TU Wien:Visual Analysis of Human Motion UE (Gelautz)
- Visual Analysis of Human Motion UE (Gelautz) (TU Wien, 1 Material)
- Visual Analysis of Human Motion VO (Gelautz) (TU Wien, 4 Materialien)
Daten[Bearbeiten | Quelltext bearbeiten]
| Vortragende | Margrit Gelautz• Dominik Schörkhuber• Darja Stoeva |
|---|---|
| ECTS | 1,5 |
| Letzte Abhaltung | 2023S |
| Sprache | English |
| Mattermost | visual-analysis-of-human-motion • Register • Mattermost-Infos |
| Links | tiss:188469 |
| Masterstudium Visual Computing | |
| Masterstudium Media and Human-Centered Computing |
Inhalt[Bearbeiten | Quelltext bearbeiten]
Lehnt sich stark an die Inhalte der begleitenden Visual Analysis of Human Motion VO
Ablauf[Bearbeiten | Quelltext bearbeiten]
SS18: Am Anfang des Semesters hat man die Wahl sich in einer zweier Gruppe für ein zu implementierendes Kleinprojekt bzw. eine wissenschaftliche Arbeit anzumelden, welches/welche man dann im Laufe des Semester implementiert/ausarbeitet und am Ende dann präsentiert. Man hat sonst keine Verpflichtungen.
Benötigte/Empfehlenswerte Vorkenntnisse[Bearbeiten | Quelltext bearbeiten]
Da es keine Vorgaben für die zu verwendenden Technologien gibt, hängt es stark davon ab was man wählt. (Für unsere Implementierung waren Matlab Kenntnisse erforderlich.)
Vortrag[Bearbeiten | Quelltext bearbeiten]
keinen
Übungen[Bearbeiten | Quelltext bearbeiten]
SS18: Siehe Aufgabenstellung für Implementierung in Materialien. Man hatte auch die Möglichkeit sich ein anderes Thema zu suchen.
Prüfung, Benotung[Bearbeiten | Quelltext bearbeiten]
Es gibt eine Abgabe, Endpräsentation und ein Abgabgespräch des implementierten Kleinprojektes oder des recherchierten Papers. Die Benotung ist sehr human, jeder/jede der etwas sinnvolles beiträgt kassiert ein S1.
Dauer der Zeugnisausstellung[Bearbeiten | Quelltext bearbeiten]
1 Woche.
Zeitaufwand[Bearbeiten | Quelltext bearbeiten]
Hängt davon ab, wie detailliert man das Kleinprojekt ausarbeitet und wie viel Vorerfahrung man schon mit div. Visual Computing Aufgaben hatte. (Aus der Aufgabenstellung im SS18 kann man zB. einen sehr naive Klassifizierung verwenden, anstatt hier kompliziertere ML-Ansätze zu wählen)
Unterlagen[Bearbeiten | Quelltext bearbeiten]
noch offen
Tipps[Bearbeiten | Quelltext bearbeiten]
Wenn man das Projekt so einfach wie möglich hält, dann ist der Aufwand ziemlich gering.
Highlights / Lob[Bearbeiten | Quelltext bearbeiten]
noch offen
Verbesserungsvorschläge / Kritik[Bearbeiten | Quelltext bearbeiten]
noch offen