|
|
Einrichtungen >> Technische Fakultät (TF) >> Department Elektrotechnik-Elektronik-Informationstechnik (EEI) >>
|
Lehrstuhl für Multimediakommunikation und Signalverarbeitung
| |
Bild-, Video- und mehrdimensionale Signalverarbeitung [IVMSP] -
- Dozent/in:
- André Kaup
- Angaben:
- Vorlesung, 3 SWS, ECTS: 5, nur Fachstudium
- Termine:
- Mo, 12:15 - 13:45, H9
Die Vorlesung wird semesterbegleitend im Hörsaal aufgezeichnet und im Videoportal der Universität zur Verfügung gestellt.
- Studienrichtungen / Studienfächer:
- WPF MT-MA-BDV ab 1
WPF CE-MA 1
WPF IuK-MA-ES-EEI 1-4
WPF IuK-MA-KN-EEI 1-4
WPF IuK-MA-MMS-EEI 1-4
WPF IuK-MA-REA-EEI 1-4
WF ICT-MA 1-4
WPF ICT-MA-NDC 1-4
WPF ICT-MA-MPS 1-4
WPF CME-MA 3
WF EEI-MA 1-4
WF WING-MA 1-4
WPF ASC-MA 1-4
WPF MT-MA-MEL ab 1
- Voraussetzungen / Organisatorisches:
- Prerequisite: Lecture "Signals & Systems I+II"
At the first visit, access to the StudOn course has to be requested via the link https://www.studon.fau.de/studon/goto.php?target=crs_2002842 and will be granted by the course assistant.
- Inhalt:
- Point operations
Histogram equalization, gamma correctionBinary operations
Morphological filters, erosion, dilation, opening, closing Color spaces
Trichromacy, red-green-blue color spaces, color representation using hue, saturation and value of intensity Multidimensional signals and systems
Theory of multidimensional signals and systems, impulse response, linear image filtering, power spectrum, Wiener filtering Interpolation of image signals
Bi-linear interpolation, bi-cubic interpolation, spline interpolation Image feature detection
Image features, edge detection, Hough transform, Harris corner detector, texture features, co-occurrence matrix Scale space representation
Laplacian of Gaussian, difference of Gaussian, scale invariant feature transform, speeded-up robust feature transform Image matching
Projective transforms, block matching, optical flow, feature-based matching using SIFT and SURF, random sample consensus algorithm Image segmentation
Amplitude thresholding, k-means clustering, Bayes classification, region-based segmentation, combined segmentation and motion estimation, temporal segmentation of video Transform domain image processing
Unitary transform, Karhunen-Loeve transform, separable transform, Haar and Hadamard transform, DFT, DCT
- Empfohlene Literatur:
- J.-R. Ohm: Multimedia Content Analysis, Springer Verlag, 2016
J. W. Woods: Multidimensional Signal, Image, and Video Processing and Coding, Academic Press, 2. Auflage, 2012
|
| |
Digitale Signalverarbeitung [DSV] -
- Dozent/in:
- Walter Kellermann
- Angaben:
- Vorlesung, 3 SWS, benoteter Schein, ECTS: 5, nur Fachstudium
- Termine:
- Mo, 16:15 - 17:45, Raum n.V.
Fr, 14:15 - 15:45, Raum n.V.
The lecture will be recorded and consulting hours will be offered via live stream.
- Studienrichtungen / Studienfächer:
- WPF MT-MA-BDV 1-2
PF CE-BA-TA-IT 5
PF CE-MA-TA-IT 1
PF EEI-BA-INT 5-6
PF EEI-MA-INT 1-3
WPF INF-BA 5
PF IuK-BA 5
PF CME-MA 1
WF TM-BA 3-6
WF TM-MA 1-4
WPF WING-MA 1-3
WPF WING-BA-IKS-ING-MG2 3-6
WPF WING-BA-ET-IT 5
WPF MT-MA-MEL 1-2
WPF MT-BA-BV ab 5
- Voraussetzungen / Organisatorisches:
- Voraussetzungen: Signale und Systeme I + II
- Inhalt:
- Die Vorlesung setzt die grundlegende Theorie zeitdiskreter Signale und Systeme voraus und erweitert diese Grundlagen bei der Diskussion der Eigenschaften idealisierter und kausaler, realisierbarer Systeme (z.B. Tiefpass, Hilbertransformator) und entsprechenden Darstellungen in Zeit-, Frequenz- und z-Bereich. Darauf aufbauend werden Entwurfsverfahren für rekursive und nichtrekursive digitale Filter diskutiert. Dabei werden zunächst rekursive Systeme nach Vorschriften im Frequenzbereich entworfen. Butterworth-, Tschebyscheff- und Cauer-Filter resultieren aus Entwurfsverfahren für zeitkontinuierliche Systeme. Vorschriften im Zeitbereich führen beispielsweise auf das Prony-Verfahren oder Transformationsverfahren wie die Impulsinvariante Transformation. Bei nichtrekursiven Systemen behandeln wir unter anderen die Fourier-Approximation ohne und mit Fenstergewichtung sowie Tschebyscheff-Approximation und deren Realisierung mit dem Remez- Exchange-Algorithmus.
