{| width="900px" style="text-align:justify;"
|

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 =
'''Лекторы:''' Антон Конушин, Влад Шахуро 
'''Семинаристы:''' Андрей Стоцкий, Влад Шахуро

= Важные ссылки =
'''Форма регистрации:''' [https://docs.google.com/forms/d/e/1FAIpQLSdEmGT07jgQUDPo7mDUc3Vf-xIPK2rGEl0W4dS6dYS9k696Pw/viewform?usp=pp_url ссылка] ''' (заполните для доступа к чату курса и заданиям) 
'''Материалы курса:''' '''TODO''' 
'''Записи лекций и семинаров:''' [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW youtube], [ диск]

= Критерии оценки за курс =
Оценка по курсу получается за выполнение следующих заданий:

# 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
# 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 в ЛС 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.
|}

{| class="wikitable"
|-
! #
! 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
|
|}

{| width="900px" style="text-align:justify;"
|
== Рекомендуемая литература ==
# W. Burger, M. Burge. Principles of Digital Image Processing. Springer 2009, 2013. [https://link.springer.com/content/pdf/10.1007%2F978-1-84800-191-6.pdf Fundamental Techniques], [https://link.springer.com/content/pdf/10.1007%2F978-1-84800-195-4.pdf Core Algorithms], [https://link.springer.com/content/pdf/10.1007%2F978-1-84882-919-0.pdf Advanced Methods].
# M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].
# A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.
# I. Goodfellow, Y. Bengio, A. Courville. [https://github.com/janishar/mit-deep-learning-book-pdf/raw/master/complete-book-pdf/deeplearningbook.pdf Deep learning]. MIT Press 2016.
# R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020
# R. Hartley, A. Zisserman. [http://cvrs.whu.edu.cn/downloads/ebooks/Multiple%20View%20Geometry%20in%20Computer%20Vision%20(Second%20Edition).pdf Multiple View Geometry in Computer Vision]. Cambridge University Press, 2004.
|}