CV 2023 — различия между версиями

Материал из Public ATP Wiki
Перейти к: навигация, поиск
(Критерии получения оценки)
 
(не показано 19 промежуточных версий 4 участников)
Строка 2: Строка 2:
 
|
 
|
  
Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по средам с 18:00 до 19:20 (лекция) и с 19:30 до 20:50 (семинар). Записи занятий будут доступны для просмотра.
+
Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по средам с 18:00 до 19:20 (лекция) и с 19:30 до 20:50 (семинар). Первое занятие 13 сентября. Записи занятий будут доступны для просмотра.
  
 
= Общие сведения =
 
= Общие сведения =
Строка 13: Строка 13:
  
 
= Команда курса =
 
= Команда курса =
* '''Лектор:''' Влад Шахуро
+
'''Лектор:''' Влад Шахуро<br>
* '''Семинарист:''' Андрей Стоцкий
+
'''Семинарист:''' Андрей Стоцкий ([https://t.me/ruroruro @ruroruro])
  
 
= Важные ссылки =
 
= Важные ссылки =
* '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)
+
'''Форма регистрации:''' [https://docs.google.com/forms/d/e/1FAIpQLSdEmGT07jgQUDPo7mDUc3Vf-xIPK2rGEl0W4dS6dYS9k696Pw/viewform?usp=pp_url ссылка] ''' (заполните для доступа к чату курса и заданиям)<br>
* '''Материалы курса:''' '''TODO'''<br>
+
'''Материалы курса:''' [https://code.mipt.ru/courses-public/cv/public/-/blob/fall-2023/README.md ссылка]<br>
* '''Записи лекций и семинаров:''' [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW youtube], [https://drive.google.com/drive/folders/1QsRPYupcajd6U3YLecLii_sY5EjZiiPK?usp=sharing диск]
+
'''Записи лекций и семинаров:''' [https://www.youtube.com/playlist?list=PLWI0ElBVXPkZYAkWVwb5xjXNwnjnTs4eF youtube]
  
= Критерии получения оценки =
+
= Критерии оценки за курс =
 
Оценка по курсу получается за выполнение следующих заданий:
 
Оценка по курсу получается за выполнение следующих заданий:
  
Строка 30: Строка 30:
 
≥ 75% — отлично<br>
 
≥ 75% — отлично<br>
 
≥ 65% — хорошо<br>
 
≥ 65% — хорошо<br>
50% — удовлетворительно<br>
+
55% — удовлетворительно<br>
  
'''Перезачет заданий из других курсов.''' Если в другом курсе вы делали задание, очень похожее по содержанию на задание из этого курса, то можно попробовать его перезачесть. Это делается в индивидуальном порядке. Для этого нужно прислать семинаристу подробную формулировку задания из другого курса, ваше решение, полученную оценку/значение метрики качества.
+
'''Перезачет'''. Если вы уже проходили наш курс в другом месте (или будете проходить его параллельно в этом семестре), то вы можете перезачесть оценку за весь курс или часть заданий. Перезачет делается в индивидуальном порядке (пишите [https://t.me/ruroruro @ruroruro] в телеграм). Перезачесть вместо наших заданий "похожие" задания из ''других'' курсов НЕЛЬЗЯ.
  
'''Пересдача'''. Если до конца курса вы не набираете баллов на оценку «удовлетворительно», то вам нужно будет досдавать задания на 60% от оценки. В крайнем случае назначается пересдача в формате итоговой контрольной.
+
'''Пересдача'''. Если до конца курса вы не набираете баллов на оценку «удовлетворительно», то вам нужно будет досдавать/пересдавать задания со штрафом как после дедлайна (60%) до тех пор, пока вы не наберете достаточно баллов. В ''крайнем'' случае назначается пересдача в формате итоговой контрольной на которой можно добрать недостающие баллы.
  
 
= План курса =
 
= План курса =
'''Пожалуйста, не выкладывайте содержание заданий и ваши решения в открытый доступ (Github и т.п.).''' Подготовка качественных заданий требует много времени и сил, которые таким образом обесцениваются.
+
'''Пожалуйста, не выкладывайте содержание заданий и ваши решения в открытый доступ (Github и т.п.).''' Подготовка качественных заданий требует много времени и сил, которые таким образом обесцениваются. Заимствование кода из публичных источников без указания источника или плагиат могут штрафоваться.
  
 
План курса предварительный, в процессе чтения может меняться.
 
