http://wiki.atp-fivt.org/api.php?action=feedcontributions&feedformat=atom&user=Vshakhuro 2026-04-10T23:44:02Z Вклад участника MediaWiki 1.30.0 http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2998 2024-06-14T12:46:16Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий ([https://t.me/ruroruro @ruroruro])<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' [https://docs.google.com/forms/d/e/1FAIpQLSdEmGT07jgQUDPo7mDUc3Vf-xIPK2rGEl0W4dS6dYS9k696Pw/viewform?usp=pp_url ссылка] ''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' [https://code.mipt.ru/courses-public/cv/public/-/blob/fall-2023/README.md ссылка]&lt;br&gt;<br /> '''Записи лекций и семинаров:''' [https://www.youtube.com/playlist?list=PLWI0ElBVXPkZYAkWVwb5xjXNwnjnTs4eF youtube]<br /> <br /> = Критерии оценки за курс =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 55% — удовлетворительно&lt;br&gt;<br /> <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 [https://t.me/ruroruro @ruroruro] в телеграм). Перезачесть вместо наших заданий &quot;похожие&quot; задания из ''других'' курсов НЕЛЬЗЯ.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение<br /> | Введение в практическую часть курса, Работа с numpy<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Сжатие изображений, Преобразование Фурье<br /> | Преобразование Фурье<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Классификация изображений. Введение в нейросети<br /> | Иерархия абстракций: numpy, pytorch, pytorch-lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Сверточные нейросетевые архитектуры<br /> | Нейросетевые задания курса, Базовое обучение нейросетей<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Трансформеры и сверточные нейронные сети с большими ядрами<br /> | Разбор устройства ViT, Приемы для дообучения нейросетей<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск похожих изображений<br /> | Метрическое обучение, Эффективность тензорных вычислений<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | (пропуск из-за болезни лектора)<br /> | <br /> | <br /> |-<br /> | 13<br /> | 06.12.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 14<br /> | 13.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Чтение статей, организация семинара, выбор аспирантуры<br /> | Квантование простой нейросети<br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2439 2023-10-26T10:32:41Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий ([https://t.me/ruroruro @ruroruro])<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' [https://docs.google.com/forms/d/e/1FAIpQLSdEmGT07jgQUDPo7mDUc3Vf-xIPK2rGEl0W4dS6dYS9k696Pw/viewform?usp=pp_url ссылка] ''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' [https://code.mipt.ru/courses-public/cv/public/-/blob/fall-2023/README.md ссылка]&lt;br&gt;<br /> '''Записи лекций и семинаров:''' [https://www.youtube.com/playlist?list=PLWI0ElBVXPkZYAkWVwb5xjXNwnjnTs4eF youtube]<br /> <br /> = Критерии оценки за курс =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 55% — удовлетворительно&lt;br&gt;<br /> <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 [https://t.me/ruroruro @ruroruro] в телеграм). Перезачесть вместо наших заданий &quot;похожие&quot; задания из ''других'' курсов НЕЛЬЗЯ.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение<br /> | Введение в практическую часть курса, Работа с numpy<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Сжатие изображений, Преобразование Фурье<br /> | Преобразование Фурье<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Классификация изображений. Введение в нейросети<br /> | Иерархия абстракций: numpy, pytorch, pytorch-lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Сверточные нейросетевые архитектуры<br /> | Нейросетевые задания курса, Базовое обучение нейросетей<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Трансформеры и сверточные нейронные сети с большими ядрами<br /> | Разбор устройства ViT, Приемы для дообучения нейросетей<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск похожих изображений<br /> | Метрическое обучение, Эффективность тензорных вычислений<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2438 2023-10-26T10:28:54Z

