Projektkurs i datorseende, 7,5 hp

Innehåll

Kursen behandlar en tillämpning inom något eller några av teoriområdena bildanalys, 3D-rekonstruktion och/eller mönsterigenkänning. De relevanta ämnesområdena samt teori kring en projektstyrningsmodell, exempelvis Scrum, introduceras inledningsvis. Därefter vidtar ett större programutvecklingsprojekt. Utformningen av projektet varierar mellan åren. Exempel på tänkbara projekt är:

- Konstruera en applikation som givet en uppsättning bilder av ett vardagsrum, bygger upp en 3D-modell av det och visualiserar det tillsammans med IKEA-bokhyllan Billy (eller annan möbel).

- Konstruera en applikation som givet ett antal inskannade specificerade telefonifakturor beräknar vilket telefonabbonemang som skulle vara billigast.

- Konstruera en applikation som givet ett punktmoln taget med en laserscanner i en gles skog, identifierar träd samt beräknar dess diametrar i brösthöjd.

- Utveckla en metod som givet indata i form digitala bilder och/eller 3D-punktmoln inhämtade i en skog detekterar träd samt klassificerar trädslag.

- Identifiera och lokalisera frukter i kamerabilder, med hjälp av kombinerade klassificerare (classifier fusion).

- Analysera 3D-bilder från en Kinectkamera för detektion av människor, träd, buskar och stenar.

Förväntade studieresultat

Kunskap och förståelse

Efter avslutad kurs ska studenten kunna:

- förklara centrala begrepp inom bildanalys, 3D-rekonstruktion och/eller mönsterigenkänning (FSR 1),

- redovisa principerna för den använda projektstyrningsmodellen, exempelvis Scrum (FSR 2), samt

- förklara de olika roller som förekommer inom den använda projektstyrningsmodellen (FSR 3).

Färdighet och förmåga

Efter avslutad kurs ska studenten kunna:

- demonstrera förmåga att arbeta i projektform i grupper om minst 4 personer, inklusive att arbeta i icke självvalda grupper (FSR 4),

- analysera ett problem inom ett eller flera av ämnesområdena bildanalys, 3D-rekonstruktion och mönsterigenkänning (FSR 5),

- visa färdighet i att arbeta under projektstyrningsmodellen (FSR 6),

- visa färdighet att gemensamt i grupp inhämta, presentera och tillämpa nödvändig kunskap för att lösa problemet (FSR 7),

- identifiera otydligheter i den givna kravspecifikationen samt föreslå förtydliganden (FSR 8), samt

- använda ett versionshanteringssystem för källkod och annan dokumentation (FSR 9).

Värdering och förhållningssätt

Efter avslutad kurs ska studenten kunna

- värdera olika lösningsförslag för problem inom något eller flera av ämnesområdena bildanalys, 3D-rekonstruktion och mönsterigenkänning (FSR 10),

- reflektera över sin egen insats i ett projektarbete (FSR 11),

- bedöma kvalitén på gruppens resultat (FSR 12), samt

- ge förslag på hur resultatet skulle kunna förbättras (FSR 13).

Behörighetskrav

För tillträde till kursen krävs, 60 hp i huvudområdet datavetenskap eller 2 års avklarade studier, i båda fallen inkluderande kurserna Statistik för datavetare, 5MS005 samt antingen Matrisberäkningar och tillämpningar, 5DA002 eller kurserna Artificiell intelligens - grunderna 5DV121, Linjär algebra 5MA019, Envariabelanalys 1 5MA009 och en grundläggande kurs i programmeringsmetodik (tex 5DV104, 5DV105, 5DV106 eller 5DV114) eller motsvarande kunskaper. Engelska A och svenska för grundläggande behörighet för högskolestudier (om kursen ges på svenska).

Undervisningens upplägg

Kursen inleds med introduktion i form av föreläsningar till de för projektet relavanta ämnesområdena samt projektstyrningsmodellen. Därefter vidtar ett större programmeringsprojekt som är centralt på denna kurs. Syftet är att få erfarenhet av att jobba i utvecklingsteam från en vagt formulerad beställning och jobba fram en fungerande prototyp samt att självständigt och i grupp inhämta kunskap nödvändig för uppgiften. Arbetet organiseras i huvudsak enligt någon agil utvecklingmodell, exempelvis Scrum. Arbetet innefattar små och stora grupparbeten samt fördjupningsstudier.

Examination

Kursen examineras genom en skriftlig redovisning av studentens insats i projektet, huvudsakligen i form av en tidlogg (FSR 4, 6-7, 9), samt en skriftlig slutrapportering i form av en hemtentamen (FSR 1-3, 5-12). Då det praktiska arbetet i grupp i projektform är centralt för kursen är huvuddelen av närvaron på det praktiska arbetet obligatorisk.

På kursen sätts något av betygen U, Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5).

Kursbetyget utgör en sammanfattande bedömning av examinationens två delar och sätts först när bägge rapporterna blivit bedömda. Enskilda studenter som inte godkänts vid kursens slut men som regelbundet deltagit i projektet kan få en extrauppgift. Kursansvarig lärare har då möjlighet att begränsa det högsta betyget till Godkänd (3). Studenter som inte är godkända efter kursen slut inkl. ev. tid för extrauppgift får betyget Underkänd (U).

Begränsningar av antal provtillfällen:

Kursdeltagare som underkänns på kursen hänvisas till nästa kurstillfälle för slutförande av kursen.

Studerande som godkänts i ett prov får inte undergå förnyat prov för att få ett högre betyg. En student som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22 §). Begäran om ny examinator ställs till prefekten vid Institutionen för datavetenskap.

Övriga föreskrifter

TILLGODORÄKNANDE

I en examen får denna kurs ej ingå, helt eller delvis, samtidigt med en annan kurs med likartat innehåll. Vid tveksamheter bör den studerande rådfråga studievägledare vid Institutionen för datavetenskap och/eller programansvarig för sitt program.

Speciellt gäller att denna kurs kan ej ingå fullt ut i en examen samtidigt som kurserna Bildanalys (5DV015), Geometrisk bildanalys (5DV055) eller Mönsterigenkänning (5DV025).

Tillgodoräknande av studier prövas individuellt (se universitetets regelsamling och tillgodoräknandeordning). Ansökan om tillgodoräknande görs på speciell blankett och ställs till den Teknisk-naturvetenskapliga fakultetsnämnden, Umeå universitet.