План курса предварительный, в процессе чтения может меняться.
Строка 52: Строка 52:
 
| 1
 
| 1
 
| 13.09.2023
 
| 13.09.2023
| Цифровое изображение и тональная коррекция
+
| Цифровое изображение
| Работа с изображениями в python
+
| Введение в практическую часть курса, Работа с numpy
 
| Демозаикинг<br />Прокудин-Горский
 
| Демозаикинг<br />Прокудин-Горский
 
|-
 
|-
Строка 64: Строка 64:
 
| 3
 
| 3
 
| 27.09.2023
 
| 27.09.2023
| Продвинутая обработка изображений. <br>PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование
+
| Сжатие изображений, Преобразование Фурье
| Преобразование Фурье<br />Геометрические преобразования изображений
+
| Преобразование Фурье
 
| Сжатие изображение (PCA, JPEG)<br />Обратная свертка
 
| Сжатие изображение (PCA, JPEG)<br />Обратная свертка
 
|-
 
|-
 
| 4
 
| 4
 
| 04.10.2023
 
| 04.10.2023
| Введение в свёрточные нейросети и трансформеры. Классификация изображений
+
| Классификация изображений. Введение в нейросети
| Обратное распространение ошибки<br />Numpy, pytorch, lightning
+
| Иерархия абстракций: numpy, pytorch, pytorch-lightning
 
| Реализация нейросети на numpy
 
| Реализация нейросети на numpy
 
|-
 
|-
 
| 5
 
| 5
 
| 11.10.2023
 
| 11.10.2023
| Обратное распространение ошибки: базовые принципы и основные слои
+
| Сверточные нейросетевые архитектуры
| Lightning. Обучение простого классификатора
+
| Нейросетевые задания курса, Базовое обучение нейросетей
 
| Регрессия точек лица
 
| Регрессия точек лица
 
|-
 
|-
 
| 6
 
| 6
 
| 18.10.2023
 
| 18.10.2023
| Бэкбоны для классификации (CNN и трансформеры)
+
| Трансформеры и сверточные нейронные сети с большими ядрами
| Дообучение нейросети
+
| Разбор устройства ViT, Приемы для дообучения нейросетей
 
| Дообучение нейросети
 
| Дообучение нейросети
 
|-
 
|-
 
| 7
 
| 7
 
| 25.10.2023
 
| 25.10.2023
| Поиск по изображениям, metric learning
+
| Поиск похожих изображений
| Metric learning
+
| Метрическое обучение, Эффективность тензорных вычислений
 
| Классификация редких дорожных знаков
 
| Классификация редких дорожных знаков
 
|-
 
|-
Строка 118: Строка 118:
 
| 12
 
| 12
 
| 29.11.2023
 
| 29.11.2023
 +
| (пропуск из-за болезни лектора)
 +
|
 +
|
 +
|-
 +
| 13
 +
| 06.12.2023
 
| Перенос стиля, superresolution, GAN, VAE (начало)
 
| Перенос стиля, superresolution, GAN, VAE (начало)
 
| AE, VAE, GAN
 
| AE, VAE, GAN
 
| GAN
 
| GAN
 
|-
 
|-
| 13
+
| 14
| 06.12.2023
+
| 13.12.2023
 
| VAE (продолжение), Diffusion
 
| VAE (продолжение), Diffusion
 
| Diffusion
 
| Diffusion
 
|  
 
|  
|-
 
| 14
 
| 13.12.2023
 
| Research pipeline: чтение статей, проведение экспериментов, написание статьи<br />Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX
 
| Разметка данных, управление экспериментами
 
| Квантование простой нейросети
 
 
|-
 
|-
 
| 15
 
| 15
 
| 20.12.2023
 
| 20.12.2023
 
| Итоговая контрольная
 
| Итоговая контрольная
| Гостевая лекция / обзор свежих интересных работ
+
| Чтение статей, организация семинара, выбор аспирантуры
|  
+
| Квантование простой нейросети
 
|}
 
|}
  

Текущая версия на 15:46, 14 июня 2024

Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по средам с 18:00 до 19:20 (лекция) и с 19:30 до 20:50 (семинар). Первое занятие 13 сентября. Записи занятий будут доступны для просмотра.