<p>Vshakhuro: /* Важные ссылки */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий ([https://t.me/ruroruro @ruroruro])<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' [https://docs.google.com/forms/d/e/1FAIpQLSdEmGT07jgQUDPo7mDUc3Vf-xIPK2rGEl0W4dS6dYS9k696Pw/viewform?usp=pp_url ссылка] ''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' [https://code.mipt.ru/courses-public/cv/public/-/blob/fall-2023/README.md ссылка]&lt;br&gt;<br /> '''Записи лекций и семинаров:''' [https://www.youtube.com/playlist?list=PLWI0ElBVXPkZYAkWVwb5xjXNwnjnTs4eF youtube]<br /> <br /> = Критерии оценки за курс =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 55% — удовлетворительно&lt;br&gt;<br /> <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 [https://t.me/ruroruro @ruroruro] в телеграм). Перезачесть вместо наших заданий &quot;похожие&quot; задания из ''других'' курсов НЕЛЬЗЯ.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Классификация изображений. Введение в нейросети (начало)<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Введение в нейросети (продолжение)<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2314 2023-09-05T17:03:40Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' [https://docs.google.com/forms/d/e/1FAIpQLSdEmGT07jgQUDPo7mDUc3Vf-xIPK2rGEl0W4dS6dYS9k696Pw/viewform?usp=pp_url ссылка] ''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> '''Записи лекций и семинаров:''' [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW youtube], [ диск]<br /> <br /> = Критерии оценки за курс =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 55% — удовлетворительно&lt;br&gt;<br /> <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 &quot;похожие&quot; задания из ''других'' курсов НЕЛЬЗЯ.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Классификация изображений. Введение в нейросети (начало)<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Введение в нейросети (продолжение)<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2313 2023-09-05T17:02:42Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лекторы:''' Влад Шахуро&lt;br&gt;<br /> '''Семинаристы:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' [https://docs.google.com/forms/d/e/1FAIpQLSdEmGT07jgQUDPo7mDUc3Vf-xIPK2rGEl0W4dS6dYS9k696Pw/viewform?usp=pp_url ссылка] ''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> '''Записи лекций и семинаров:''' [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW youtube], [ диск]<br /> <br /> = Критерии оценки за курс =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 55% — удовлетворительно&lt;br&gt;<br /> <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 &quot;похожие&quot; задания из ''других'' курсов НЕЛЬЗЯ.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Классификация изображений. Введение в нейросети (начало)<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Введение в нейросети (продолжение)<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2119 2023-08-25T10:58:09Z

<p>Vshakhuro: /* План курса */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии оценки за курс =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 55% — удовлетворительно&lt;br&gt;<br /> <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.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Классификация изображений. Введение в нейросети (начало)<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Введение в нейросети (продолжение)<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2118 2023-08-25T10:36:50Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии оценки за курс =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 55% — удовлетворительно&lt;br&gt;<br /> <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.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2117 2023-08-25T10:27:46Z

<p>Vshakhuro: /* Критерии оценки за курс */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии оценки за курс =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 55% — удовлетворительно&lt;br&gt;<br /> <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.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2115 2023-08-25T08:44:17Z

<p>Vshakhuro: /* Критерии получения оценки */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии оценки за курс =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <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.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2114 2023-08-25T08:43:51Z

<p>Vshakhuro: /* Важные ссылки */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)&lt;br&gt;<br /> '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <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.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2113 2023-08-25T08:43:35Z

<p>Vshakhuro: /* Команда курса */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <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.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2111 2023-08-25T08:00:51Z

<p>Vshakhuro: /* Критерии получения оценки */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <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.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2110 2023-08-25T07:58:19Z

<p>Vshakhuro: /* Критерии получения оценки */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # 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<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <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, ваше решение, полученную оценку/значение метрики качества.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2109 2023-08-25T07:55:55Z

<p>Vshakhuro: /* Предварительный план курса */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий, в среднем 10 баллов за задание<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <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, ваше решение, полученную оценку/значение метрики качества.<br /> <br /> '''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.<br /> <br /> = План курса =<br /> '''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.<br /> <br /> План курса предварительный, в процессе чтения может меняться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2108 2023-08-25T07:55:24Z

<p>Vshakhuro: /* Предварительный план курса (может поменяться в процессe) */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий, в среднем 10 баллов за задание<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <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, ваше решение, полученную оценку/значение метрики качества.<br /> <br /> '''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.<br /> <br /> = Предварительный план курса =<br /> '''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.<br /> <br /> План курса в процессе чтения может поменяться.<br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2107 2023-08-25T07:53:22Z

<p>Vshakhuro: /* Критерии получения оценки */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий, в среднем 10 баллов за задание<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <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, ваше решение, полученную оценку/значение метрики качества.<br /> <br /> '''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.<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2106 2023-08-25T07:50:12Z

<p>Vshakhuro: /* Критерии получения оценки */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий, в среднем 10 баллов за задание<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <br /> '''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<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2105 2023-08-25T07:49:40Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий, в среднем 10 баллов за задание<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' по 10-балльной шкале будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):&lt;br&gt;<br /> ≥ 75% — отлично&lt;br&gt;<br /> ≥ 65% — хорошо&lt;br&gt;<br /> ≥ 50% — удовлетворительно&lt;br&gt;<br /> <br /> '''Пересдачи'''. 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<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2104 2023-08-25T07:48:43Z

