Theoretical Methods for Computer Vision and Signal Processing


Theoretical analysis of advanced mathematical methods and computational algorithms which are applied to various areas of problems in computer vision and signal processing with applications to machine learning. Each year that the course is offered, it covers a subset of the following topics:

Part I:

  • Introduction to Metric Spaces.
  • Wavelets and Frames.
  • Fractals
  • Sparse Modeling, Compressed Sensing
  • Nonlinear Signal/Image Operators on Lattices. Minimax Algebra. Tropical Geometry.

Part II :

  • Theory of Symmetry Groups and Applications to Vision and Robotics.
  • Multi-view Geometry and 3D Reconstruction.
  • Partial Differential Equations and Variational Calculus for Computer Vision.
  • Graph-theoretic Methods for Computer Vision and Networks.


Petros Maragos Διδάσκων (Instructor)


Σειρές θεωρητικών (και μερικών υπολογιστικών) προβλημάτων, και δυνητικά κάποια εργασία.

Βαθμολογία: 2/3 από σειρές αναλυτικών ασκήσεων και 1/3 από μια εξαμηνιαία εργασία.

Προαπαιτούμενα: Προηγούμενο Μάθημα σε Επεξεργασία Σημάτων ή σε Οραση Υπολογιστών και Εγκριση Διδάσκοντος.


Συμπληρωματικές Σημειώσεις

Σημειώσεις (Maragos Lecture Notes)
Abstract Algebra, Symmetry Groups and Euclidean Motions
Linear Algebra
Topology and Metric Spaces
Representations for Linear and Morphological Operators
Συμπληρωματικές Σημειώσεις
Sparse Representations
Partial Differential Equations
Διαφάνειες Παρουσιάσεων
Graphical Models
Επιστημονικά Άρθρα
Compressive Sensing / Sparsity
Graph Methods