Анализ изображений 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 11 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 Чат курса: t.me / +C01xBX7G9_IyNjBi (удалить пробелы). Дальнейшие инструкции для регистрации на курс, ссылки на материалы курса и прочая организационная информация будут опубликованы в этом чате, в топике "Анонсы". Обратите внимание! Актуальная информация по курсу будет в первую очередь появляться в телеграм-чате курса. Чтобы не пропустить важную информацию, не отключайте уведомления в топике "Анонсы". Критерии оценки за курс Оценка по курсу получается за выполнение домашних заданий (1-2 штуки в неделю). Всего порядка 12 заданий, в среднем 10 баллов за задание. Задания можно сдавать после дедлайна до конца курса, но тогда оценка будет ограничиваться 60% от базовой. Итоговая оценка за курс проставляется по 5-бальной шкале: неуд(2), удовл(3), хор(4), отл(5). Если в ведомости требуется оценка по 10-бальной шкале, то итоговая оценка за курс конвертируется неуд → 2/10, удовл → 4/10, хор → 7/10, отл → 10/10. Критерии оценки. Приблизительные критерии в процентах от макс. балла (исходя из прошлогодних результатов): ≥ 75% — отлично ≥ 65% — хорошо ≥ 55% — удовлетворительно Настоящие пороги будут опубликованы ближе к концу курса и могут отличаться от приблизительных. 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 «удовл», то вам нужно будет досдавать/пересдавать задания до тех пор, пока вы не наберете достаточно баллов. Обратите внимание! На пересдаче нельзя получить оценку выше «удовл» (даже если вы наберете достаточно баллов). Кроме того, на пересдаче все ещё применяются штрафы за просроченные дедлайны (60%). В результате, сдать курс "с нуля" на пересдаче, не выполняя задания во время семестра - практически невозможно. Пожалуйста, не откладывайте выполнение заданий на потом. Плагиат. В нашем курсе не допускается заимствование решений или фрагментов кода из интернета или у других студентов. Перед подведением итогов в конце семестра, все студенческие решения обрабатываются автоматической системой анти-плагиата. В зависимости от результатов ручной проверки срабатываний анти-плагиата и объема/значительности выявленных заимствований, могут быть сняты баллы или даже проставлен штраф (отрицательный балл) за задание с выявленными заимствованиями. 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. План курса План курса предварительный, в процессе чтения может меняться.

#	Дата	Лекция	Семинар	Домашнее задание
1	11.09.2024	Цифровое изображение	Введение в практическую часть курса, Работа с numpy	Демозаикинг Прокудин-Горский
2	18.09.2024	Основы обработки изображений	Базовая обработка изображений
3	25.09.2024	Сжатие изображений, Преобразование Фурье	Преобразование Фурье	Сжатие изображение (PCA, JPEG) Обратная свертка
4	02.10.2024	Классификация изображений. Введение в нейросети	Иерархия абстракций: numpy, pytorch, pytorch-lightning	Реализация нейросети на numpy
5	09.10.2024	Сверточные нейросетевые архитектуры	Нейросетевые задания курса, Базовое обучение нейросетей	Регрессия точек лица
6	16.10.2024	Трансформеры и сверточные нейронные сети с большими ядрами	Разбор устройства ViT, Приемы для дообучения нейросетей	Дообучение нейросети
7	23.10.2024	Поиск похожих изображений	Метрическое обучение, Эффективность тензорных вычислений	Классификация редких дорожных знаков
8	30.10.2024	Детекторы объектов	Детектирование объектов	Простой нейросетевой детектор
9	06.11.2024	Сегментация изображений	Простая нейросеть для сегментации	Сегментация изображений
10	13.11.2024	Основы обработки видео	Работа с видео	Трекинг объектов
11	20.11.2024	Self-supervised learning, foundation models	Self-supervised learning
12	27.11.2024	Перенос стиля, superresolution, GAN, VAE (начало)	AE, VAE, GAN	GAN
13	04.12.2024	VAE (продолжение), Diffusion	Diffusion
14	11.12.2024		Чтение статей, организация семинара, выбор аспирантуры	Квантование простой нейросети

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