<p>Vshakhuro: /* Критерии получения оценки */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий, в среднем 10 баллов за задание<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Итоговая контрольная в конце курса. 10 письменных вопросов на 10 баллов, 1.5 часа на выполнение<br /> <br /> '''Критерии оценки''' будут опубликованы в середине ноября. Приблизительные критерии (в процентах от макс. балла):<br /> ≥ 75% — отлично<br /> ≥ 65% — хорошо<br /> ≥ 50% — удовл.<br /> <br /> '''Пересдачи'''. Если до конца курса вы не набираете баллов на оценку «удовл.», то вам нужно будет досдавать задания на 60% от оценки. В крайнем случае назначается пересдача в формате итоговой контрольной<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2103 2023-08-25T07:12:03Z

<p>Vshakhuro: /* Краткое описание */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> '''Краткое описание'''<br /> <br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2102 2023-08-25T07:11:32Z

<p>Vshakhuro: /* Краткое описание */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> === Краткое описание ===<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2101 2023-08-25T07:11:13Z

<p>Vshakhuro: /* Команда курса */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий<br /> <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2100 2023-08-25T07:08:59Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> |}<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> {| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2099 2023-08-25T07:07:32Z

<p>Vshakhuro: /* Предварительный план курса (может поменяться в процессe) */</p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> '''TODO''' добавить задания в таблицу<br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! #<br /> ! Дата<br /> ! Лекция<br /> ! Семинар<br /> ! Домашнее задание<br /> |-<br /> | 1<br /> | 13.09.2023<br /> | Цифровое изображение и тональная коррекция<br /> | Работа с изображениями в python<br /> | Демозаикинг&lt;br /&gt;Прокудин-Горский<br /> |-<br /> | 2<br /> | 20.09.2023<br /> | Основы обработки изображений<br /> | Базовая обработка изображений<br /> | <br /> |-<br /> | 3<br /> | 27.09.2023<br /> | Продвинутая обработка изображений. &lt;br&gt;PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> | Преобразование Фурье&lt;br /&gt;Геометрические преобразования изображений<br /> | Сжатие изображение (PCA, JPEG)&lt;br /&gt;Обратная свертка<br /> |-<br /> | 4<br /> | 04.10.2023<br /> | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> | Обратное распространение ошибки&lt;br /&gt;Numpy, pytorch, lightning<br /> | Реализация нейросети на numpy<br /> |-<br /> | 5<br /> | 11.10.2023<br /> | Обратное распространение ошибки: базовые принципы и основные слои<br /> | Lightning. Обучение простого классификатора<br /> | Регрессия точек лица<br /> |-<br /> | 6<br /> | 18.10.2023<br /> | Бэкбоны для классификации (CNN и трансформеры)<br /> | Дообучение нейросети<br /> | Дообучение нейросети<br /> |-<br /> | 7<br /> | 25.10.2023<br /> | Поиск по изображениям, metric learning<br /> | Metric learning<br /> | Классификация редких дорожных знаков<br /> |-<br /> | 8<br /> | 01.11.2023<br /> | Детекторы объектов<br /> | Детектирование объектов<br /> | Простой нейросетевой детектор<br /> |-<br /> | 9<br /> | 08.11.2023<br /> | Сегментация изображений<br /> | Простая нейросеть для сегментации<br /> | Сегментация изображений<br /> |-<br /> | 10<br /> | 15.11.2023<br /> | Основы обработки видео<br /> | Работа с видео<br /> | Трекинг объектов<br /> |-<br /> | 11<br /> | 22.11.2023<br /> | Self-supervised learning, foundation models<br /> | Self-supervised learning<br /> | <br /> |-<br /> | 12<br /> | 29.11.2023<br /> | Перенос стиля, superresolution, GAN, VAE (начало)<br /> | AE, VAE, GAN<br /> | GAN<br /> |-<br /> | 13<br /> | 06.12.2023<br /> | VAE (продолжение), Diffusion<br /> | Diffusion<br /> | <br /> |-<br /> | 14<br /> | 13.12.2023<br /> | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> | Разметка данных, управление экспериментами<br /> | Квантование простой нейросети<br /> |-<br /> | 15<br /> | 20.12.2023<br /> | Итоговая контрольная<br /> | Гостевая лекция / обзор свежих интересных работ<br /> | <br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2098 2023-08-25T06:01:59Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> 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.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> '''TODO''' добавить задания в таблицу<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2092 2023-08-11T08:23:56Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по четвергам с 13:55 до 15:20 (лекция) и с 15:30 до 16:55 (семинар). Записи занятий будут доступны для просмотра.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<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]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> '''TODO''' добавить задания в таблицу<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2091 2023-08-11T08:23:08Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по четвергам с 13:55 до 15:20 (лекция) и с 15:30 до 16:55 (семинар). Записи занятий будут доступны для просмотра.