Computer Vision Methods

Vztahy:

Předmět BE4M33MPV může při kontrole studijních plánů nahradit předmět B4M33MPV

Předmět BE4M33MPV může při kontrole studijních plánů nahradit předmět AE4M33MPV

Předmět BE4M33MPV může při kontrole studijních plánů nahradit předmět A4M33MPV

Předmět BE4M33MPV nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B4M33MPV (vztah je symetrický)

Předmět BE4M33MPV nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE4M33MPV (vztah je symetrický)

Předmět BE4M33MPV nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A4M33MPV (vztah je symetrický)

Podmínkou zápisu na předmět BE4M33MPV je, že student si nejpozději ve stejném semestru zapsal příslušný počet předmětů ze skupiny BEZBM

Předmět BE4M33MPV nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B4M33MPV (vztah je symetrický)

Předmět BE4M33MPV nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE4M33MPV (vztah je symetrický)

Předmět BE4M33MPV nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A4M33MPV (vztah je symetrický)

Garant předmětu:

Jiří Matas

Přednášející:

Jan Čech, Jiří Matas, Dmytro Mishkin, Torsten Sattler, Georgios Tolias

Cvičící:

Georgios Kordopatis-Zilos, Jiří Matas, Dmytro Mishkin, Lukáš Neumann, Jonáš Šerých, Pavel Šuma

Předmět zajišťuje:

katedra kybernetiky

Anotace:

The course covers selected computer vision problems: search for correspondences between images via interest point detection, description and matching, image stitching, detection, recognition and segmentation of objects in images and videos, image retrieval from large databases and tracking of objects in video sequences.

This course is also part of the inter-university programme prg.ai Minor. It pools the best of AI education in Prague to provide students with a deeper and broader insight into the field of artificial intelligence. More information is available at https://prg.ai/minor.

Požadavky:

Knowledge of calculus and linear algebra.

Osnova přednášek:

1. Correspondences and wide baseline stereo I. Motivation and applications. Perspective pinhole camera model.

Interest point and distinguished regions detection: Harris detector (corner detection)

2.Correspondences and wide baseline stereo II. Laplace operator and its approximation by difference of Gaussians. Affine covariant version. Descriptors of SIFT (scale invariant feature transform), RootSIFT.

Multiview feature matching. Deep learned features: R2D2, Super Glue.

3.RANSAC (Random Sample and Consensus)

4.3D reconstruction I.

5.3D reconstruction II

6.Deep learning I. Convolutional Neural Networks, Transformers. Architectures for image recognition.

7.Deep learning II. Architectures for object detection and semantic segmentation.. Foundation models (CLIP, DINO, Segment Anything, Depth Anything)

8.Tracking I. Problem formulation. KLT - Lucas-Kanade tracker, DCF - discriminative correlation tracker.

9.Tracking II. Long-term tracking.

10.Image Retrieval I., Bag-of-Words, VLAD, spatial verification, special objectives: zoom in/out .

11.Image Retrieval II. deep metric learning, architectures, losses

12.Self-supervised representation learning. Auto-encoders, learning via augmentations, contrastive approaches

13.Generative modelling for Computer Vision

Osnova cvičení:

1.Introduction to Image Processing in python using PyTorch.

2.Debugging pytorch.

3.Correspondence problem I, detection of the interest points.

4.Correspondence problem II, computing local invariant description.

5.Correspondence problem III, finding tenative correspondences and RANSAC.

6.Correspondence problem, summary.

7.Convolutional Neural Networks: training a classifier.D LN recording 2022

8.Convolutional Neural Networks II: debugging training process.

9.Image Retrieval, BoW TF-IDF, fast spatial verification.

10.Assignment defence.

11.Deep metric learning.

12.Self-supervised Learning.

13.Tracking.

Cíle studia:

The methods for image registration, retrieval and for object detection and tracking are explained. In the labs, the students implement selected methods and test performance on real-world problems.

Studijní materiály:

D. A. Forsyth, J. Ponce. Computer Vision: A Modern Approach. Prentice Hall 2003

I. Goodfellow, Y. Bengio, A. Courville: Deep Learning, 2016

A. Torralba, P. Isola, W. T. Freeman: Foundations of Computer Vision,

Poznámka:

URL: https://cw.fel.cvut.cz/wiki/courses/mpv/start

Další informace:

https://cw.fel.cvut.cz/wiki/courses/mpv/start

Rozvrh na zimní semestr 2025/2026:

Rozvrh není připraven

Rozvrh na letní semestr 2025/2026:

	06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po	místnost KN:E-107 Matas J. Čech J. 09:15–10:45 (přednášková par. 1) Karlovo nám. Zengerova posluchárna K1
Út
St	místnost KN:E-230 Mishkin D. Neumann L. 18:00–19:30 (přednášková par. 1 paralelka 101) Karlovo nám. Laboratoř PC
Čt
Pá

Předmět je součástí následujících studijních plánů:

• Open Informatics - Computer Vision and Image Processing (povinný předmět oboru)
• Medical Electronics and Bioinformatics - Specialization Image Processing (PS)
• Medical Electronics and Bioinformatics - Specialization Signal Processing (povinně volitelný předmět)
• Medical Electronics and Bioinformatics - Specialization Bioinformatics (povinně volitelný předmět)
• Medical Electronics and Bioinformatics - Specialization Medical Instrumentation (povinně volitelný předmět)
• Cybernetics and Robotics (povinně volitelný předmět)
• prg.ai Master (povinný předmět programu)