Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	---							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Widzenie maszynowe							Kod przedmiotu	INF1WIM
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	5
	26				30			Punkty ECTS	5
Przedmioty wprowadzające	Algebra liniowa z geometrią analityczną (INF1ALG), Grafika komputerowa (INF1GKO), Przetwarzanie sygnałów i obrazów (INF1PSO), Sztuczna inteligencja (INF1SIN),
Cele przedmiotu	Celem przedmiotu jest zapoznanie studentów z podstawami widzenia maszynowego, metodami klasycznymi oraz podejściem opartym na sztucznej inteligencji. Studenci zdobędą wiedzę na temat przetwarzania obrazów, ekstrakcji cech oraz wykorzystania popularnych bibliotek i frameworków.
Treści programowe	1. Wprowadzenie do widzenia maszynowego - Definicja i znaczenie widzenia maszynowego - Historia i rozwój technologii - Zastosowania w różnych dziedzinach 2. Podstawy techniczne widzenia maszynowego - Struktura obrazu cyfrowego (RAW, JPEG, PNG, inne formaty) - Przetwarzanie obrazu: filtrowanie, poprawa jakości, normalizacja - Porównanie metod klasycznych i podejścia opartego na AI 3. Podstawy sieci neuronowych - Sieci neuronowe w widzeniu maszynowym - Funkcje aktywacji, propagacja wsteczna 4. Przetwarzanie obrazów w AI - Ekstrakcja cech i ich znaczenie - Klasyfikacja obrazów - Detekcja obiektów 5. Kluczowe metody ekstrakcji cech - Algorytmy SIFT i SURF - Histogramy gradientów (HOG) - Lokalna analiza cech (ORB, BRIEF) - Algorytmy klasyczne np. template matching 6. Algorytmy i frameworki - OpenCV: podstawy i zastosowania - TensorFlow i PyTorch: implementacja sieci neuronowych - Transfer learning w praktyce 7. Zaawansowane techniki widzenia maszynowego - Konwolucyjne sieci neuronowe (CNN): teoria i struktura - Generative Adversarial Networks (GANs) - Modele przetwarzania obrazów w czasie rzeczywistym 8. Zastosowania widzenia maszynowego - Przemysł, medycyna, samochody autonomiczne, biometria - Rozpoznawanie twarzy, analiza obrazów satelitarnych - Wykrywanie anomalii i analiza wizyjna 9. Etyka i wyzwania - Bezpieczeństwo danych i prywatność - Odpowiedzialne wykorzystanie AI
Metody dydaktyczne	pokaz, metoda projektów, wykład informacyjny,
Forma zaliczenia	Projekt zespołowy lub indywidualny (opracowanie i implementacja modelu widzenia maszynowego)
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	podstawowe pojęcia z zakresu widzenia maszynowego i budowy algorytmu widzenia maszynowego								INF1_W03 INF1_W10
EU2	przedstawić wyniki eksperymentów w formie graficznej								INF1_U17
EU3	jak używać podstawowe procesy zachodzące w cyklu życia urządzeń, obiektów i systemów technicznych								INF1_W14 H1_K03
EU4	wykorzystywać metody analityczne, symulacyjne i eksperymentalne								INF1_U13
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	ocena realizowanych zadań
EU2	ocena realizowanych zadań
EU3	ocena realizowanych zadań
EU4	ocena realizowanych zadań
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach - 16								16
	2 - Udział w zajęciach projektowych - 40								40
	3 - Opracowanie projektu - 60								60
	4 - Udział w konsultacjach - 4								4
RAZEM:									120
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									60 (1)+(2)+(4)	2.5
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									100 (2)+(3)	4.2
Literatura podstawowa	Szeliski R., "Computer Vision: Algorithms and Applications", Springer, 2022. Goodfellow I., Bengio Y., Courville A., "Deep Learning", MIT Press, 2016. Bishop C., "Pattern Recognition and Machine Learning", Springer, 2006. Bradski G., Kaehler A., "Learning OpenCV 4", O'Reilly Media, 2019.
Literatura uzupełniająca	Krizhevsky A., Sutskever I., Hinton G., "ImageNet Classification with Deep Convolutional Neural Networks", NIPS, 2012. Redmon J., Farhadi A., "YOLOv3: An Incremental Improvement", arXiv, 2018. Chollet F., "Deep Learning with Python", Manning Publications, 2017. Van Rossum G., Drake F. L., "Python 3 Reference Manual", CreateSpace, 2009. Documentation OpenCV, TensorFlow, PyTorch (online).
Jednostka realizująca	Katedra Mediów Cyfrowych i Grafiki Komputerowej								Data opracowania programu
Program opracował(a)	dr inż. Marcin Skoczylas								2025.02.23