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> * [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW Записи лекций и семинаров (youtube)]<br /> * [https://drive.google.com/drive/folders/1QsRPYupcajd6U3YLecLii_sY5EjZiiPK?usp=sharing Записи лекций и семинаров (диск)]<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> '''TODO''' добавить задания в таблицу<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2090 2023-08-11T08:18:49Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по четвергам с 13:55 до 15:20 (лекция) и с 15:30 до 16:55 (семинар). Записи занятий будут доступны для просмотра.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * [https://drive.google.com/drive/folders/1QsRPYupcajd6U3YLecLii_sY5EjZiiPK?usp=sharing Видео занятий и презентации]<br /> * [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW Видео занятий youtube]<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * Таблица с оценками<br /> * Статус проверки домашних заданий<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> '''TODO''' добавить задания в таблицу<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2089 2023-08-11T08:18:25Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по четвергам с 13:55 до 15:20 (лекция) и с 15:30 до 16:55 (семинар). Записи занятий будут доступны для просмотра.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)&lt;br&gt;<br /> Форма контроля: экзамен<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * [https://drive.google.com/drive/folders/1QsRPYupcajd6U3YLecLii_sY5EjZiiPK?usp=sharing Видео занятий и призентации]<br /> * [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW Видео занятий youtube]<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * Таблица с оценками<br /> * Статус проверки домашних заданий<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> '''TODO''' добавить задания в таблицу<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2088 2023-08-11T08:18:10Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по четвергам с 13:55 до 15:20 (лекция) и с 15:30 до 16:55 (семинар). Записи занятий будут доступны для просмотра.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)<br /> <br /> Форма контроля: экзамен<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * [https://drive.google.com/drive/folders/1QsRPYupcajd6U3YLecLii_sY5EjZiiPK?usp=sharing Видео занятий и призентации]<br /> * [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW Видео занятий youtube]<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * Таблица с оценками<br /> * Статус проверки домашних заданий<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> '''TODO''' добавить задания в таблицу<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2087 2023-08-11T08:17:52Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по четвергам с 13:55 до 15:20 (лекция) и с 15:30 до 16:55 (семинар). Записи занятий будут доступны для просмотра.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)<br /> Форма контроля: экзамен<br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * [https://drive.google.com/drive/folders/1QsRPYupcajd6U3YLecLii_sY5EjZiiPK?usp=sharing Видео занятий и призентации]<br /> * [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW Видео занятий youtube]<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * Таблица с оценками<br /> * Статус проверки домашних заданий<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> '''TODO''' добавить задания в таблицу<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=2086 2023-08-11T07:55:55Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по четвергам с '''TODO'''. Записи занятий будут доступны для просмотра.<br /> <br /> = Общие сведения =<br /> Семестр: 9 (пятый курс)<br /> Форма контроля: экзамен<br /> == Краткое описание ==<br /> 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.<br /> <br /> = Команда курса =<br /> * '''Лектор:''' Влад Шахуро<br /> * '''Семинарист:''' Андрей Стоцкий, '''TODO'''<br /> * '''Учебные ассистенты:''': <br /> = Важные ссылки =<br /> * [https://drive.google.com/drive/folders/1QsRPYupcajd6U3YLecLii_sY5EjZiiPK?usp=sharing Видео занятий и призентации]<br /> * [https://www.youtube.com/playlist?list=PLHVUfYYv0xkkbc3xSswFl_xkdWe8RNyyW Видео занятий youtube]<br /> * '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> * '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> * Таблица с оценками<br /> * Статус проверки домашних заданий<br /> <br /> = Критерии получения оценки =<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна до конца курса, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> = Предварительный план курса (может поменяться в процессe) =<br /> <br /> '''TODO''' добавить задания в таблицу<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=1918 2023-04-25T14:39:36Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по четвергам с '''TODO'''. Записи занятий будут доступны для просмотра.<br /> <br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий, '''TODO'''&lt;br&gt;<br /> '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> == Отчетность по курсу ==<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> == Предварительный план курса (может поменяться в процессe) ==<br /> <br /> '''TODO''' добавить задания в таблицу<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D1%8B%D0%B5_%D0%BA%D1%83%D1%80%D1%81%D1%8B_%D0%BA%D0%B0%D1%84%D0%B5%D0%B4%D1%80%D1%8B&diff=1917 2023-04-25T14:16:08Z

