ACIT4030 Machine Learning for 3D Computer Vision Emneplan

This course will present the state of the art in algorithms for machine learning for the 3D environment. We will cover topics related to deep learning for 3D data such as point clouds, multi-view images, and shape graphs. The course covers applications like classification, segmentation, shape retrieval and scene representation.

Etter gjennomført emne har studenten følgende læringsutbytte, definert i kunnskap, ferdigheter og generell kompetanse:

Kunnskap

Studenten

• kan analysere et avgrenset område relevant for utøvelse av spesialsykepleie
• kan drøfte hvordan vitenskapelig teori og metoder kan søkes, utvikles og anvendes
• kan kritisk vurdere forskningsprosessen
• kan vurdere analyse av forskningsdata
• kan drøfte forskningsetikk
• kan drøfte metoder for kvalitetsarbeid i helsetjenesten
• kan analysere og evaluere faglige problemstillinger med utgangspunkt i akutt-, anestesi-, barne-, intensiv-, kardiologisk - eller operasjonssykepleierens historie, tradisjoner, egenart og plass i samfunnet

Ferdigheter

Studenten

• kan analysere og anvende teori og metoder til å strukturere og formulere faglige og teoretiske problemstillinger innen spesialsykepleie
• kan analysere og forholde seg kritisk til ulike informasjonskilder og anvende disse til å strukturere og formulere faglige resonnementer innen spesialsykepleie
• kan analysere og forhold seg kritisk til eksisterende teori og metoder
• kan arbeide selvstendig med valgt problemstilling
• kan anvende kunnskap på nye områder innenfor spesialsykepleie
• kan gjennomføre et selvstendig, avgrenset forsknings- eller kvalitetsarbeid, under veiledning, i tråd med gjeldende forskningsetiske normer

Generell kompetanse

Studenten

• kan kritisk analysere og reflektere over forholdet mellom de ulike stegene i forskningsprosessen
• kan anvende relevante metoder for kunnskapsformidling
• kan anvende kunnskap og ferdigheter innen spesialsykepleie for å bidra til implementering av fag og forskning i klinisk praksis
• kan kritisk analysere og vurdere ulike vitenskapsteoretiske, metodiske og forskningsetiske tilnærminger ved planlegging og gjennomføring av forsknings- eller kvalitetsarbeid
• kan analysere relevante fag-, yrkes- og forskningsetiske problemstillinger innen spesialsykepleie med utgangspunkt i fag-, forsknings-, erfarings- og pasientkunnskap
• kan kommunisere faglige problemstillinger, analyser og konklusjoner innenfor spesialsykepleie både med spesialister og til allmennheten
• kan bidra til nytenkning og i innovasjonsprosesser innen spesialsykepleie
• kan anvende og formidle forsknings- eller kvalitetsarbeid for å bidra til utvikling av spesialsykepleie og helsetjenesten

No formal requirements over and above the admission requirements.

Upon successful completion of the course, the candidate:

Knowledge

• has knowledge of problems within graphics and imaging that are applicable to machine learning, such as classification, segmentation, correspondence detection, and shape retrieval.
• has a good understanding of problems related to 3D shape and image synthesis.

Skills

• is able to apply state-of-the art machine learning algorithms to real-world problems related to imaging and 3D graphics.

Competence

• is aware of the state of the art in algorithms for machine learning on 3D data.
• has experience with real world problems within the course domain, with a focus on solutions using deep neural architectures.

Det arrangeres seminarer der studentene presenterer og diskuterer utkast til masteroppgavetekst i et større forum. På disse seminarene kan også sentrale emner tilknyttet arbeidet med masteroppgaven tas opp etter behov.

Veiledning er en vesentlig komponent i arbeidet med masteroppgaven og innebærer en nødvendig kvalitetssikring, blant annet av at arbeidet foregår innenfor forskningsetiske retningslinjer. Ved forskningsarbeid er veileder forskingsansvarlig. Studenten(e) får oppnevnt en veileder. Det gis tilbud om 10 timer veiledning pr. masteroppgave. I tillegg får studenten(e) veiledning i forbindelse med masteroppgaveseminarene. En time veiledning med veileder er obligatorisk ved oppstart og fire av veiledningstimene må gjennomføres i løpet av 4.semester.

Dersom veiledningsforholdet blir vanskelig, skal studenten(e) først ta dette opp med veileder og eventuelt videre henvende seg til studieleder for masterstudiet.

