"False"
Hoppa direkt till innehållet
printicon
Huvudmenyn dold.
Kursplan:

Projektkurs i datorseende, 7,5 hp

Engelskt namn: Project course in Machine Vision

Denna kursplan gäller: 2024-01-01 och tillsvidare

Kurskod: 5DV190

Högskolepoäng: 7,5

Utbildningsnivå: Avancerad nivå

Huvudområden och successiv fördjupning: Datavetenskap: Avancerad nivå, har kurs/er på avancerad nivå som förkunskapskrav
Beräkningsteknik: Avancerad nivå, har kurs/er på avancerad nivå som förkunskapskrav

Betygsskala: TH teknisk betygsskala

Ansvarig institution: Institutionen för datavetenskap

Beslutad av: Teknisk-naturvetenskapliga fakultetsnämnden, 2018-03-19

Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden, 2023-06-19

Innehåll

Kursen behandlar en tillämpning inom något eller några av teoriområdena bildanalys, 3D-rekonstruktion och/eller mönsterigenkänning. De relevanta ämnesområdena samt teori kring en projektstyrningsmodell, exempelvis Scrum, introduceras inledningsvis. Därefter vidtar ett större programutvecklingsprojekt. Utformningen av projektet varierar mellan åren. Exempel på tänkbara projekt är:

  • Konstruera en applikation som givet en uppsättning bilder av ett vardagsrum, bygger upp en 3D-modell av det och visualiserar det tillsammans med IKEA-bokhyllan Billy (eller annan möbel).
  • Konstruera en applikation som givet ett antal inskannade specificerade telefonifakturor beräknar vilket telefonabbonemang som skulle vara billigast.
  • Konstruera en applikation som givet ett punktmoln taget med en laserscanner i en gles skog, identifierar träd samt beräknar dess diametrar i brösthöjd.
  • Utveckla en metod som givet indata i form digitala bilder och/eller 3D-punktmoln inhämtade i en skog detekterar träd samt klassificerar trädslag.
  • Identifiera och lokalisera frukter i kamerabilder, med hjälp av kombinerade klassificerare (classifier fusion).
  • Analysera 3D-bilder från en Kinectkamera för detektion av människor, träd, buskar och stenar.

Förväntade studieresultat

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna:

  • (FSR 1) förklara centrala begrepp inom bildanalys, 3D-rekonstruktion och/eller mönsterigenkänning,
  • (FSR 2) redovisa principerna för den använda projektstyrningsmodellen, exempelvis Scrum.

Färdighet och förmåga
Efter avslutad kurs ska studenten kunna:

  • (FSR 3) demonstrera förmåga att arbeta i projektform i grupper om minst 4 personer, inklusive att arbeta i icke självvalda grupper,
  • (FSR 4) analysera ett problem inom ett eller flera av ämnesområdena bildanalys, 3D-rekonstruktion och mönsterigenkänning,
  • (FSR 5) identifiera otydligheter i den givna kravspecifikationen samt föreslå förtydliganden,
  • (FSR 6) använda ett versionshanteringssystem för källkod och annan dokumentation.

Värderingsförmåga och förhållningssätt
Efter avslutad kurs ska studenten kunna

  • (FSR 7) värdera olika lösningsförslag för problem inom något eller flera av ämnesområdena bildanalys, 3D-rekonstruktion och mönsterigenkänning,
  • (FSR 8) reflektera över sin egen insats i ett projektarbete och bedöma kvalitén på gruppens resultat.

Behörighetskrav

Minst 90 hp varav 60 hp datavetenskap eller 120 hp inom ett program. Minst 7,5 hp programmering; 7,5 hp linjär algebra; 7,5 hp differentialkalkyl (t.ex. 5MA153 eller 5MA197); och 7,5 hp statistik. Engelska för grundläggande behörighet för högskolestudier.

Undervisningens upplägg

Kursen inleds med introduktion i form av föreläsningar till de för projektet relavanta ämnesområdena samt projektstyrningsmodellen. Därefter vidtar ett större programmeringsprojekt som är centralt på denna kurs. Syftet är att få erfarenhet av att jobba i utvecklingsteam från en vagt formulerad beställning och jobba fram en fungerande prototyp samt att självständigt och i grupp inhämta kunskap nödvändig för uppgiften. Arbetet organiseras i huvudsak enligt någon agil utvecklingmodell, exempelvis Scrum. Arbetet innefattar små och stora grupparbeten samt fördjupningsstudier.

Examination

Kursen examineras genom en skriftlig redovisning av studentens insats i projektet, huvudsakligen i form av en tidlogg (FSR 3, 8), samt en skriftlig slutrapportering i form av en hemtentamen (FSR 1-2, 4-8). Då det praktiska arbetet i grupp i projektform är centralt för kursen är huvuddelen av närvaron på det praktiska arbetet obligatorisk.

På kursen sätts något av betygen U, Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5).

Kursbetyget utgör en sammanfattande bedömning av examinationens två delar.

Anpassad examination
Examinator kan besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Student som har behov av en anpassad examination ska senast 10 dagar innan examinationen begära anpassning hos Institutionen för datavetenskap. Examinator beslutar om anpassad examination som sedan meddelas studenten.

Övriga föreskrifter

I en examen får denna kurs ej ingå, helt eller delvis, samtidigt med en annan kurs med likartat innehåll. Vid tveksamheter bör den studerande rådfråga studievägledare vid Institutionen för datavetenskap och/eller programansvarig för sitt program.



Om kursplanen har upphört att gälla eller kursen slutat erbjudas garanteras en student som någon gång registrerats på kursen minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt denna kursplan under en tid av maximalt två år från det att kursplanen upphört att gälla eller kursen slutat erbjudas.

Litteratur

Giltig från: 2024 vecka 1

Väljs i samråd med kursansvarig utifrån individuell frågeställning.
The litterature is chosen, together with the teacher responsible for the course, to best fit to the chosed research question. :
Obligatorisk