<p>Vshakhuro: </p> <hr /> <div>== Учебные курсы кафедры Алгоритмов и технологий программирования ==<br /> <br /> === Осенний семестр 2023 года ===<br /> * [[Рекомендации по поступлению]]<br /> * [[Про индивидуальные планы осень 2023]]<br /> * [ Страница с расписанием]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс !! 6 курс <br /> |-<br /> |<br /> <br /> <br /> ||<br /> <br /> <br /> ||<br /> <br /> <br /> ||<br /> <br /> ||<br /> <br /> === Факультетские курсы ===<br /> [[ТПОС_2023|Технологии программирования и операционные системы]]<br /> <br /> [[CV_2023|Анализ изображений]]<br /> <br /> [[Marketing_2023 | Основы интернет-маркетинга]]<br /> <br /> [[Алгоритмы биоинформатики осень 2023 | Алгоритмы биоинформатики]]<br /> <br /> [[Управление IT-проектами 2023 | Управление IT-проектами]]<br /> <br /> === Кафедральные курсы ===<br /> [[НИС_2023|Научный семинар]]<br /> <br /> [[Применение Python в статистическом анализе данных]]<br /> <br /> ||<br /> <br /> [[МОБОД_2023|Машинное обучение на больших объемах данных]]<br /> <br /> [[Web-2023|Web программирование]]<br /> <br /> |}<br /> <br /> <br /> === Весенний семестр 2023 года ===<br /> <br /> [[Про индивидуальные планы 2023 весна]]<br /> <br /> [https://mipt.ru/about/departments/uchebniy/schedule/study Страница с расписанием]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс<br /> |-<br /> |<br /> <br /> [[Практикум Python. Весна 2023|Практикум Python]]<br /> <br /> [[Python &amp; R practice nes spr2023 | Практикум Python. Совместная программа ВШЭ-РЭШ. Весна 2023]]<br /> <br /> [[Программирование на С++ основной и продвинутый потоки. Весна 2023|Программирование на С++ основной и продвинутый потоки]]<br /> <br /> [[Технологии программирования. Весна 2023|Технологии программирования]]<br /> <br /> [[Алгоритмы и структуры данных основной поток. Весна 2023|Алгоритмы и структуры данных основной поток]]<br /> <br /> [[Алгоритмы и структуры данных продвинутый поток. Весна 2023|Алгоритмы и структуры данных продвинутый поток]]<br /> <br /> ||<br /> <br /> [Архитектура компьютеров и операционные системы | CAOS-2022]<br /> <br /> [[Программирование на языке Python для ПМФ. Весна 2023|Программирование на языке Python]]<br /> <br /> [[Базы данных 2023|Базы данных 2023]]<br /> <br /> [[Алгоритмы и структуры данных. Весна 2023|Алгоритмы и структуры данных]]<br /> <br /> [[Algorithms and data structures III | Algorithms and data structures III]]<br /> <br /> ||<br /> <br /> [[Rust-2023 | Разработка на языке Rust]]<br /> <br /> [[Golang-2023 | Разработка на языке Golang]]<br /> <br /> [[Параллельные_и_распределенные_вычисления_2023s|Параллельные и распределенные вычисления]]<br /> <br /> ||<br /> <br /> [[Networks-2023 | Современные компьютерные сети]]<br /> <br /> ||<br /> <br /> === Факультетские курсы ===<br /> [[IMI_2023 | История и методология информатики и вычислительной техники]]<br /> <br /> [[Java_mag_2023 | Технологии разработки на языке Java]]<br /> <br /> [[HOBOD_2023 | Хранение и обработка больших объемов данных]]<br /> <br /> [[NLP_2023 | Автоматическая обработка естественного языка]]<br /> <br /> === Кафедральные курсы ===<br /> [[ProgAutom_2023 | Автоматизация программирования]]<br /> <br /> [[НИС_2023-1|Научный семинар]]<br /> <br /> |}<br /> <br /> === Осенний семестр 2022 года - основные дисциплины ===<br /> <br /> [[Про индивидуальные планы 2022]]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс !! 6 курс <br /> |-<br /> |<br /> <br /> [[Практикум Python (ПМФ) | Практикум Python (ПМФ) ]]<br /> <br /> [[Foundations of programming | Foundations of programming]]<br /> <br /> [[Введение в структуры данных | Введение в программирование и алгоритмы (основной поток)]]<br /> <br /> [[Программирование на С++ основной и продвинутый потоки | Программирование на С++ основной и продвинутый потоки]]<br /> <br /> ||<br /> <br /> [[Архитектура комьютеров и операционные системы | CAOS-2022]]<br /> <br /> [[Data Structures and Algorithms 2022 | Data Structures and Algorithms 2022]]<br /> <br /> [[Спецкурс: алгоритмы на графах (ИВТ) | AlgoGraphs-2022]]<br /> <br /> [[Объектно-ориентированное программирование на С++ (ИВТ) | OOP C++]]<br /> <br /> [[Алгоритмы и структуры данных (продвинутый поток) | Алгоритмы и структура данных (продвинутый поток)]]<br /> <br /> [[Алгоритмы и структура данных (основной поток) | Алгоритмы и структура данных (основной поток)]]<br /> <br /> <br /> <br /> ||<br /> <br /> [[Параллельные_и_распределенные_вычисления_2022 осень|Параллельные и распределенные вычисления]]<br /> <br /> [[Java_2021|Промышленное программирование на Java]]<br /> <br /> [[Java_foreigners_2022 | Java foreign group]]<br /> <br /> ||<br /> <br /> [https://objectoriented.ru/pps-new Проектирование программных систем]<br /> <br /> ||<br /> <br /> === Факультетские курсы ===<br /> [[ТПОС_2022|Технологии программирования и операционные системы]]<br /> <br /> [[cv_2022|Анализ изображений]]<br /> <br /> [[Marketing_2022 | Основы интернет-маркетинга]]<br /> <br /> [[Алгоритмы биоинформатики осень 2022 | Алгоритмы биоинформатики]]<br /> <br /> === Кафедральные курсы ===<br /> [[НИС_2022-2|Научный семинар]]<br /> <br /> [[PythonAnalysis_2021|Применение Python в статистическом анализе данных]]<br /> <br /> ||<br /> [[МОБОД_2021|Машинное обучение на больших объемах данных]]<br /> <br /> [[Web-2022|Web программирование]]<br /> <br /> |}<br /> <br /> === Весенний семестр 2022 года - основные дисциплины ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс<br /> |-<br /> |<br /> <br /> ||<br /> <br /> ||<br /> <br /> [[Параллельные_и_распределенные_вычисления_2022s|Параллельные и распределенные вычисления]]<br /> <br /> ||<br /> <br /> ||<br /> <br /> === Факультетские курсы ===<br /> [[Visual_2022 | Математические методы визуализации данных]]<br /> <br /> [[IMI_2022 | История и методология информатики и вычислительной техники]]<br /> <br /> [[Java_mag_2022 | Технологии разработки на языке Java]]<br /> <br /> [[HOBOD_2022 | Хранение и обработка больших объемов данных]]<br /> <br /> [[NLP_2022 | Автоматическая обработка естественного языка]]<br /> <br /> === Кафедральные курсы ===<br /> <br /> [[ProgAutom_2022 | Автоматизация программирования]]<br /> <br /> [[НИС_2022 | Научный семинар]]<br /> <br /> |}<br /> <br /> === Осенний семестр 2021 года - основные дисциплины ===<br /> <br /> [[Про индивидуальные планы 2021]]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс !! 