MAS512 Maskinsyn og innebygd KI (Høst 2025)

Etter fullført emne skal studenten kunne:

• Beskrive en kameramodell og kalibrere kameraet for å fastsette kamera matrisen som beskriver transformasjonen mellom 2D bildet og 3D verdenen
• Bruke teknikker innen bildeprosessering for å filtrere bildet og detektere objekter
• Bruke sensorer som lidar og radar for å lage 2D og 3D representasjoner av objekter og bruke punktsky prosessering til å detektere for eksempel posituren til et objekt
• Konfigurere, trene og bruke kunstig intelligens algoritmer i en applikasjon med maskinsyn
• Velge passende maskinvare for en gitt applikasjon innen kunstig intelligens, og bruke et ferdigtrent nettverk på en gitt plattform

Computer Vision and Embedded AI-kurset er en omfattende utforskning av datasyn, sensordrevet datainnsamling og maskinlæring, skreddersydd for virkelige applikasjoner. Dette kurset gir en blanding av teoretisk grunnlag og praktisk kodingserfaring for å takle utfordringer fra den virkelige verden innen objektdeteksjon, klassifisering og segmentering på tvers av ulike datamodaliteter, inkludert bilder og tidsseriedata, og forsterkende læring.Studentene vil få en grundig forståelse av sensorer av forskjellig modalitet som kameraer, spektrometre, lidar og radar for å innhente og behandle data. Gjennom praktiske økter vil de utvikle ekspertise i hele vertikal stabel inkludert - maskinvaregrensesnitt, datainnsamling, utforskende dataanalyse for å forbehandle og analysere sensor data effektivt og utvikle AI/ML-modeller mot virkelige problemer.

Emnet legger vekt på teoretisk bakgrunn og praktisk implementering av maskinlæringsteknikker, med særlig fokus på datasynsalgoritmer. Deltakerne vil lære å designe og distribuere løsninger for oppgaver som regresjon, klynging, objektdeteksjon, bildeklassifisering, semantisk segmentering, forutsi fremtidig trend for tidsseriedata, datakomprimering, avviksdeteksjon og data/modellbasert kontroll som utnytter forsterkende læring. Casestudier fra den virkelige verden vil illustrere hvordan disse teknikkene kan brukes til å løse komplekse problemer, inkludert behandling av multimodale data, modellfusjon og datafusjon.

Nøkkelkomponenter inkluderer:•

Maskinlæring: Kjernekonsepter, algoritmer og kodingspraksis for overvåket og uovervåket læring, inkludert utvikling av modeller fra bunnen av ved bruk av ML-rammeverk - TensorFlow, utnytte eksisterende standardmodell/rammeverk for nedstrømsoppgaver - objektdeteksjon, klassifisering, segmentering, regresjon, gruppering, modellfusjon, sensorfusjon og datakom-deteksjon

•Virkelige applikasjoner: Utvikling og distribusjon av AI-systemer for beslutningstaking

•Datasyns- og sensorteknologier: Kamera, spektrometer, lidar og radar

•Modell/databasert kontroll som utnytter forsterkende læring

•Kamerakalibrering og modellering - Modelleringskamera med en pin-hole-kameramodell, kamerakalibrering, konvertering av 3D-2D og omvendt plass for robotapplikasjon

•Bildebehandling - bildefiltrering, bildesegmentering, blobdeteksjon i bilder, bilderepresentasjon, Fourier-transformasjoner, konvolusjon

Kurset inkluderer omfattende programmeringsøvelser med Python og populære rammeverk som TensorFlow, OpenCV og scikit-learn for å nevne noen. Ved slutten av kurset vil studentene ha ferdighetene til å designe, utvikle og distribuere AI-drevne løsninger på innebygde systemer for datasyn og multimodal dataanalyse, noe som gjør dem industriklare for banebrytende AI-applikasjoner.