CV 2023

Материал из Public ATP Wiki
Версия от 10:50, 25 августа 2023; Vshakhuro (обсуждение | вклад) (Критерии получения оценки)
Перейти к: навигация, поиск

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.

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

Важные ссылки

  • Форма регистрации: TODO (заполните для доступа к чату курса и заданиям)
  • Материалы курса: TODO
  • Записи лекций и семинаров: youtube, диск

Критерии получения оценки

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
  2. Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой
  3. 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
≥ 50% — удовлетворительно

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

Предварительный план курса (может поменяться в процессe)

# 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 Введение в свёрточные нейросети и трансформеры. Классификация изображений Обратное распространение ошибки
Numpy, pytorch, lightning
Реализация нейросети на numpy
5 11.10.2023 Обратное распространение ошибки: базовые принципы и основные слои 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.