6 курс <br /> |-<br /> |<br /> <br /> ||<br /> <br /> ||<br /> <br /> [[Параллельные_и_распределенные_вычисления_2021|Параллельные и распределенные вычисления]]<br /> <br /> [[Java_2021|Промышленное программирование на Java]]<br /> <br /> [[Java_foreigners_2021 | Java foreign group]]<br /> <br /> ||<br /> <br /> ||<br /> <br /> === Факультетские курсы ===<br /> [[ТПОС_2021|Технологии программирования и операционные системы]]<br /> <br /> [[cv_2021|Анализ изображений]]<br /> === Кафедральные курсы ===<br /> [[НИС_2021-2|Научный семинар]]<br /> <br /> [[PythonAnalysis_2021|Применение Python в статистическом анализе данных]]<br /> <br /> ||<br /> [[МОБОД_2021|Машинное обучение на больших объемах данных]]<br /> <br /> [[Web-2021|Web программирование]]<br /> |}<br /> <br /> === Весенний семестр 2021 года - основные дисциплины ===<br /> <br /> [[Про индивидуальные планы]]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс<br /> |-<br /> |<br /> <br /> ||<br /> <br /> ||<br /> <br /> ||<br /> <br /> ||<br /> <br /> === Факультетские курсы ===<br /> [[IMI_2021 | История и методология информатики и вычислительной техники]]<br /> <br /> [[Java_mag_2021 | Программирование на Java]]<br /> <br /> [[HOBOD_2021 | Хранение и обработка больших объемов данных]]<br /> <br /> [[NLP_2021 | Автоматическая обработка естественного языка]]<br /> <br /> === Кафедральные курсы ===<br /> <br /> [[ProgAutom_2021 | Автоматизация программирования]]<br /> <br /> [[НИС_2021 | Научный семинар]]<br /> <br /> |}<br /> <br /> === Осенний семестр 2020 года - основные дисциплины ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс !! 6 курс <br /> |-<br /> |<br /> <br /> ||<br /> <br /> [[Формалки_2020|Формальные языки и трансляции]]<br /> <br /> ||<br /> <br /> [[Параллельные_и_распределенные_вычисления_2020|Параллельные и распределенные вычисления]]<br /> <br /> [[Java_2020|Промышленное программирование на Java]]<br /> <br /> ||<br /> <br /> ||<br /> [[ТПОС_2020|Технологии программирования и операционные системы]]<br /> <br /> [[cv_2020|Анализ изображений]]<br /> ||<br /> [[МОБОД_2020|Машинное обучение на больших объемах данных]]<br /> <br /> |}<br /> <br /> === Весенний семестр 2020 года - основные дисциплины ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс<br /> |-<br /> |<br /> <br /> [[Алгоритмы_ИВТ_2020|Алгоритмы и структуры данных (поток ИВТ)]]<br /> <br /> ||<br /> <br /> [[Теория и практика многопоточной синхронизации|Теория и практика многопоточной синхронизации]]<br /> <br /> ||<br /> ||<br /> ||<br /> <br /> [[Хранение и обработка больших объемов данных]]<br /> <br /> [[Технологии программирования и операционные системы - 2]]<br /> <br /> |}<br /> <br /> === Осенний семестр 2019 года - основные дисциплины ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс !! 6 курс <br /> |-<br /> |<br /> <br /> ||<br /> <br /> [[Формалки_2019|Формальные языки и трансляции]]<br /> <br /> ||<br /> <br /> [[МВС_2019|Параллельные и распределенные вычисления]]<br /> <br /> [[Java_2019|Промышленное программирование на Java]]<br /> <br /> [[Методы_оптимизации_2019|Методы оптимизации]]<br /> <br /> [[Full-Stack_2019|Full-stack разработка]]<br /> <br /> [[Сложность_вычислений_2019|Сложность вычислений]]<br /> <br /> [[Мат.статы_2019|Математическая статистика]]<br /> <br /> ||<br /> <br /> ||<br /> [[ТПОС_2019|Технологии программирования и операционные системы]]<br /> ||<br /> [[МОБОД_2019|Машинное обучение на больших объемах данных]]<br /> <br /> |}<br /> <br /> === Осенний семестр 2018 года - основные дисциплины ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! 5 курс !! 6 курс <br /> |-<br /> |<br /> <br /> [[Программирование_базовый_2018|Введение в программирование (базовый поток)]]<br /> <br /> [[Программирование_основной_2018|Введение в программирование (основной поток)]]<br /> <br /> ||<br /> [[АКОС_ПМИ_набор_2017|Архитектура компьютеров и операционные системы (ПМИ, набор 2017 года)]]<br /> <br /> [[Алгоритмы_базовый_2018|Алгоритмы и структуры данных (базовый поток)]]<br /> <br /> [[Алгоритмы_основной_2018|Алгоритмы и структуры данных (основной поток)]]<br /> <br /> [[Формалки_2018|Формальные языки и трансляции]]<br /> <br /> ||<br /> [[АКОС_ПМИ_набор_2016|Дополнительные главы Архитектуры компьютеров и операционных систем (ПМИ, набор 2016 года)]]<br /> <br /> [[МВС_2018|Параллельные и распределенные вычисления]]<br /> <br /> ||<br /> [[ППС_2018|Проектирование программных систем]]<br /> <br /> [[Машинка_часть_2_2018|Прикладное машинное обучение]]<br /> <br /> ||<br /> [[Робастные_методы_2018|Робастные методы в статистике]]<br /> <br /> [[Теория_решеток_2018|Теория решеток для анализа и разработки данных]]<br /> <br /> [[Анализ_изображений_2018|Анализ изображений]]<br /> <br /> ||<br /> [[МОБОД_2018|Машинное обучение на больших объемах данных]]<br /> <br /> [[РДИ_2018|Работа с данными в индустрии]]<br /> <br /> |}<br /> <br /> == Научно-исследовательская работа ==<br /> <br /> [[Архив тем НИР прошлых лет]]</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=1916 2023-04-25T14:14:44Z