Der diskreten Fourier-Transformation und den Algorithmen zu ihrer schnellen Realisierung ('Fast Fourier Transform') wird ebenfalls ein eigener Abschnitt gewidmet. Als verwandte Transformationen werden die Cosinus- und Sinus-Transformationen eingeführt. Daran schließt sich ein Abschnitt zu elementaren Methoden zur nichtparametrischen Spektralschätzung an. Multiratensysteme und ihre effizienten Realisierungen in Polyphasenstruktur bilden die Grundlage zur Behandlung von Analyse/Synthese - Filterbänken und deren Anwendungen. Den abschließenden Teil der Vorlesung bildet eine Untersuchung der Effekte endlicher Wortlänge, die bei der Realisierung aller digitalen Signalverarbeitungssysteme unvermeidlich sind. Zur Vorlesung wird jeweils im Wintersemester das Praktikum Digitale Signalverarbeitung angeboten.
- Empfohlene Literatur:
- J.G. Proakis, D.G. Manolakis: Digital Signal Processing. 4th edition. Prentice Hall, Englewood Cliffs, NJ, 2007.
A.V. Oppenheim, R.V. Schafer: Digital Signal Processing. Prentice Hall, Englewood Cliffs, NJ, 1975. K.D. Kammeyer, K. Kroschel: Digitale Signalverarbeitung: Filterung und Spektralanalyse mit MATLAB®-Übungen . 8. Aufl. Teubner, Stuttgart, 2012
|
| |
Kommunikationsnetze [KONE] -
- Dozent/in:
- André Kaup
- Angaben:
- Vorlesung, 2 SWS, ECTS: 5, nur Fachstudium
- Termine:
- Di, 8:15 - 9:45, H8
Die Vorlesung wird semesterbegleitend im Hörsaal aufgezeichnet und im Videoportal der FAU zur Verfügung gestellt.
- Studienrichtungen / Studienfächer:
- WPF WING-BA-IKS-ING-MG2 3-6
WPF WING-MA 1-3
WF WING-BA-IKS 3-6
WPF WING-MA-ET-IT 1-3
WF CE-MA-TA-IT 1-4
WF CE-BA-TW ab 5
PF EEI-BA-INT 5-6
PF EEI-MA-INT 1-4
WF EEI-BA 5-6
WPF WING-BA-ET-IT ab 1
WPF MT-MA-MEL 1-2
- Inhalt:
- Die Vorlesung gibt eine Einführung in die grundlegenden Konzepte und Mechanismen von digitalen Kommunikationsnetzen. Nach der Erläuterung einiger Grundbegriffe werden zunächst die hierarchische Strukturierung von Netzfunktionen und das daraus entstandene OSI Schichtenmodell vorgestellt. Im Anschluss an die Diskussion grundsätzlicher Verfahren für die Datenübertragung von Punkt zu Punkt werden Protokolle zur sicheren Übertragung vorgestellt, insbesondere ARQ-Methoden. Es folgen Vielfachfachzugriffstechniken, darunter die Familie der ALOHA-Protokolle, Strategien zur Kollisionsauflösung, Carrier-Sensing-Verfahren und das Prinzip des Token-Passings. Daran schließen sich Verfahren zur Wegelenkung bei leitungs- und paketvermittelten Netzen an. Nach einer Einführung in die Warteraumtheorie gibt die Vorlesung einen Überblick über die Internet Protokollfamilie TCP/IP als wichtiges Systembeispiel und schließt mit einer Betrachtung von Multimedianetzen.
- Empfohlene Literatur:
- Andrew S. Tanenbaum: Computernetzwerke. Pearson, 2012
|
| |
Lab Course Machine Learning in Signal Processing [LabMLISP] -
- Dozentinnen/Dozenten:
- Veniamin Morgenshtern, Kamal Gopikrishnan Nambiar
- Angaben:
- Praktikum, 4 SWS, ECTS: 2,5, nur Fachstudium
- Termine:
- Mi, 14:00 - 18:30, Raum n.V.
