CV 2023 — различия между версиями

Материал из Public ATP Wiki
Перейти к: навигация, поиск
(Команда курса)
Строка 14: Строка 14:
 
= Команда курса =
 
= Команда курса =
 
'''Лектор:''' Влад Шахуро<br>
 
'''Лектор:''' Влад Шахуро<br>
'''Семинарист:''' Андрей Стоцкий, http://t.me/ruroruro
+
'''Семинарист:''' Андрей Стоцкий ([https://t.me/ruroruro @ruroruro])
  
 
= Важные ссылки =
 
= Важные ссылки =
Строка 32: Строка 32:
 
≥ 55% — удовлетворительно<br>
 
≥ 55% — удовлетворительно<br>
  
'''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 в ЛС в телеграм). Перезачесть вместо наших заданий "похожие" задания из ''других'' курсов НЕЛЬЗЯ.
+
'''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/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.
 
'''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.

Версия 13:17, 6 сентября 2023

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: TODO
Записи лекций и семинаров: youtube, [ диск]

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 и тональная коррекция Работа с изображениями в python Демозаикинг
Прокудин-Горский
2 20.09.2023 Основы обработки изображений Базовая обработка изображений
3 27.09.2023 Продвинутая обработка изображений.
PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование
Преобразование Фурье
Геометрические преобразования изображений
Сжатие изображение (PCA, JPEG)
Обратная свертка
4 04.10.2023 Классификация изображений. Введение в нейросети (начало) Обратное распространение ошибки
Numpy, pytorch, lightning
Реализация нейросети на numpy
5 11.10.2023 Введение в нейросети (продолжение) Lightning. Обучение простого классификатора Регрессия точек лица
6 18.10.2023 Бэкбоны для классификации (CNN и трансформеры) Дообучение нейросети Дообучение нейросети
7 25.10.2023 Поиск по изображениям, metric learning Metric learning 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 Перенос стиля, superresolution, GAN, VAE (начало) AE, VAE, GAN GAN
13 06.12.2023 VAE (продолжение), Diffusion Diffusion
14 13.12.2023 Research pipeline: чтение статей, проведение экспериментов, написание статьи
Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX
Разметка данных, управление экспериментами Квантование простой нейросети
15 20.12.2023 Итоговая контрольная Гостевая лекция / обзор свежих интересных работ

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.