CBDA-maisteriohjelman opetusohjelma lukuvuodelle 2015-2016. Tutkintorakenne ja -vaatimukset on kuvattu opinto-oppaassa. Kurssien vastuuopettajat on listattu tutkinto-ohjelman sivulla.
Tätä listausta täydentää maisteriohjelmaan kuuluvien yleisten opintojen opetusohjelma.
Tilastotieteen maisteriopintoja (opinto-opas 2012-2015) suorittavat opiskelijat valitsevat kurssinsa tästä uuden maisteriohjelman mukaisesta opetusohjelmasta (MTT-alkuiset opintojaksokoodit). Vanhojen ja uusien opintojaksojen vastaavuudet voi tarkistaa opetussuunnitelmasta ja erillisestä vastaavuustaulukosta.
Kursseille ilmoittaudutaan kurssin tiedoissa mainitulla tavalla. Mikäli et osallistu opetukseen, tulee ilmoittautuminen perua opettajan määrittelemän ajan kuluessa. Mikäli et osallistu opetukseen etkä peru kurssipaikkaa tai keskeytät kurssin, opintosuoritus arvioidaan arvosanalla hylätty.
Epäselvissä kysymyksissä suositellaan ottamaan yhteyttä HOPS-opettajaan tai opintokoordinaattoriin mahdollisimman aikaisessa vaiheessa.
Opintojakso sisältää vaihtoehtoisia 5 op:n laajuisia kirjapaketteja. Katso tarkemmat kuvaustiedot paketeista kurssisivulta.
Tarjolla olevat kirjapaketit:
a) Tietokäytännöt
b) Tiedonhakujärjestelmät
c) Vuorovaikutteinen tiedonhaku
d) Tehtäväperustainen tiedonhaku
Katso tarkemmat sisällöt ja ohjeet opintojakson kotisivulta.
Please fill in the form before the first seminar session.
Enroll before the first lecture.
Modes of study
- Lectures
- Exercises (independent work)
- Exam
Please fill in the form before the first lecture. After this contact the lecturer.
Enroll before the first lecture.
A short hands-on course about the basic results and methodology of 3D computer vision, focusing on geometric results and optimization, and their practical applications in, for example, augmented reality, motion capture, robotics, and vision-based interaction techniques.
Content:
Projective geometry: homogeneous coordinates, perspective projection, single view geometry, absolute pose problem (DLT & P3P), camera calibration, two view geometry, relative pose problem, triangulation. (4+4h)
Estimation: Feature detection & matching, random sample consensus, Levenberg-Marquardt optimization, automatic differentiation, large-scale sparse optimization (bundle adjustment), 3D reconstruction from multiple views or video. (4+4h)
Dense 3D: Dense stereo, depth cameras (e.g. Kinect), point clouds, iterative closest point algorithm. (2+2h)
Applications & open source libraries for computer vision (exercises & project)
This course can be included on the modules
Prerequisites:
The course focuses on solving practical problems rather than on theory. Basics of programming (C++, Python, or Octave/Matlab), linear algebra (working with small matrices e.g. in computer graphics), calculus (derivatives), and probability (counting combinations, normal distribution) suffice.
Language of Instruction:
Lectures in Finnish or English depending on enrolled students. The course material is in English.