Lab conducted as an online course
- Studienrichtungen / Studienfächer:
- WPF ICT-MA ab 1
WPF ASC-MA ab 1
WPF CME-MA ab 1
- Voraussetzungen / Organisatorisches:
- Knowledge of Python programming language is required. Basic theoretical knowledge in machine learning is assumed: consider taking the Machine Learning in Signal Processing (MLSIP) course in the same semester.
- Inhalt:
- Imagine a car driving on an autobahn in an automatic mode. Among other things, the car needs to steer itself to keep driving in it's own lane. To accomplish this, the central problem is to detect the road-lane markings. These are the white solid or dashed lines that are drawn on each side of the lane. The standard modern approach to solve this type of problems is to take a large dataset of labeled examples and train a deep neural network model to accomplish the task. This is how car and pedestrian detection algorithms are developed. The difficulty with the road-lane markings is that there is no labeled dataset of them and creating such dataset would cost millions of dollars. In this lab course we will solve this problem using a dataset of simulated images intermixed with a dataset of real images that contain no road.
Time permitting, you will enhance the results by designing a network that analyses short video fragments. The software will be developed in Python using Jupyter Notebook development kit. For deep learning you will use the PyTorch framework. This is an advanced course, the knowledge of Python is assumed.
|
| |
Laborpraktikum Bild- und Videosignalverarbeitung auf eingebetteten Plattformen [PrBiViP] -
- Dozentinnen/Dozenten:
- Jürgen Seiler, Viktoria Heimann
- Angaben:
- Praktikum, Schein, ECTS: 2,5, nur Fachstudium
- Termine:
- Do, 14:00 - 18:00, Raum n.V.
Lab conducted as online course
- Studienrichtungen / Studienfächer:
- WPF WING-BA-IKS-ING-P 4-6
WPF WING-MA 1-3
WPF WING-MA-ET-IT 1-2
WPF WING-BA-ET-IT ab 1
WF MT-MA ab 1
WF IuK-BA ab 1
WF EEI-MA ab 1
WF EEI-BA ab 1
WF ICT-MA ab 1
WPF WING-MA-ET-IT ab 1
WPF ASC-MA ab 1
WPF CME-MA ab 1
- Inhalt:
- Betrachtet man Anwendungen der Bild- und Videosignalverarbeitung stellt man fest, dass viele davon auf mobilen Plattformen ablaufen. Die dort verwendeten Systeme haben aber häufig nur eine reduzierte Leistungsfähigkeit und müssen besonders auf den Energieverbrauch achten. Nichtsdestotrotz sind aber auch einfache, mobile Systeme wie Smartphones oder Tablets in der Lage, anspruchsvolle Signalverarbeitungsaufgaben für Bild- und Videosignale durchzuführen. Dies umfasst zum Beispiel die Codierung von Bildern und Videos, aber auch die Erzeugung von Panoramen oder die Berechnung von Bildern mit hohem Dynamikumfang.
Das Praktikum „Bild- und Videosignalverarbeitung auf eingebetteten Plattformen“ soll die Herausforderung, die mit einer Verarbeitung dieser Signale auf eingebetteten Plattformen einhergehen genauer vermitteln und es wird aufgezeigt, wie man selbst auf Plattformen mit eingeschränkter Leistungsfähigkeit entsprechende Algorithmen umsetzen kann. Hierzu werden in dem Praktikum Raspberry Pis als Plattform verwendet und die Programmierung erfolgt in Python.
Die Versuche umfassen den Aufbau und die Inbetriebnahme der eingebetteten Plattform, eine Einführung in Python und in die grundlegenden Prozesse der Bild- und Videosignalverarbeitung. Weitere Versuchsinhalte sind die Anbindung einer Kamera, Bildsignalverarbeitungsprozesse mit der Kamera und die Implementierung verschiedener digitaler Filter. Das Praktikum beinhaltet außerdem verschiedene Anwendungen computergestützten Sehens (Computer Vision). Die Detektion von Merkmalen und Objekten in Bildern und Videos werden einführend behandelt und aktuelle Computer Vision Anwendungen, wie die Erstellung eines Panoramas werden betrachtet.
- Empfohlene Literatur:
- Das Praktikumsskript “Image and video signal processing on embedded platforms” wird am ersten Termin ausgegeben.