Общие сведения

Семестр: 9 (пятый курс)
Форма контроля: экзамен

Краткое описание

Курс посвящен методам и алгоритмам компьютерного зрения, т.е. извлечения информации из изображений и видео. Для большинства задач будем обсуждать современные нейросетевые модели, сверточные и трансформеры. Курс в большей степени является практическим, а не теоретическим. Поэтому все лекции снабжены лабораторными и домашними работами, которые позволяют попробовать на практике большинство из рассматриваемых методов. Работы выполняются на языке Python, с использованием различных библиотек.

Команда курса

Лектор: Влад Шахуро
Семинарист: Андрей Стоцкий (@ruroruro)

Важные ссылки

Форма регистрации: ссылка (заполните для доступа к чату курса и заданиям)
Материалы курса: ссылка
Записи лекций и семинаров: youtube

Критерии оценки за курс

Оценка по курсу получается за выполнение следующих заданий:

  1. Домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий, в среднем 10 баллов за задание. Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой
  2. Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение

Критерии оценки по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):
≥ 75% — отлично
≥ 65% — хорошо
≥ 55% — удовлетворительно

Перезачет. Если вы уже проходили наш курс в другом месте (или будете проходить его параллельно в этом семестре), то вы можете перезачесть оценку за весь курс или часть заданий. Перезачет делается в индивидуальном порядке (пишите @ruroruro в телеграм). Перезачесть вместо наших заданий "похожие" задания из других курсов НЕЛЬЗЯ.

Пересдача. Если до конца курса вы не набираете баллов на оценку «удовлетворительно», то вам нужно будет досдавать/пересдавать задания со штрафом как после дедлайна (60%) до тех пор, пока вы не наберете достаточно баллов. В крайнем случае назначается пересдача в формате итоговой контрольной на которой можно добрать недостающие баллы.

План курса

Пожалуйста, не выкладывайте содержание заданий и ваши решения в открытый доступ (Github и т.п.). Подготовка качественных заданий требует много времени и сил, которые таким образом обесцениваются. Заимствование кода из публичных источников без указания источника или плагиат могут штрафоваться.

План курса предварительный, в процессе чтения может меняться.

# Дата Лекция Семинар Домашнее задание
1 13.09.2023 Цифровое изображение Введение в практическую часть курса, Работа с numpy Демозаикинг
Прокудин-Горский
2 20.09.2023 Основы обработки изображений Базовая обработка изображений
3 27.09.2023 Сжатие изображений, Преобразование Фурье Преобразование Фурье Сжатие изображение (PCA, JPEG)
Обратная свертка
4 04.10.2023 Классификация изображений. Введение в нейросети Иерархия абстракций: numpy, pytorch, pytorch-lightning Реализация нейросети на numpy
5 11.10.2023 Сверточные нейросетевые архитектуры Нейросетевые задания курса, Базовое обучение нейросетей Регрессия точек лица
6 18.10.2023 Трансформеры и сверточные нейронные сети с большими ядрами Разбор устройства ViT, Приемы для дообучения нейросетей Дообучение нейросети
7 25.10.2023 Поиск похожих изображений Метрическое обучение, Эффективность тензорных вычислений Классификация редких дорожных знаков
8 01.11.2023 Детекторы объектов Детектирование объектов Простой нейросетевой детектор
9 08.11.2023 Сегментация изображений Простая нейросеть для сегментации Сегментация изображений
10 15.11.2023 Основы обработки видео Работа с видео Трекинг объектов
11 22.11.2023 Self-supervised learning, foundation models Self-supervised learning
12 29.11.2023 (пропуск из-за болезни лектора)
13 06.12.2023 Перенос стиля, superresolution, GAN, VAE (начало) AE, VAE, GAN GAN
14 13.12.2023 VAE (продолжение), Diffusion Diffusion
15 20.12.2023 Итоговая контрольная Чтение статей, организация семинара, выбор аспирантуры Квантование простой нейросети

Рекомендуемая литература

  1. W. Burger, M. Burge. Principles of Digital Image Processing. Springer 2009, 2013. Fundamental Techniques, Core Algorithms, Advanced Methods.
  2. M. Nielsen. Neural Networks and Deep Learning.
  3. A. Zhang, Z. Lipton, Mu Li, A. Smola. Dive into Deep Learning. 2020.
  4. I. Goodfellow, Y. Bengio, A. Courville. Deep learning. MIT Press 2016.
  5. R. Szeliski. Computer Vision: Algorithms and Applications. 2020
  6. R. Hartley, A. Zisserman. Multiple View Geometry in Computer Vision. Cambridge University Press, 2004.