392151 Probabilistic Learning for Visual Computing (S) (SoSe 2024)

Inhalt, Kommentar

This course offers a probabilistic perspective to machine learning, applied to visual computing applications. A central theme is the probabilistic inference and probabilistic modeling of images, human pose and motion, and 3D shapes and appearances. Topics include
* classification (recap),
* probabilistic regression,
* factorized representations for human pose estimation, and
* generative models, such as variational autoencoders (VAE), generative adversarial networks (GANs), and diffusion models (DDIM & DDPM, classifier free and classifier-based guidance).

The students will present recent papers on computer graphics and computer vision that have a strong probabilistic component. Practical experiences for applying probabilistic models in PyTorch are gained in the assignments and tutorials.

The course is largely based on the Visual AI course I gave at UBC: https://www.cs.ubc.ca/~rhodin/2022_2023_CPSC_533R/

The following slides provide additional details and context to the existing visual computing modules at Bielefeld University:
https://docs.google.com/presentation/d/e/2PACX-1vRGyE0j_cU324qp-vOEE4hEBPn3HdwliZQqeg_vT0w7Yt9EUXmgFB6NamL_ynqeBMYRgD-cdvfvXobA/pub?start=false&loop=false&delayms=3000

Teilnahmevoraussetzungen, notwendige Vorkenntnisse

Required skills: Excellent Python programming skills (>1 year), fundamental mathematics, and basics of machine learning or neural networks.
Optional skills: PyTorch or TensorFlow experience, computer graphics, computer vision (lectures or projects).

Students need not be experts in all aspects of visual computing but have a strong background in one of graphics, vision, and machine learning. These skills are typically acquired through lectures or by private projects, hackathons, and coding competitions.

Literaturangaben

The papers that will be discussed are from the CVPR, SIGGRAPH, and NeurIPS conferences, or other respected computer vision and graphics venues.

The (online) book Probabilistic Machine Learning - An Introduction by Kevin P. Murphy serves as the basis for the lectures:
https://probml.github.io/pml-book/book1.html

A few chapters from the follow-up book Probabilistic Machine Learning - Advanced topics by Kevin P. Murphy are relevant too:
https://probml.github.io/pml-book/book2.html

Lehrende

Termine ( Kalendersicht )

Rhythmus Tag Uhrzeit Format / Ort Zeitraum  

Zeige vergangene Termine >>

Fachzuordnungen

Modul Veranstaltung Leistungen  
39-M-Inf-AI-app Applied Artificial Intelligence Applied Artificial Intelligence: Seminar Studieninformation
- benotete Prüfungsleistung Studieninformation
39-M-Inf-AI-app-foc Applied Artificial Intelligence (focus) Applied Artificial Intelligence (focus): Seminar Studieninformation
- unbenotete Prüfungsleistung benotete Prüfungsleistung Studieninformation
39-M-Inf-INT-app Applied Interaction Technology Applied Interaction Technology: Seminar Studieninformation
- benotete Prüfungsleistung Studieninformation
39-M-Inf-INT-app-foc Applied Interaction Technology (focus) Applied Interaction Technology (focus): Seminar Studieninformation
- unbenotete Prüfungsleistung benotete Prüfungsleistung Studieninformation

Die verbindlichen Modulbeschreibungen enthalten weitere Informationen, auch zu den "Leistungen" und ihren Anforderungen. Sind mehrere "Leistungsformen" möglich, entscheiden die jeweiligen Lehrenden darüber.

Studiengang/-angebot Gültigkeit Variante Untergliederung Status Sem. LP  
Studieren ab 50    

The focus of this seminar is on reading, presenting, and discussing seminal papers in machine learning (ML), computer vision (CV), and computer graphics (CG). Topics and the papers to present are picked to give a broad overview of the current state of the art and how their components have been developed in the past.

The instructors will give a few lectures during the first half of the term, to teach the essentials to students of all backgrounds (stronger in ML, CV, or CG).

Students present one paper, lead the discussion of one paper, and engage in the discussion of the papers presented by others, including the writing style, strengths, limitations, and ethical implications.
A report and small assignments written in PyTorch support the practical understanding of probabilistic models, as typical for seminars+tutorial.

Lernraum (E-Learning)

Zu dieser Veranstaltung existiert ein Lernraum im E-Learning System. Lehrende können dort Materialien zu dieser Lehrveranstaltung bereitstellen:

registrierte Anzahl: 21
Dies ist die Anzahl der Studierenden, die die Veranstaltung im Stundenplan gespeichert haben. In Klammern die Anzahl der über Gastaccounts angemeldeten Benutzer*innen.
Adresse:
SS2024_392151@ekvv.uni-bielefeld.de
Lehrende, ihre Sekretariate sowie für die Pflege der Veranstaltungsdaten zuständige Personen können über diese Adresse E-Mails an die Veranstaltungsteilnehmer*innen verschicken. WICHTIG: Sie müssen verschickte E-Mails jeweils freischalten. Warten Sie die Freischaltungs-E-Mail ab und folgen Sie den darin enthaltenen Hinweisen.
Falls die Belegnummer mehrfach im Semester verwendet wird können Sie die folgende alternative Verteileradresse nutzen, um die Teilnehmer*innen genau dieser Veranstaltung zu erreichen: VST_452304825@ekvv.uni-bielefeld.de
Reichweite:
21 Studierende direkt per E-Mail erreichbar
Hinweise:
Weitere Hinweise zu den E-Mailverteilern
Letzte Änderung Grunddaten/Lehrende:
Montag, 26. Februar 2024 
Letzte Änderung Zeiten:
Montag, 5. Februar 2024 
Letzte Änderung Räume:
Montag, 5. Februar 2024 
Art(en) / SWS
S / 2
Sprache
Diese Veranstaltung wird komplett in englischer Sprache gehalten
Einrichtung
Technische Fakultät
Fragen oder Korrekturen?
Fragen oder Korrekturwünsche zu dieser Veranstaltung?
Planungshilfen
Terminüberschneidungen für diese Veranstaltung
Link auf diese Veranstaltung
Wenn Sie diese Veranstaltungsseite verlinken wollen, so können Sie einen der folgenden Links verwenden. Verwenden Sie nicht den Link, der Ihnen in Ihrem Webbrowser angezeigt wird!
Der folgende Link verwendet die Veranstaltungs-ID und ist immer eindeutig:
https://ekvv.uni-bielefeld.de/kvv_publ/publ/vd?id=452304825
Seite zum Handy schicken
Klicken Sie hier, um den QR Code zu zeigen
Scannen Sie den QR-Code: QR-Code vergrößern
ID
452304825