Zusätzliche Literatur:
J. E. Solem, Programming Computer Vision with Python. O´Reilly and Associates, 2012 J. R. Parker, Algorithms for Image Processing and Computer Vision. USA, Indianapolis: Wiley, 210 R. Szeliski, Computer Vision: Algorithms and Applications. Berlin: Springer, 2010
|
| |
Laborpraktikum Digitale Signalverarbeitung [PrDSV] -
- Dozentinnen/Dozenten:
- Heinrich Löllmann, Jürgen Seiler, Matthias Kreuzer
- Angaben:
- Praktikum, 2 SWS, Schein, nur Fachstudium, The course will be offered on Thursday morning (8:30-12:30) and Friday afternoon (14:00-18:00).
- Termine:
- 14:00 - 18:00, 8:30 - 12:30, Raum n.V.
The lab will be conducted as online course. The exact dates and format will be announced in due time.
- Studienrichtungen / Studienfächer:
- WPF CME-MA 1-4
WF TM-BA 6
WF TM-MA 1-4
WF IuK-BA 6
WF ICT-MA 1-4
WPF WING-BA-IKS-ING-P 6
WPF WING-MA 1-4
WPF WING-MA-ET-IT 1-2
WPF WING-BA-ET-IT ab 1
WPF EEI-BA-INT 5-6
WPF EEI-MA-INT 1-4
WPF MT-MA ab 3
WPF ME-MA-P-EEI 1-3
- Voraussetzungen / Organisatorisches:
- Systemtheorie,
Digitale Signalverarbeitung
- Inhalt:
- In diesem Laborpraktikum wird die Theorie aus der Vorlesung Digitale Signalverarbeitung in der Praxis angewandt, unter Verwendung der Programmierumgebung MATLAB. Die behandelten Themen umfassen Quantisierung, Spektralanalyse, FIR- und IIR-Filterentwurf, Filterbänke, sowie adaptive Filter.
Das Praktikum besteht aus 5 Versuchsterminen, an denen die Teilnehmer in Zweiergruppen Programmieraufgaben lösen, und einem 5-tägigen Block, in dem jede Gruppe ein individuelles Projekt aus dem Bereich der Digitalen Signalverarbeitung bearbeitet.
Zu Beginn jedes Versuchs wird der Stand der Vorbereitung, sowie die Versuchsergebnisse des vergangenen Termins in einem schriftlichen Testat geprüft. Für das Bestehen des Praktikums ist eine Mindestpunktzahl aus den Testaten und dem Blockpraktikum nötig.
Das Praktikum erfordert vorhandene MATLAB-Programmierkenntnisse. Es ist möglich, das Praktikum parallel zur Vorlesung Digitale Signalverarbeitung zu besuchen, allerdings ist es dazu notwendig, die jeweiligen Vorlesungsinhalte vor dem Praktikumstermin zu wiederholen, und an Übung und Tutorium teilzunehmen.
- Empfohlene Literatur:
- Das Skriptum ‚Digital Signal Processing Laboratory‘ wird in der Einführungsveranstaltung ausgegeben.
- Schlagwörter:
- DSP
|
| |
Laborpraktikum Statistische Signalverarbeitung [PrSTASIP] -
- Dozent/in:
- Annika Briegleb
- Angaben:
- Praktikum, Schein, ECTS: 2,5, nur Fachstudium
- Termine:
- Mi, 8:00 - 12:00, Raum n.V.
Einzeltermin am 18.11.2020, 10:15 - 11:00, Raum n.V.
The lab is conducted as a Zoom live meeting at the scheduled dates.
- Studienrichtungen / Studienfächer:
- WPF ASC-MA ab 1
WPF CME-MA ab 1
WPF EEI-MA-INT ab 1
- Inhalt:
- Nach einer Einführung in den Gebrauch der Programmiersprache Python werden Experimente und
Übungen zu folgenden Themen der Statistischen Signalverarbeitung durchgeführt:
Grundlegende Eigenschaften von Zufallsvariablen und stochastischer Prozesse Eigenschaften von Korrelationsmatrizen, Hauptachsentransformation, KLT Parametrische und nicht-parametrische lineare Signalmodelle MMSE-Signalschätzung Kalman-Filterung mit Anwendungen zur Signalquellenverfolgung Optimale Mehrkanalfilterung, Einführung in die adaptive Filterung.
In der zweiten Phase des Praktikums werden die Studierenden in kleinen Projektgruppen (max. 3 Studierende) selbstständig eine forschungsrelevante Problemstellung analysieren und mögliche Lösungssansätze erarbeiten, implementieren und evaluieren.
- Empfohlene Literatur:
- Neben dem Skriptum zur Vorlesung “Statistical Signal Processing” werden folgende Referenzen zur ergänzenden und vertiefenden Lektüre empfohlen:
A. Papoulis, S.U. Pillai: “Probability, Random Variables and Stochastic Processes”, 4th edition. Prentice Hall, Englewood Cliffs, NJ, 2007.