Studenten(e) plikter å holde veileder orientert om sitt arbeid. Det gjelder også praktiske forhold som kan være av betydning for fremdriften i prosjektet. Relevante etiske prinsipper må ivaretas. All ekstern korrespondanse skal være godkjent av veileder. Søknader til godkjenningsinstanser som REK - Regional etisk komité for medisin og helsevitenskapelig forskningsetikk og SIKT - Kunnskapssektorens tjenesteleverandør (tidligere NSD - Norsk senter for forskningsdata) etc., må være godkjent av veileder før det sendes inn.

Ved ikke bestått masteroppgave, tilbys det 3 nye veiledningstimer.

Teaching approach is a combination of traditional weekly lectures and practical work on a semester group project. Lectures will present influential research for relevant topics. The semester group project exposes the student to a chosen real-world problem relevant to the course topic.

Practical training

The student will be exposed to programming with repositories such as ShapeNet and will have created solutions for real-world problems related to deep learning for 3D data.

The following required coursework must be approved before the student can take the exam:

Two mandatory group assignments consisting of technical tasks, summarized in reports (about 10 pages each).

The exam consists of three parts:

1. Oral presentation of 15 minutes (20% of the final grade), individual or in a group of two
2. Written evaluation of another student presentation, 500-1000 words (10% of the final grade), individual or in a group of two
3. Final project report between 6000 and 11,000 words (70% of the final grade), individual or in a group of two.

All three parts of the exam must be passed in order to pass the course.

The oral examination cannot be appealed.

New/postponed exam

In case of failed exam or legal absence, the student may apply for a new or postponed exam. New or postponed exams are offered within a reasonable time span following the regular exam. The student is responsible for registering for a new/postponed exam within the time limits set by OsloMet. The Regulations for new or postponed examinations are available in Regulations relating to studies and examinations at OsloMet.

All aids are permitted, provided the rules for plagiarism and source referencing are complied with.

Grade scale A-F.

Two internal examiners. External examiner is used periodically.

Studentene skal, under veiledning, gjennomføre et selvstendig vitenskapelig arbeid i form av en masteroppgave. Arbeidet må ta utgangspunkt i spesialsykepleierens ansvars- og funksjonsområder. I arbeidet med masteroppgaven skal studentene videreføre den kompetansen studentene har tilegnet seg gjennom de øvrige delene av studiet. Masteroppgaven skal vise selvstendighet, forståelse, modning og refleksjon. Før arbeidet med masteroppgaven kan starte, må det foreligge en oppdatert og godkjent prosjektbeskrivelse. (Det gis 2 timer veiledning pr. prosjektbeskrivelse for studenter med tidligere videreutdanning).

Masteroppgaven kan være:

• et eget forskningsarbeid eller inngå som en avgrenset del av et pågående forskningsarbeid ved universitetet eller andre samarbeidende institusjoner.
• et kvalitetsarbeid i form av et kvalitetsforbedringsarbeid eller et kvalitetskontrollarbeid.
• en litteraturstudie (tidligere kalt systematisk oversikt) over forskning innen relevant tema (på grunn av metodekrav må oppgaven skrives i en gruppe på minimum 2 studenter)

Masteroppgaven kan leveres i form av en monografi, som et artikkelmanus, en retningslinje, standard for en prosedyre, informasjonsbrosjyre eller en informasjonsvideo. Innlevering av masteroppgaven i artikkelform forutsetter at artikkelen er utviklet i tråd med kriteriene (guidelines) for det valgte og faglig relevante vitenskapelige tidsskriftet (fagfellevurdert). Leveres masteroppgaven i et annet format enn en monografi, må det i tillegg skrives et fordypningsnotat/en kappe.

Masteroppgaven skrives i gruppe på 2-3 studenter. Hensikten med å arbeide i gruppe er å utvikle samhandlingskompetanse, slik det er beskrevet under generell kompetanse i læringsutbyttet for hele programmet. Å utøve spesialsykepleie krever i stor grad samhandlingskompetanse i behandlingsteamet, og samhandlingskompetanse er derfor en viktig del av handlingskompetansen som spesialsykepleier.

Masteroppgaven skal ha en systematisk og vitenskapelig oppbygning og skal baseres på aktuell og relevant vitenskapelig litteratur som besvarer den problemstillingen studentene selv har utviklet.

Masteroppgaven skal utarbeides i henhold til Masterhåndbok for gjeldene kull, og kan etter avtale med veileder skrives på engelsk.