TSBB19 · 6 hp · Avancerad nivå (A1N) · Datateknik
Maskininlärning för datorseende
Ges · nästa start HT 2026
90 %
klarade senaste ordinarie tentan
TEN1 · 24 okt 2025 · 39 studenter
91 %
klarade ordinarie tentorna, alla tillfällen de senaste 5 åren
TEN1 · 194 studenter
40 %
Svårare än 40 % av kurserna på avancerad nivå
Jämfört med 285 kurser på samma nivå, ordinarie tentor de senaste tre läsåren. 76 studenter.
Ingår i 8 program
- Civilingenjörsprogram i datateknik
- Civilingenjörsprogram i informationsteknologi
- Civilingenjörsprogram i medicinsk teknik
- Civilingenjörsprogram i mjukvaruteknik
- Civilingenjörsprogram i teknisk matematik
- Civilingenjörsprogram i teknisk fysik och elektroteknik - internationell
- Civilingenjörsprogram i teknisk fysik och elektroteknik
- Masterprogram i Data Science and Information Engineering
Tentamen
TEN1 Skriftlig tentamen
- 5
- 4
- 3
- U
Ordinarie tentor
91 % godkända · 194 studenter
- 90 %39
- 89 %37
- 100 %32
- 83 %46
- 98 %40
Omtentor
67 % godkända · 6 studenter
- 67 %6
- Klarar omtentan: 67 % (6 studenter), jämfört med 91 % (194 studenter) på ordinarie
- Får 4 eller 5: 49 % (200 studenter)
Visa små tillfällen (8)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %2
- 100 %1
- 100 %3
- 100 %2
- 100 %1
- 100 %1
- 100 %1
- 0 %1
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
PRA1 Projekt med skriftlig och muntlig presentation
- G
- U
Ordinarie tillfällen
97 % godkända · 158 studenter
- 100 %35
- 93 %41
- 94 %35
- 100 %47
Senare tillfällen
100 % godkända · 5 studenter
- 100 %5
- Klarar ett senare tillfälle: 100 % (5 studenter), jämfört med 97 % (158 studenter) på ordinarie
Visa små tillfällen (1)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %1
Om kursen
Mål
Förmåga att:
- Förklara grundläggande termer och teori för igenkänning, detektion och följning av objekt i bilder
- Förklara grundläggande teorier om hur hjärnan kategoriserar visuell information.
- Förklara moderna tillvägagångssätt för objektigenkänning, detektion och följning, och gängse analysmetodik.
- Utveckla och experimentellt utvärdera och analysera olika igenkännings och segmenteringsalgortimer och sammanfatta resultaten.
- Välja lämpliga metoder för automatisk träning av segmenterings- och igenkänningssystem
Innehåll
Maskininlärning med faltande neuronät och supportvektormaskiner. Invarianta lokala särdrag och särdragsextraktion i digitala bilder, bag-of-features ramverk, principer för objektigenkänning och detektion, konstellationsmodeller, formdeskriptorer och matchning, delbaserade modeller för igenkänning, kontextens roll i igenkänning, inlärning av djupa särdrag och kopplingar till objektigenkänning hos människor.
- Examinator
- Per-Erik Forssén
- Schemalagd tid
- 48 h
- Huvudområde
- Datateknik