S.M. Kay: “Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory”. Prentice Hall, Englewood Cliffs, NJ, 1993.
A.V. Oppenheim, R.V. Schafer: Digital Signal Processing. Prentice Hall, Englewood Cliffs, NJ, 1975.
|
| |
Machine Learning in Signal Processing [MLISP] -
- Dozent/in:
- Veniamin Morgenshtern
- Angaben:
- Vorlesung, 3 SWS, ECTS: 5
- Termine:
- Di, 8:15 - 9:45, Raum n.V.
Do, 14:15 - 15:45, Raum n.V.
The lecture will be provided as online course.
- Studienrichtungen / Studienfächer:
- WF EEI-BA ab 5
PF ASC-MA 1-4
WPF CME-MA 1-4
WPF ICT-MA-ES 1-4
WPF ICT-MA-MPS 1-4
WPF ICT-MA-NDC 1-4
WPF CE-MA-TA-IT 1-4
WF EEI-MA ab 1
- Inhalt:
- This course is an introduction into statistical machine learning and artificial intelligence. The special emphasis is on applications to modern signal processing problems. The course is focused on design principles of machine learning algorithms.
First we will study basic methods for regression and classification: linear regression, logistic regression, the nearest neighbors algorithm. Based on these examples, we will discuss the fundamental trade-off between the flexibility of the model and the ability to fit the model based on the moderate amount of training data. We will contrast learning in high-dimensional spaces vs. learning in low dimensional spaces. Next, we will study methods that help make linear models flexible: polynomial features and splines. When these tools are used, regularization is crucial. We will discuss structured signal representations: short-time Fourier transform and wavelets. We will focus on the importance of sparsity in signal representations.
This will lead us to compressed sensing and to other modern convex-optimization-based methods for signal denoising, reconstruction, and compression. We will review key concepts in convex optimization, study the LASSO, support vector machines, the idea of kernels. The last part of the course will focus on the breakthrough new technology for computer vision: the deep learning. The course contains exercises: 30 percent mathematical and 70 percent programming in Python. You will be asked to implement basic machine learning and signal processing algorithms yourself. For more advanced algorithms, you will practice using powerful numerical and optimization libraries (numpy, cvxpy, scikit-learn, pywavelets, pytorch).
- Empfohlene Literatur:
- T. Hastie, R. Tibshirani, J. Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition, Chapters 1–7.
A. Ng: Lecture notes and materials for Stanford CS229 class. Lecture Notes and Exercises.
M. Kon: Lecture notes on basics of wavelets.
M. Nielsen: Neural networks and deep learning.
|
| |
Musikverarbeitung - Synthese [MPS] -
- Dozent/in:
- Maximilian Schäfer
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, Kredit: 2/2, nur Fachstudium
- Termine:
- Do, 12:15 - 13:45, Raum n.V.
The lecture will be offered via a live Zoom session. Further information will be provided via StudOn in due time.
- Studienrichtungen / Studienfächer:
- WPF EEI-BA-INT 5-6
WF CE-MA-TA-IT ab 1
WF ICT-MA 1-4
WPF IuK-MA-MMS-EEI 1-4
WPF ICT-MA-MPS 1-4
WPF CME-MA 1-4
WF ASC-MA ab 1
WPF EEI-MA-INT ab 1
- Voraussetzungen / Organisatorisches:
- Voraussetzung sind Kenntnisse in digitaler Signalverarbeitung, Kenntnisse aus der Vorlesung Mensch-Maschine-Schnittstelle sind hilfreich, aber nicht notwendig.
Die Vorlesung ist thematisch eng verwandt mit der Vorlesung "Music Processing - Analysis" von Prof. Meinard Müller. Beide Vorlesungen können jedoch unabhängig voneinander gehört werden.
Die Vorlesung wir aufgezeichnet und Fragen werden via Zoom beantwortet.
- Inhalt:
- Die Vorlesung behandelt die Bearbeitung von Audiosignalen mit parametrischen Filtern und Effekten, sowie die Erzeugung künstlicher Klänge für musikalische Anwendungen. Klangbeispiele und Demonstrationen ergänzen den Vorlesungstoff.
Filter und Effekte
Digitale Klangsynthese
Systeme zur Klangproduktion und -wiedergabe
Klangeffekte Synthesizer künstlicher Hall
- Empfohlene Literatur:
- Das Vorlesungsskript und weitere Zusatzmaterialien zur Vorlesung werden via StudOn zur Verfügung gestellt.
