Konrad Schindler: Katalogdaten im Frühjahrssemester 2022 |
| Name | Herr Prof. Dr. Konrad Schindler |
| Lehrgebiet | Photogrammetrie |
| Adresse | I. f. Geodäsie u. Photogrammetrie ETH Zürich, HIL D 42.3 Stefano-Franscini-Platz 5 8093 Zürich SWITZERLAND |
| Telefon | +41 44 633 30 04 |
| schindler@ethz.ch | |
| URL | https://igp.ethz.ch/personen/person-detail.html?persid=143986 |
| Departement | Bau, Umwelt und Geomatik |
| Beziehung | Ordentlicher Professor |
| Nummer | Titel | ECTS | Umfang | Dozierende | |
|---|---|---|---|---|---|
| 101-0522-10L | Doctoral Seminar Data Science and Machine Learning in Civil, Env. and Geospatial Engineering  Findet dieses Semester nicht statt. Number of participants limited to 21. | 1 KP | 2S | B. Soja, E. Chatzi, F. Corman, I. Hajnsek, K. Schindler | |
| Kurzbeschreibung | Current research in machine learning and data science within the research fields of the department. The goal is to learn about current research projects at our department, to strengthen our expertise and collaboration with respect to data-driven models and methods, to provide a platform where research challenges can be discussed, and also to practice scientific presentations. | ||||
| Lernziel | - learn about discipline-specific methods and applications of data science in neighbouring fields - network people and methodological expertise across disciplines - establish links and discuss connections, common challenges and disciplinespecific differences - practice presentation and discussion of technical content to a broader, less specialised scientific audience | ||||
| Inhalt | Current research at D-BAUG will be presented and discussed. | ||||
| Voraussetzungen / Besonderes | This doctoral seminar is intended for doctoral students affiliated with the Department of Civil, Environmental and Geomatic Engineering. Other students who work on related topics need approval by at least one of the organisers to register for the seminar. Participants are expected to possess elementary skills in statistics, data science and machine learning, including both theory and practical modelling and implementation. The seminar targets students who are actively working on related research projects. | ||||
| 103-0274-01L | Bildverarbeitung | 3 KP | 2G | K. Schindler | |
| Kurzbeschreibung | Einfuehrung in die grundlegenden Konzepte und Methoden der digitalen Bildverarbeitung. | ||||
| Lernziel | - Mathematische und statistische Modellierung von Bildern - Beherrschung grundlegender Methoden der digitalen Bild- und Signalverarbeitung - Kenntnis wichtiger Bildverarbeitungsoperationen und -algorithmen - Auswahl und Anwendung der vorgestellten Rechenwerkzeuge zum Lösen von Bildverarbeitungsaufgaben - Verständnis der computer-gestützten Bildverarbeitung als Grundlage von Fernerkundung, Photogrammetrie und computer vision | ||||
| Inhalt | • Digitale Bilder, Signalprozessierung, Abtastung • Geometrische Transformationen • Farbräume • Filterung von Bildern, Bildrestauration und -verbesserung • Morphologische Operationen • Punkt- und Liniendetektion • Ähnlichkeitsmasse und Matching von Bildern • Bildsegmentierung • Radiometrie von Satellitenbildern | ||||
| 103-0798-00L | Geodetic Project Course Findet dieses Semester nicht statt. Number of participants limited to 24. | 5 KP | 9P | M. Rothacher, K. Schindler, A. Wieser | |
| Kurzbeschreibung | Dreiwöchige Arbeit an einem geodätischen Projekt mit Praxisbezug | ||||
| Lernziel | Dreiwöchige Arbeit an einem geodätischen Projekt mit Praxisbezug | ||||
| Inhalt | Gruppenweise, selbständige Bearbeitung aktueller Vermessungsprojekte und Erstellung eines Technischen Berichtes (Projektbeschreibung, Auswertung, Resultate und Interpretationen), Möglichkeit der Weiterführung in Master- oder Projektarbeiten. | ||||
| Voraussetzungen / Besonderes | Der Kurs findet wieder im FS 2023 statt. Innerhalb des Blockkurses von 3 Wochen finden während ca. 2 Wochen Feldarbeiten statt. Ca. 1 weitere Woche ist für Vor- und Nacharbeiten vorgesehen. | ||||
| 103-0848-00L | Industrial Metrology and Machine Vision Number of participants limited to 30. | 4 KP | 3G | K. Schindler, D. Salido Monzú | |
