• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2021/2022

Анализ изображений

Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Курс по выбору (Машинное обучение и анализ данных)
Направление: 01.04.02. Прикладная математика и информатика
Когда читается: 1-й курс, 3, 4 модуль
Формат изучения: с онлайн-курсом
Онлайн-часы: 10
Охват аудитории: для всех кампусов НИУ ВШЭ
Преподаватели: Мухин Михаил Сергеевич
Прогр. обучения: Машинное обучение и анализ данных
Язык: русский
Кредиты: 4
Контактные часы: 44

Программа дисциплины

Аннотация

Является дисциплиной по выбору. Данная дисциплина направлена на овладение навыками анализа изображений, сегментации изображений. Студенты получат представление об основных алгоритмах из области анализа изображений и научатся проводить сегментацию и детектировать объекты на изображении, используя методы компьютерного зрения и глубинного обучения. Для освоения дисциплины студентам необходимы знания, полученные в результате изучения дисциплины «Глубинное обучение».
Цель освоения дисциплины

Цель освоения дисциплины

  • Формирование у студентов теоретических знаний и практических навыков по основам анализа изображений и сегментации изображений.
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеет навыками работы с моделями. Оценка параметров модели. Метод наименьших квадратов, M-оценки, RANSAC, преобразование Хафа.
  • Владеет навыками реконструкции изображения, стилей, текстур. Владеет понятиями: матрица Грама, Генеративно-состязательные нейронные сети.
  • Владеет навыками сегментация объектов. Владеет понятиями: семантическая сегментация; Суперпикселизация.
  • Владеет навыками трекинга объектов.
  • Владеет навыком поиска по визуальному подобию, поиска нечетких дубликатов, объектов на фотографии, сцен.
  • Владеет понятиями: метрика качества IoU; HUG; задача многоклассовой детекции. Знает классификацию окон. Знает алгоритмы сегментации и детекции объектов на изображении.
  • владеет понятиями: многослойные нейронные сети, стохастический градиентный спуск, сверточные нейронные сети.
  • Владеет понятиями: пространственная область; частотная область, преобразование Фурье, спектральный анализ; выделение компонент связности; выделение краев. Математическая морфология.
  • Знает классификацию объектов: бинарная и многоклассовая классификация. Знает категории объектов. Имеет навык извлечения фрагментов, вычисление признаков фрагментов, обучение словаря.
  • Знает: свойства признаков изображений; текстовые и визуальные признаки; пространства признаков. Владеет понятиями: ключевые точки; детектор угловых точек; детектор Моравица.
  • Знает основные используемые методы обработки изображений. Применяет современные методы анализа и сегментации изображений для решения практических задач. Владеет навыками реализации алгоритмов, использования и оптимизации библиотек анализа изображений.
  • Знает основные математические модели, используемые для анализа изображений в машинном обучении. Модифицирует используемые математические модели для конкретных задач. Владеет навыками применения различных математических задач для анализа изображений.
  • Знает основные этапы разработки и адаптации формальных математических моделей. Оценивает трудоемкость и время исполнения различных алгоритмов машинного обучения, применяемых для анализа изображений. Владеет навыками планирования решения задач, связанных с анализом изображений.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Обработка изображений1
  • Анализ изображений и отслеживание объектов1
  • Объекты на изображении1
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание 1
  • неблокирующий Домашнее задание 2
  • неблокирующий Домашнее задание 3
  • блокирующий Устный экзамен
    Экзамен проводится в устной форме (опрос по материалам курса). По просьбе преподавателя студент должен быть готов выполнить некоторые задания в письменном виде. Процедура пересдачи подразумевает использование усложненных заданий.
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 4 модуль
    0.3 * Устный экзамен + 0.23 * Домашнее задание 3 + 0.24 * Домашнее задание 1 + 0.23 * Домашнее задание 2
Список литературы

Список литературы

Рекомендуемая основная литература

  • Wojciechowski, K. (2006). Computer Vision and Graphics : International Conference, ICCVG 2004, Warsaw, Poland, September 2004, Proceedings. Dordrecht: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=155987

Рекомендуемая дополнительная литература

  • Furht, B., Akar, E., & Andrews, W. A. (2018). Digital Image Processing: Practical Approach. Cham, Switzerland: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1881248

Авторы

  • Кузнецов Антон Михайлович