- Schlagwörter:
- Audio, Signal Processing, Sound Synthesis, Computer Music
|
| |
Seminar Ausgewählte Kapitel der Multimediakommunikation und Signalverarbeitung [Sem LMS] -
- Dozentinnen/Dozenten:
- Alexander Schmidt, Heinrich Löllmann, Walter Kellermann
- Angaben:
- Seminar, 2 SWS, benoteter Schein, ECTS: 2,5, nur Fachstudium
- Termine:
- Zeit/Ort n.V.
- Studienrichtungen / Studienfächer:
- WPF EEI-BA-INT 5-6
WPF EEI-MA-INT 1-4
WPF IuK-BA 5-6
WPF CME-MA ab 1
WPF ME-MA-SEM-EEI 3
WPF ASC-MA ab 1
- Voraussetzungen / Organisatorisches:
- Prerequisite
A profound knowledge in digital and statistical signal processing is a mandatory requirement for participation. Therefore, we strongly recommend the attendance of the lectures ‘Digital Signal Processing’ and ‘Statistical Signal Processing’ in advance or in parallel to the seminar.Registration
Via StudOn: https://www.studon.fau.de/xcos2828315.html
On StudOn, you also found latest information about the seminar. We offer 12 seminar places which are assigned by the date of registration. Further interested students are put on a waiting list.
- Inhalt:
- Signal Processing for Scene Analysis in Smart Homes
In this seminar, state-of-the-art concepts and methods for signal processing for scene analysis in modern smart homes are discussed, including localization and tracking of objects but also extraction and separation of acoustic sources. Since a smart home offers a plurality of sensor modalities, sensor fusion is also a highly relevant topic. Reflecting the current trend in research in this domain, many of the topics of this seminar are based on methods from artificial intelligence and machine learning. This seminar is designed for Bachelor and Master programs in Electrical Engineering, Electronics and Information Technology (EEI), Information and Communication Technology (IuK), Communications and Multimedia Engineering (CME), Advanced Signal Processing and Communications Engineering (ASC) as well as related study programs. It consists of three mandatory meetings: Nov. 19, 2020 at 10:00: An introduction will be given and the individual topics are assigned to the participants. Dec. 14, 2020 at 10:00am: The participants will give a brief presentation about the status of their work and hints for the final presentation are given. Feb. 5, 2021 at 9:00am: Each participant will give a presentation of 25 minutes and submit a report on his/her topic of 10 to 15 pages. All presentations will be given in English and the reports are expected to be written in English. The meetings will be conducted via Zoom. The access data and further information can be found on StudOn.
- Schlagwörter:
- Signal Processing, Seminar
|
| |
Seminar on Selected Topics in Machine Learning [Sem ML] -
- Dozentinnen/Dozenten:
- Veniamin Morgenshtern, Kamal Gopikrishnan Nambiar
- Angaben:
- Seminar, 2 SWS, benoteter Schein, ECTS: 2,5
- Termine:
- Zeit/Ort n.V.
- Studienrichtungen / Studienfächer:
- WPF ASC-MA ab 1
WPF CME-MA ab 1
WPF IuK-BA ab 1
WPF EEI-MA-INT ab 1
- Voraussetzungen / Organisatorisches:
- Prior knowledge in machine learning is a prerequisite for participation. For example, good knowledge of the material covered in the FAU course ‘Machine Learning in Signal Processing’, or any equivalent course, is sufficient.
- Inhalt:
- In this seminar, we follow some of the latest research developments in the field of mathematical theory for deep learning, weakly-supervised and unsupervised learning, and design of neural network architectures and loss functions. The seminar provides the students an opportunity to build a deep understanding of the underlying machine learning concepts.
This seminar is designed for Bachelor and Master programs in Electrical Engineering, Electronics and Information Technology (EEI), Information and Communication Technology (IuK), Computational Engineering (CE), Communications and Multimedia Engineering (CME), Advanced Signal Processing and Communications Engineering (ASC) as well as related study programs.It consists of three mandatory meetings: 1st meeting (November 2020): An introduction will be given and the individual topics are assigned to the participants. 2nd meeting (mid December 2020: The participants will give a brief presentation about the status of their work and hints for the final presentation are given. 3rd meeting (beginning of February): Each participant will give a presentation of 25 minutes and submit a report on his/her topic of 10 to 15 pages. The exact dates and format of the meetings will be announced in due time.
All meetings and presentations will be given in English and the reports are expected to be written in English.
|
| |
Signalanalyse [SA] -
- Dozent/in:
- Heinrich Löllmann
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, nur Fachstudium
- Termine:
- Mi, 12:15 - 13:45, Raum n.V.
The lecture will be recorded and consulting hours will be offered via Zoom.
