623.915 (20S) Current Topics in Multimedia Systems: Content Search with Deep Learning

Sommersemester 2020

Anmeldefrist abgelaufen.

Erster Termin der LV
02.03.2020 10:00 - 12:00 , S.2.42
Nächster Termin:
08.06.2020 10:00 - 12:00 , S.2.69

Überblick

Lehrende/r
LV-Titel englisch
Current Topics in Multimedia Systems: Content Search with Deep Learning
LV-Art
Vorlesung-Kurs (prüfungsimmanente LV )
Semesterstunde/n
2.0
ECTS-Anrechungspunkte
4.0
Anmeldungen
7 (20 max.)
Organisationseinheit
Unterrichtssprache
Englisch
LV-Beginn
02.03.2020
eLearning
zum Moodle-Kurs

LV-Beschreibung

Intendierte Lernergebnisse

  • Methoden und Möglichkeiten der automatischen Videoanalyse verstehen
  • Methoden von Videosuchsystemen verstehen  
  • Methoden des Machine Learnings überblicken und für Videoanalyse einsetzen 
  • Einsatzszenarien der Videoanalyse und Videosuche benennen und erläutern
  • Geeignete Inhaltsanalysemethoden für Videos erklären und anwenden
  • Deep Learning mit CNNs im Detail verstehen und anwenden
  • Verschiedene Deep Learning Modelle verstehen und für visuelle Analyse anwenden 
  • Geeignete Benutzerschnittstellen für Video-Interaktion und Suche kennen
  • Die Leistung eines Videosuchsystems beurteilen können

Lehrmethodik

  • Vortrag
  • Übungen
  • Projekt

Inhalt/e

  • What is Video Analysis and Retrieval
  • Components of a Video Content Search System
  • Computer Vision with OpenCV 
  • Visual Content Segmentation and Clustering
  • Deep Learning with Convolutional Neural Networks (CNNs)
  • AlexNet, GoogLeNet, ResNet
  • Fully Convolutional Neural Networks (Fast-R-CNN, Faster-R-CNN, ...)
  • Interactive Video Search
  • Evaluation of Video Retrieval Systems

Intendierte Lernergebnisse

  • Understand methods and possibilities of video content analysis
  • Understand methods of video content search systems
  • Know machine learning methods and their use for visual content analysis 
  • Know and describe usage scenarios of video analysis and video search/retrieval  
  • Explain appropriate content analysis methods for videos and use them in practice
  • Understand deep learning with CNNs in detail and use them in practice
  • Know different kinds of deep learning models and apply them to practical problems
  • Know appropriate methods and aspects of user interfaces for video interaction  and apply them in practice
  • Evaluate the system performance of a video search system 

Lehrmethodik

  • Lecture
  • Assignments
  • Project

Inhalt/e

  • What is Video Analysis and Retrieval
  • Components of a Video Content Search System
  • Computer Vision with OpenCV 
  • Visual Content Segmentation and Clustering
  • Deep Learning with Convolutional Neural Networks (CNNs)
  • AlexNet, GoogLeNet, ResNet
  • Fully Convolutional Neural Networks (Fast-R-CNN, Faster-R-CNN, ...)
  • Interactive Video Search
  • Evaluation of Video Retrieval Systems

Prüfungsinformationen

Prüfungsmethode/n

Abschlussprojekt oder mündliche Prüfung

Prüfungsinhalt/e

Inhalte der Folien, Übungen und Projekte

Beurteilungskriterien/-maßstäbe

Erreichte Punkte 

Prüfungsmethode/n

project or oral exam

Prüfungsinhalt/e

content of slides, exercises/assignments and projects

Beurteilungskriterien/-maßstäbe

achieved points

Beurteilungsschema

Note/Grade Benotungsschema

Position im Curriculum

  • Masterstudium Angewandte Informatik (SKZ: 911, Version: 13W.1)
    • Fach: Distributed Multimedia Systems (Wahlfach)
      • Current Topics in Distributed Multimedia Systems: Multimedia Information Retrieval ( 2.0h VK / 4.0 ECTS)
        • 623.915 Current Topics in Multimedia Systems: Content Search with Deep Learning (2.0h VC / 4.0 ECTS)
  • Masterstudium Informatics (SKZ: 911, Version: 19W.1)
    • Fach: Multimedia Systems (Wahlfach)
      • Weitere LVen aus dem gewählten Spezialisierungsfach ( 0.0h XX / 12.0 ECTS)
        • 623.915 Current Topics in Multimedia Systems: Content Search with Deep Learning (2.0h VC / 4.0 ECTS)
          Absolvierung im 1. Semester empfohlen

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Diese Lehrveranstaltung ist keiner Kette zugeordnet