SmartVHB

Mit Unterstützung der Virtuellen Hochschule Bayern, haben wir Blended Learning Einheiten für den Bereich Maschinelles Sehen erstellt. Sie zielen darauf ab Studierende beim Erreichen ausgewählter Lernziele in 45 Minuten zu unterstützen. Sie können zudem Dozent*innen an jeder bayerischen Hochschule kostenlos in die eigene Kurse integriert werden.

Dozentinnen und Dozenten sowie Studierende an bayerischen Hochschulen können die interaktiven Einheiten unter: smart.vhb.org starten.

Für ausgewählte Einheiten haben wir zudem Codebeispiele entwickelt. Für Nutzer außerhalb (und innerhalb) Bayerns machen wir diesen Code als Jupiter Notebooks auf mybinder.org und gitlab.com verfügbar.

Die Einheiten (teilweise in Deutsch, teilweise in Englisch) umfassen:

• Absolute Orientation, Aligned Rank Transform, Analysis of Variance, Analysis of Variance with Repeated Measures
• Bildgebung mittels Perspektivischer Projektion, Bounding Volume Hierarchies for Raytracing
• Chi-Squared Tests, Cholesky-decomposition, Contrasts and Multiple Comparisons
• Eigenwerte und Eigenvektoren, Einführung in Bayessche Optimierung, Einführung in die Lineare Ausgleichsrechnung, Einführung in Nichtlineare Ausgleichsrechnung für Computer Vision, Einführung in Structure-from-Motion, Epipolargeometrie, Equivalence Testing, Fitts' Law for Multiple Dimensions
• Friedman Test
• Gauss-Newton Verfahren, Givens-Rotations, Goals Operators Methods and Selection Rules, Gradientenabstiegsverfahren, Gram-Schmidt Orthogonalization Process
• Hauptkomponentenanalyse, Head Tracking for Immersive Data Glasses, Hick's Law, Hierarchical Task Analysis, Householder Transformation
• Interaction Styles in Human Computer Interaction, Introduction to Convolutional Neural Networks for Computer Vision, Introduction to Digital Sound Effect Design, Introduction to Evaluation Methods for Human-Computer Interaction, Introduction to Eye-tracking, Introduction to Fitts's Law, Introduction to Generative Adversarial Networks, Introduction to Interaction Techniques for 3D User Interfaces, Introduction to Markov Models, Introduction to Model Evaluation Techniques for Machine Learning, Introduction to Object Detection, Introduction to Probability Distributions, Introduction to Probability Theory, Introduction to Sampling Algorithms, Introduction to Segmentation, Introduction to Spatial Acceleration Data Structures for Raytracing, Introduction to the Numerical Computation of Singular Value Decomposition, Iterative Closest Point
• Kamerakalibrierung mittels Direkter Linearer Transformation, Keystroke-Level-Model, Korrelation und Faltung mittels Linearen Bildfiltern, Kruskal-Wallis Test
• Levenberg-Marquardt Verfahren, LU-Decomposition
• Mann-Whitney-U-Test, Markerbasierte Posenbestimmung, Markov-Chain-Monte-Carlo-Process, Mental Models in Human-, Computer Interaction, Merkmalsbeschreibung, Merkmalsdetektion, Merkmalszuordnung
• Optical-See-Through Kalibrierung, Optischer Fluss
• Parametrisierung von 3D Rotationen, Perspective-N-Point, Projektor-Kamera-Kalibrierung
• QR Decomposition
• Random Sample Consensus
• Singulärwertzerlegung, Steering Law, Stereokorrespondenzen, Stereoscopic Image Synthesis for Immersive Data Glasses, Student's t-Test
• The k-d-Tree for Raytracing , Triangulierung, Types of Power Analysis
• User Research Methods and Analysis Techniques
• Which Statistical Test?!, Wilcoxon Signed-Rank Test