- Studienrichtungen / Studienfächer:
- WF ASC-MA ab 1
WF CE-MA-TA-IT ab 1
WPF CME-MA ab 1
WF EEI-MA ab 1
WF EEI-BA ab 5
WF ICT-MA ab 1
WPF IuK-MA-MMS-EEI 1-4
WPF ICT-MA-MPS 1-4
WF INF-MA ab 1
- Voraussetzungen / Organisatorisches:
- Voraussetzungen: Digitale Signalverarbeitung
Die Vorlesungsunterlagen werden in der Vorlesung ausgegeben.
- Inhalt:
- Es werden im Rahmen dieser Vorlesung unterschiedliche Verfahren zur Analyse digitaler Signale, sowie deren Anwendungsmöglichkeiten behandelt. Die folgenden Konzepte werden dabei insbesondere behandelt:
Fourieranalyse von Signalen Signalanalyse mittels Zeit-Frequenz-Transformationen Parametrische und nichtparametrische Signalanalyse Verfahren zur Frequenzschätzung Räumliche Signalanalyse Filterbänke und Wavelets.
- Empfohlene Literatur:
- P. Stoica und R. Moses: "Spectral Analysis of Signals", Pearson Prentice Hall, 2005
- Schlagwörter:
- Signal analysis, digital signal processing, time-frequency transforms
|
| |
Signale und Systeme I [SISY I] -
- Dozent/in:
- André Kaup
- Angaben:
- Vorlesung, 2,5 SWS, nur Fachstudium
- Termine:
- Di, 16:15 - 17:45, H9
Mi, 12:15 - 13:45, H9
Die Vorlesung wird semesterbegleitend im Hörsaal aufgezeichnet und im Videoportal der FAU zur Verfügung gestellt
- Studienrichtungen / Studienfächer:
- PF EEI-BA 3
PF IuK-BA 3
PF WING-BA-ET 3
PF MT-BA-BV 3
PF CE-BA-TA-IT 3
- Voraussetzungen / Organisatorisches:
- In der Lehrveranstaltung werden grundlegende Kenntnisse über Stromkreise mit
Widerstand, Kapazität und Induktivität vorausgesetzt, ebenso Kenntnisse über
komplexe Zeiger und Übertragungseigenschaften einfacher linearer Netzwerke.
Diese können beispielsweise durch die beiden Module "Grundlagen der
Elektrotechnik I" und "Grundlagen der Elektrotechnik II" oder durch die
Kombination der Module "Einführung in die Informations- und
Kommunikationstechnik" und "Elektronik und Schaltungstechnik" erworben
werden. Für Studenten ohne diese Vorlesungen (beispielsweise im Studiengang
Computational Engineering) können die notwendigen Vorkenntnisse auch im
Selbststudium anhand der Kapitel 2 über Physikalische Grundlagen elektrischer
Schaltungen und Kapitel 3 über Passive Netzwerke aus dem Buch von Oehme,
Huemer, Pfaff, "Elektronik und Schaltungstechnik", Hanser Verlag, München
2007 erworben werden.
- Inhalt:
- Die Lehrveranstaltung führt in die Beschreibung von kontinuierlichen Signalen und kontinuierlichen zeitinvarianten linearen Systemen ein.
Zunächst werden elementare kontinuierliche Signale, der Delta-Impuls, das Faltungsintegral und die Korrelation von Signalen erläutert. Anschließend wird die Frequenzbereichsdarstellung von Signalen mit Hilfe der Fourier- und die Laplace-Transformation eingeführt einschließlich der Theoreme und Korrespondenzen dieser Transformationen. Es folgt die Beschreibung von kontinuierlichen linearen zeitinvarianten Systemen im Zeitbereich durch Impulsantwort und Faltung, Differentialgleichungen und die Zustandsraumdarstellung. Die Systembeschreibung im Frequenzbereich durch Eigenfunktionen, Übertragungs- und Systemfunktion und Zustandsraumdarstellung wird erläutert, ebenso wie die Betrachtung von kontinuierlichen linearen zeitinvarianten Systemen mit Anfangsbedingungen.
Nach der Vorstellung von linearphasigen, minimalphasigen, idealisierten Systemen und Allpässen werden Kausalität und Hilbert-Transformation, Stabilität und rückgekoppelte Systeme diskutiert. Die Vorlesung schließt mit der Betrachtung von Abtastsystemen und dem Abtasttheorem für Tiefpass- und Bandpasssignale.
