 | W06, W07, L04, L05 | MEK02 MEK03 | |
2 | TK06 | W08, W09, W10, L06, L07 | MEK03 | |
2 | TK07 | P01-P07 | MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 2) | Godziny kontaktowe:
20.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. Studiowanie zalecanej literatury: 6.00 godz./sem. |
|
Laboratorium (sem. 2) | Przygotowanie do laboratorium:
5.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
5.00 godz./sem. |
Projekt/Seminarium (sem. 2) | Godziny kontaktowe:
15.00 godz./sem.. |
Wykonanie projektu/dokumentacji/raportu:
25.00 godz./sem. Przygotowanie do prezentacji: 2.00 godz./sem. |
|
Konsultacje (sem. 2) | Udział w konsultacjach:
2.00 godz./sem. |
||
Zaliczenie (sem. 2) |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Ocena z testu pisemnego. |
Laboratorium | Ocena sprawozdań. |
Projekt/Seminarium | Ocena uzyskana z projektu. |
Ocena końcowa | Średnia ważona ocen z poszczególnych form zajęć |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | K. Cymerys; M. Oszust | Attraction–Repulsion Optimization Algorithm for Global Optimization Problems | 2024 |
2 | B. Dziadek; C. França; É. Gouveia; T. Krzeszowski; F. Martins; K. Przednowek | System for Estimation of Human Anthropometric Parameters Based on Data from Kinect v2 Depth Camera | 2023 |
3 | M. Oszust; I. Stępień | No-Reference Image Quality Assessment of Magnetic Resonance images with multi-level and multi-model representations based on fusion of deep architectures | 2023 |
4 | M. Oszust; I. Stępień | TIQA-PSI: Toolbox for perceptual Image Quality Assessment of Pan-Sharpened Images | 2023 |
5 | P. Hasiec; H. Josiński; T. Krzeszowski; W. Lindenheim-Locher; G. Paleta; M. Paszkuta; J. Rosner; A. Switoński; K. Wojciechowski | YOLOv5 Drone Detection Using Multimodal Data Registered by the Vicon System | 2023 |
6 | T. Kapuściński; D. Warchoł | A Four-Stage Mahalanobis-Distance-Based Method for Hand Posture Recognition | 2023 |
7 | T. Krzeszowski; J. Rosner; A. Switonski; K. Wojciechowski; M. Zielinski | 3D Tracking of Multiple Drones Based on Particle Swarm Optimization | 2023 |
8 | C. Calafate; M. Kepski; T. Krzeszowski; A. Switonski | Intelligent Sensors for Human Motion Analysis | 2022 |
9 | M. Bielecka; A. Bielecki; R. Obuchowicz; M. Oszust; A. Piórkowski; I. Stępień | Blind image quality assessment of magnetic resonance images with statistics of local intensity extrema | 2022 |
10 | M. Oszust; D. Warchoł | Augmentation of Human Action Datasets with Suboptimal Warping and Representative Data Samples | 2022 |
11 | M. Oszust; D. Warchoł | Efficient Augmentation of Human Action Recognition Datasets with Warped Windows | 2022 |
12 | M. Oszust; D. Warchoł | Time Series Augmentation with Time-Scale Modifications and Piecewise Aggregate Approximation for Human Action Recognition | 2022 |
13 | M. Oszust; I. Stępień | A Brief Survey on No-Reference Image Quality Assessment Methods for Magnetic Resonance Images | 2022 |
14 | M. Oszust; I. Stępień | No-Reference Quality Assessment of Pan-Sharpening Images with Multi-Level Deep Image Representations | 2022 |
15 | S. Dippel; V. Grossmann; R. Kiko; R. Koch; M. Oszust; M. Pastell; L. Schmarje; J. Stracke; A. Valros; N. Volkmann; C. Zelenka | Is one annotation enough? - A data-centric image classification benchmark for noisy and ambiguous label estimation | 2022 |
16 | T. Krzeszowski; K. Przednowek | Sposób estymacji cech somatycznych, wskaźników somatycznych, komponentów somatotypu, samego somatotypu oraz komponentów składu ciała z wykorzystaniem sensora głębi | 2022 |
17 | T. Krzeszowski; K. Wiktorowicz | Identification of time series models using sparse Takagi–Sugeno fuzzy systems with reduced structure | 2022 |
18 | T. Krzeszowski; W. Paśko; K. Przednowek; E. Zadarko | Relationship between Eye Blink Frequency and Incremental Exercise among Young Healthy Men | 2022 |
19 | J. Krupski; M. Oszust | Isolated Sign Language Recognition with Depth Cameras | 2021 |
20 | K. Cymerys; M. Oszust; G. Sroka | A hybridization approach with predicted solution candidates for improving population-based optimization algorithms | 2021 |
21 | L. Gniewek; M. Markiewicz; D. Warchoł | Extended Hierarchical Fuzzy Interpreted Petri Net | 2021 |
22 | M. Oszust | Enhanced Marine Predators Algorithm with Local Escaping Operator for Global Optimization | 2021 |