| Kurzbeschreibung | This course introduces contact and non-contact techniques for 3D coordinate, shape and motion determination as used for 3D inspection, dimensional control, reverse engineering, motion capture and similar industrial applications. | ||||
| Lernziel | Understanding the physical basis of photographic sensors and imaging; familiarization with a broader view of image-based 3D geometry estimation beyond the classical photogrammetric approach; understanding the concepts of measurement traceability and uncertainty; acquiring an overview of general 3D image metrology including contact and non-contact techniques (coordinate measurement machines; optical tooling; laser-based high-precision instruments). | ||||
| Inhalt | CCD and CMOS technology; structured light and active stereo; shading models, shape from shading and photometric stereo; shape from focus; laser interferometry, laser tracker, laser radar; contact and non-contact coordinate measurement machines; optical tooling; measurement traceability, measurement uncertainty, calibration of measurement systems; 3d surface representations; case studies. | ||||
| Skript | Lecture slides and further literature will be made available on the course webpage. | ||||
| 103-0849-AAL | Multivariate Statistics and Machine Learning Belegung ist NUR erlaubt für MSc Studierende, die diese Lerneinheit als Auflagenfach verfügt haben. Alle andere Studierenden (u.a. auch Mobilitätsstudierende, Doktorierende) können diese Lerneinheit NICHT belegen. | 4 KP | 9R | K. Schindler | |
| Kurzbeschreibung | Introduction to statistical modelling and machine learning. | ||||
| Lernziel | The goal is to familiarise students with the principles and tools of machine learning, and to enable them to apply them for practical data analysis. | ||||
| Inhalt | multivariate probability distributions; comparison of distributions; regression; classification; model selection and cross-validation; clustering and density estimation; mixture models; neural networks | ||||
| Literatur | - Hastie, Tibshirani, Friedman: The Elements of Statistical Learning, Springer 2009 - Bishop: Pattern Recognition and Machine Learning, Springer 2006 - Duda, Hart, Stork: Pattern CLassification, Wiley 2012 | ||||
| 103-0849-00L | Multivariate Statistik und Machine Learning Maximale Teilnehmerzahl: 40 | 4 KP | 3G | K. Schindler | |
| Kurzbeschreibung | Einfuehrung in statistische Modellierung und maschinelles Lernen. | ||||
| Lernziel | Ziel ist es, das Prinzip und die die Werkzeuge des maschinellen Lernens kennenzulernen, und sie zur Datenalalyse in praktischen Situationen anwenden zu koennen. | ||||
| Inhalt | Multivariate Verteilungen; Vergleich von Wahrscheinlichkeitsverteilungen; Regression; Klassifizierung; Modellselektion und cross-validation; Clustering und Dichteschaetzung; mixture models; neuronale Netze | ||||
| Literatur | C. Bishop: Pattern Recognition and Machine Learning, Springer 2006 T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, Springer 2017 R. Duda, P. Hart, D. Stork: Pattern Classification, Wiley 2000 | ||||
| 103-0851-00L | Photogrammetrie | 6 KP | 5G | K. Schindler | |
| Kurzbeschreibung | Die Veranstaltung vermittelt die Grundlagen der Photogrammetrie. | ||||
| Lernziel | Ziel ist ein detailliertes Verstaendnis der Prinzipien, Methoden und Anwendungen der bildbasierten 3D-Vermessung. | ||||
| Inhalt | Die Grundlagen der Photogrammetrie und ihre Produkte und Anwendungen: das Prinzip der bildbasierten Vermessung; digitale Luftbildkameras und verwandte Sensoren; projektive Geometrie; mathematische Beschreibung, Kalibrierung und Orientierung von Kameras; photogrammetrische Triangulierung und Flaechenrekonstruktion; Orthophoto-Herstellung; Buendelausgleichung; Aufnahmegeometrie und Bildflugplanung; flugzeuggestuetztes Laser-Scanning | ||||
| Literatur | - Wolfgang Foerstner and Bernahrd Wrobel: Photogrammetric Computer Vision, Springer, 2016 - Thomas Luhmann: Nahbereichsphotogrammetrie. Grundlagen, Methoden, Beispiele, Wichmann Verlag, 4. Auflage 2018 - Richard Hartley and Andrew Zisserman: Multiple View Geometry, Cambridge University Press; 2. Auflage 2004 | ||||