- Empfohlene Literatur:
- B. Girod, R. Rabenstein, A. Stenger: "Einführung in die Systemtheorie", 3. Auflage, Teubner-Verlag, 2005
|
| |
Statistische Signalverarbeitung [STASIP] -
- Dozent/in:
- Walter Kellermann
- Angaben:
- Vorlesung, 3 SWS, ECTS: 5, nur Fachstudium, Further details about the course as well as the course content can be found under https://www.studon.fau.de/crs104539.html
- Termine:
- Di, 14:15 - 15:45, Raum n.V.
Do, 16:15 - 17:45, Raum n.V.
The lecture will be recorded and consulting hours will be offered via live stream.
- Studienrichtungen / Studienfächer:
- WPF MT-MA-BDV 1-2
WF WING-BA-IKS 6
WF WING-MA 1-4
WPF WING-MA-ET-IT 1-3
WPF WING-BA-ET-IT 3-6
WF IuK-BA 6
WPF IuK-MA-KN-EEI 1-3
WPF IuK-MA-ÜTMK-EEI 1-3
WPF IuK-MA-MMS-EEI 1-3
WPF IuK-MA-ES-EEI 1-4
PF ICT-MA-MPS 1-4
WPF ICT-MA-NDC 1-4
WF CE-MA-TA-IT ab 1
WPF EEI-BA-INT 5-6
WPF EEI-MA-INT 1-4
PF CME-MA 1
WF CE-BA-TW 6
WPF MT-MA-MEL 2-3
PF ASC-MA 1
- Voraussetzungen / Organisatorisches:
- Module ‚Signale und Systeme I‘ und ‚Signale und Systeme II‘, ‚Digitale Signalverarbeitung‘ oder gleichwertige
- Inhalt:
- Zeitdiskrete Zufallsprozesse im Zeit- und Frequenzbereich
Zufallsvariablen (ZVn), Wahrscheinlichkeitsverteilungen und –dichten, Erwartungswerte; Transformation von ZVn; Vektoren normalverteilter ZVn; zeitdiskrete Zufallsprozesse (ZPe): Wahrscheinlichkeitsverteilungen und –dichten, Erwartungswerte, Stationarität, Zyklostationarität, Ergodizität, Korrelationsfunktionen und -matrizen, Spektraldarstellungen; ‚Principal Component Analysis‘, Karhunen-Loeve Transformation;Schätztheorie
Schätzkriterien; Prädiktion; klassische und Bayes’sche Parameterschätzung (inkl. MMSE, Maximum Likelihood, Maximum A Posteriori); Cramer-Rao-Schranke Lineare Signalmodelle
Nichtarametrische Modelle (Cepstrale Zerlegung, Paley-Wiener Theorem, Spektrale Glattheit); Parametrische Modelle: ‚Allpole‘-/‘Allzero‘-/‘Pole-zero‘-(AR/MA/ARMA) Modelle; ‚Lattice‘-Strukturen, Yule-Walker Gleichungen, PARCOR-Koeffizienten, Cepstraldarstellungen; Signalschätzung
Überwachte Signalschätzung, Problemklassen; Orthogonalitätsprinzip, MMSE-Schätzung, lineare MMSE-Schätzung für Gaußprozesse; Optimale FIR-Filter; Lineare Optimalfilter für stationäre Prozesse; Prädiktion und Glättung; Kalman-Filter; optimale Multikanalfilterung (Wiener-Filter, LCMV, MVDR, GSC); Adaptive Filterung
Gradientenverfahren; LMS-, NLMS-, APA- und RLS-Algorithmus und Ihr Konvergenzverhalten;
- Empfohlene Literatur:
- • A. Papoulis, S. Pillai: Probability, Random Variables and Stochastic Processes; McGraw-Hill, 2002 (englisch)
• D. Manolakis, V. Ingle, S. Kogon: Statistical and Adaptive Signal Processing; McGraw-Hill, 2005 (englisch)
|
| |
Virtual Vision [ViVi] -
- Dozent/in:
- Christian Herglotz
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5
- Termine:
- Mi, 16:15 - 17:45, Raum n.V.
The lecture will be provided as online course.
- Studienrichtungen / Studienfächer:
- WF CME-MA 1-4
WPF EEI-BA-INT 1-4
WF IuK-MA-MMS-EEI 1-4
WF IuK-MA-KN-EEI 1-4
WPF EEI-MA-INT 1-4
WF ASC-MA 1-4
- Voraussetzungen / Organisatorisches:
- Vorlesung Signale und Systeme I&II
- Inhalt:
- Physikalische Grundlagen Optik
Menschliches Sehen
Sichtfeld und Fovea Dynamic Range Stereoskopie
Aufnahme und Speicherung
Wiedergabe
|
|
 |
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|