<p>Vshakhuro: </p> <hr /> <div>{| width=&quot;900px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. Занятия проходят онлайн (Zoom) по четвергам с '''TODO'''. Записи занятий будут доступны для просмотра.<br /> <br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий, '''TODO'''&lt;br&gt;<br /> '''Материалы курса:''' '''TODO'''&lt;br&gt;<br /> '''Форма регистрации:''' '''TODO''' (заполните для доступа к чату курса и заданиям)<br /> <br /> == Краткое описание ==<br /> 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.<br /> <br /> == Отчетность по курсу ==<br /> Оценка по курсу получается за выполнение следующих заданий:<br /> <br /> # Лабораторные и домашние задания (1-2 штуки в неделю). Всего порядка 12 заданий<br /> # Задания можно сдавать после дедлайна, при этом оценка ограничивается 60% от базовой<br /> # Финальный экзамен в конце курса<br /> <br /> Критерии оценки<br /> <br /> '''TODO'''<br /> <br /> == Предварительный план курса (может поменяться в процессe) ==<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> == Рекомендуемая литература ==<br /> # 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].<br /> # M. Nielsen. [http://neuralnetworksanddeeplearning.com Neural Networks and Deep Learning].<br /> # A. Zhang, Z. Lipton, Mu Li, A. Smola. [https://d2l.ai Dive into Deep Learning]. 2020.<br /> # 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.<br /> # R. Szeliski. [http://szeliski.org/Book/2ndEdition.htm Computer Vision: Algorithms and Applications]. 2020<br /> # 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.<br /> <br /> |}</div>

