Cel kształcenia i wykaz literatury

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.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

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

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

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 wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

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.

Efekty kształcenia dla zajęć

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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
2	TK01	Problemy rozpoznawania obiektów. Cechy globalne i lokalne. Detekcja cech lokalnych, deskryptory.	W01, L01	MEK01
2	TK02	Duże zbiory obrazów. Rozpoznawanie z wykorzystaniem metod agregujących cechy lokalne: Bag-of-Visual-Words, Fisher Vectors, VLAD.	W02, L02	MEK01
2	TK03	Konwolucyjne sieci neuronowe do rozpoznawania obrazów. ConvNet: aktywacje 3D, warstwy konwolucyjne, operacje. Uczenie sieci, przygotowanie danych, parametry sieci, nadmierne dopasowanie. Wizualizacja cech sieci. Transfer wiedzy. Porównanie z podejściami klasycznymi.	W03, W04, L03	MEK01
2	TK04	Detekcja obiektów z wykorzystaniem przykładowej sieci neuronowej.	W05, L04	MEK01
2	TK05	Metody śledzenia obiektów. Śledzenie i analiza ruchu postaci ludzkich. Wykrywanie sytuacji niebezpiecznych. Wizyjne systemy biometryczne.	W06, W07, L04, L05	MEK02 MEK03
2	TK06	Rozpoznawanie akcji i gestów. Przetwarzanie i analiza chmur punktów. Analiza danych szkieletowych.	W08, W09, W10, L06, L07	MEK03
2	TK07	Projekt z zakresu metod rozpoznawania obiektów i analizy ruchu.	P01-P07	MEK04

Nakład pracy studenta

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)

Sposób wystawiania ocen składowych zajęć i oceny końcowej

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

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
(-)

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: tak

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