Бакалавриат 2023/2024

Научно-исследовательский семинар "Технологии компьютерного зрения"

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Статус: Курс по выбору (Программная инженерия)

Направление: 09.03.04. Программная инженерия

Кто читает: Департамент программной инженерии

Где читается: Факультет компьютерных наук

Когда читается: 4-й курс, 1-3 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Ганичев Антон Александрович

Язык: русский

Кредиты: 3

Контактные часы: 48

Программа дисциплины

Аннотация

Компьютерное зрение - это раздел искусственного интеллекта связанный с анализом визуальных данных. Он включает методы позволяющие производить обнаружение, отслеживание и классификацию объектов на изображениях и в видеопотоке. Технологии компьютерного зрения находят применение в - Робототехнике: промышленные роботы, автономные транспортные средства;- Системах безопасности: контроль доступа, распознавание лиц, обнаружение подозрительного поведения; - Здравоохранении: анализ медицинских изображений, топографическое моделирование; - Системах взаимодействия и дополненной реальности: поиск по изображениям, аннотация, ввода информации В последние годы в области компьютерного зрения достигнут значительный прогресс. Он связан с прежде всего с технологиями глубокого обучения (Deep learning) которые будут рассматриваться в рамках данного семинара.

Цель освоения дисциплины

• Обеспечить студентов базовыми знаниями о технологиях применяющихся для анализа изображений и видео
• Заложить основы знаний об архитектурах и способах обучения сверточных нейросетей (CNN)
• Познакомить студентов с основными программными и аппаратными средствами применяющимися для создания и обучения CNN

Планируемые результаты обучения

• Знать принцип работы основных алгоритмов детектирования объектов.
• Понимать принцип работы линейного классификатора, знать алгоритмы kNN, SVM
• Понимать принцип работы сверточной нейросети. Знать алгоритм обратного распространения.
• Уметь самостоятельно обучить нейросетевой классификатор.

Содержание учебной дисциплины

• Анализ изображений.
• Линейный классификатор.
• Обратное распространение и алгоритмы оптимизации
• Сверточная нейронная сеть и методы улучшения сходимости.
• Архитектуры СNN & ViT
• Работа с реальными данными
• Генеративные модели
• Metric lerning
• Сегментация изображений.

Элементы контроля

• Работа на семинаре
  Включает: участие в обсуждении, ответы на вопросы и выполнение практических заданий (см пример).
• Доклад
  Выполненные в ходе подготовки доклада эксперименты могут быть зачтены в качестве выполнения практических задач (см. пункт "Работа на семинаре"). Оценка за дисциплину выставляется в соответствии с формулой оценивания от всех пройденных элементов контроля. Экзамен не проводится.

Промежуточная аттестация

• 2023/2024 учебный год 3 модуль
  0.5 * Доклад + 0.5 * Работа на семинаре

Список литературы

Рекомендуемая основная литература

• McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1605925
• Коэльо, Л. П. Построение систем машинного обучения на языке Python / Л. П. Коэльо, В. Ричарт , перевод с английского А. А. Слинкин. — 2-е изд. — Москва : ДМК Пресс, 2016. — 302 с. — ISBN 978-5-97060-330-7. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/82818 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Основы алгоритмизации и программирования на Python : учеб. пособие / С.Р. Гуриков. — М. : ФОРУМ : ИНФРА-М, 2019. — 343 с. — (Среднее профессиональное образование). - Режим доступа: http://znanium.com/catalog/product/970143

Авторы

• Буцкая Евгения Александровна
• Ганичев Антон Александрович