Vshakhuro http://wiki.atp-fivt.org/index.php?title=CV_2023&diff=1915 2023-04-25T10:08:20Z

<p>Vshakhuro: Новая страница: «{| width=&quot;1000px&quot; style=&quot;text-align:justify;&quot; | Факультетский курс. Занятия проходят онлайн (Zoom) по четвергам…»</p> <hr /> <div>{| width=&quot;1000px&quot; style=&quot;text-align:justify;&quot;<br /> |<br /> <br /> Факультетский курс. Занятия проходят онлайн (Zoom) по четвергам с '''TODO'''. Записи занятий будут доступны для просмотра.<br /> <br /> '''Лектор:''' Влад Шахуро&lt;br&gt;<br /> '''Семинарист:''' Андрей Стоцкий&lt;br&gt;<br /> '''Форма регистрации:''' '''TODO'''<br /> <br /> == Предварительный план курса (может поменяться в процессe) ==<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:right; color:#000000;&quot;<br /> |- style=&quot;text-align:left;&quot;<br /> ! #<br /> ! дата<br /> ! Тема занятия<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 1<br /> | 07.09.2023<br /> | style=&quot;text-align:left;&quot; | Цифровое изображение и тональная коррекция<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 2<br /> | 14.09.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 3<br /> | 21.09.2023<br /> | style=&quot;text-align:left;&quot; | Продвинутая обработка изображений. &lt;br /&gt; PNG, JPEG, преобразование Фурье, Лапласовская пирамида. Сэмплирование<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 4<br /> | 28.09.2023<br /> | style=&quot;text-align:left;&quot; | Введение в свёрточные нейросети и трансформеры. Классификация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 5<br /> | 05.10.2023<br /> | style=&quot;text-align:left;&quot; | Обратное распространение ошибки: базовые принципы и основные слои<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 6<br /> | 12.10.2023<br /> | style=&quot;text-align:left;&quot; | Бэкбоны для классификации (CNN и трансформеры)<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 7<br /> | 19.10.2023<br /> | style=&quot;text-align:left;&quot; | Поиск по изображениям, metric learning<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 8<br /> | 26.10.2023<br /> | style=&quot;text-align:left;&quot; | Детекторы объектов<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 9<br /> | 02.11.2023<br /> | style=&quot;text-align:left;&quot; | Сегментация изображений<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 10<br /> | 09.11.2023<br /> | style=&quot;text-align:left;&quot; | Основы обработки видео<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 11<br /> | 16.11.2023<br /> | style=&quot;text-align:left;&quot; | Перенос стиля, superresolution, GAN&lt;br /&gt;<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 12<br /> | 23.11.2023<br /> | style=&quot;text-align:left;&quot; | VAE, Diffusion<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 13<br /> | 30.11.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Self-supervised learning, foundation models<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 14<br /> | 07.12.2023<br /> | style=&quot;text-align:left;&quot; | Research pipeline: чтение статей, проведение экспериментов, написание статьи&lt;br /&gt;Нейросети в проде: mixed precision, дистилляция, архитектуры, pruning, quantization, ONNX<br /> |- style=&quot;background-color:#ffffff;&quot;<br /> | 15<br /> | 14.12.2023<br /> | style=&quot;vertical-align:bottom; text-align:left;&quot; | Итоговая контрольная<br /> |}<br /> <br /> |}</div>

Vshakhuro