23 | M. Oszust; G. Sroka | Approximation of the Constant in a Markov-Type Inequality on a Simplex Using Meta-Heuristics | 2021 |
24 | M. Oszust; M. Rajchel | No-reference image quality assessment of authentically distorted images with global and local statistics | 2021 |
25 | R. Obuchowicz; M. Oszust; A. Piórkowski; I. Stępień | Fusion of Deep Convolutional Neural Networks for No-Reference Magnetic Resonance Image Quality Assessment | 2021 |
26 | T. Krzeszowski; K. Przednowek; K. Wiktorowicz | Sparse regressions and particle swarm optimization in training high-order Takagi–Sugeno fuzzy systems | 2021 |
27 | T. Krzeszowski; K. Wiktorowicz | Training Sparse Fuzzy Classifiers Using Metaheuristic Optimization | 2021 |
28 | K. Kamycki; T. Kapuściński; M. Oszust | Data Augmentation with Suboptimal Warping for Time-Series Classification | 2020 |
29 | M. Bielecka; A. Bielecki; R. Obuchowicz; M. Oszust; A. Piórkowski | Magnetic resonance image quality assessment by using non-maximum suppression and entropy analysis | 2020 |
30 | R. Obuchowicz; M. Oszust; A. Piórkowski | Interobserver variability in quality assessment of magnetic resonance images | 2020 |
31 | R. Obuchowicz; M. Oszust; A. Piórkowski | No-reference image quality assessment of magnetic resonance images with high-boost filtering and local features | 2020 |
32 | T. Kapuściński; D. Warchoł | Hand Posture Recognition Using Skeletal Data and Distance Descriptor | 2020 |
33 | T. Kapuściński; D. Warchoł | Human Action Recognition Using Bone Pair Descriptor and Distance Descriptor | 2020 |
34 | T. Krzeszowski | Member of the Topic Editor team (Topics Board) of the Sensors journal (MDPI) | 2020 |
35 | T. Krzeszowski; K. Przednowek | Opracowanie metod do estymacji parametrów antropometrycznych człowieka na podstawie danych z kamery głębokości | 2020 |
36 | T. Krzeszowski; K. Wiktorowicz | Approximation of two-variable functions using high-order Takagi–Sugeno fuzzy systems, sparse regressions, and metaheuristic optimization | 2020 |
37 | T. Krzeszowski; K. Wiktorowicz | Combined Regularized Discriminant Analysis and Swarm Intelligence Techniques for Gait Recognition | 2020 |
38 | T. Krzeszowski; K. Wiktorowicz | Training High-Order Takagi-Sugeno Fuzzy Systems Using Batch Least Squares and Particle Swarm Optimization | 2020 |
39 | H. Josiński; T. Krzeszowski; B. Kwolek; A. Michalczuk; A. Świtoński; K. Wojciechowski | Calibrated and synchronized multi-view video and motion capture dataset for evaluation of gait recognition | 2019 |
40 | J. Marquez-Barja; C. Calafate; J. Cano; F. Fabra ; T. Krzeszowski; P. Manzoni; J. Wubben | A vision-based system for autonomous vertical landing of unmanned aerial vehicles | 2019 |
41 | J. Marquez-Barja; C. Calafate; J. Cano; F. Fabra ; T. Krzeszowski; P. Manzoni; J. Wubben | Accurate Landing of Unmanned Aerial Vehicles Using Ground Pattern Recognition | 2019 |
42 | J. Iskra; T. Krzeszowski; K. Przednowek; K. Wiktorowicz | A web-oriented expert system for planning hurdles race training programmes | 2019 |
43 | J. Iskra; T. Krzeszowski; K. Przednowek; K. Wiktorowicz | The Application of Multiview Human Body Tracking on the Example of Hurdle Clearance | 2019 |
44 | J. Iskra; T. Krzeszowski; K. Przednowek; K. Wiktorowicz | Wspomaganie procesu treningowego w biegach przez płotki z wykorzystaniem modelowania komputerowego | 2019 |
45 | M. Oszust | Członkostwo w komitecie redakcyjnym czasopisma „SIGNAL IMAGE AND VIDEO PROCESSING” | 2019 |
46 | M. Oszust | Local Feature Descriptor and Derivative Filters for Blind Image Quality Assessment | 2019 |
47 | M. Oszust | No-Reference Image Quality Assessment with Local Gradient Orientations | 2019 |
48 | M. Oszust | No-Reference quality assessment of noisy images with local features and visual saliency models | 2019 |
49 | T. Kapuściński; D. Warchoł; M. Wysocki | Recognition of Fingerspelling Sequences in Polish Sign Language Using Point Clouds Obtained from Depth Images | 2019 |
50 | T. Kapuściński; J. Marnik; M. Oszust; D. Warchoł; M. Wysocki | Układ wspomagający komunikowanie się osób głuchoniemych z osobami słyszącymi i sposób wspierania takiego komunikowania się | 2019 |
51 | T. Krzeszowski | Member of the Program Committee of the 7th International Conference on Sport Sciences Research and Technology Support | 2019 |