Просмотр кода страницы Анализ изображений 2026

= Общие сведения =
Семестр: 1 (1 курс магистратуры)<br>
Форма контроля: экзамен
==Расписание занятий==
Занятия проходят онлайн (Zoom) по четвергам с 17:05 до 18:30 (лекция) и с 18:35 до 20:00 (семинар). Первое занятие 11 сентября. Записи занятий будут доступны для просмотра.

=Краткое описание=

Курс посвящен методам и алгоритмам компьютерного зрения, т.е. извлечения информации из изображений и видео. Для большинства задач будем обсуждать современные нейросетевые модели, сверточные и трансформеры. Курс в большей степени является практическим, а не теоретическим. Поэтому все лекции снабжены лабораторными и домашними работами, которые позволяют попробовать на практике большинство из рассматриваемых методов. Работы выполняются на языке Python, с использованием различных библиотек.

= Команда курса =
'''Лектор:''' Влад Шахуро<br>
'''Семинарист:''' Андрей Стоцкий ([https://t.me/ruroruro @ruroruro])

= Важные ссылки =

'''Чат курса:''' <code>t.me / +1RcsnP7s8jA1OGNi</code> (удалить пробелы).

Дальнейшие инструкции для регистрации на курс, ссылки на материалы курса и прочая организационная информация будут опубликованы в этом чате, в топике "Анонсы".

'''Обратите внимание!''' Актуальная информация по курсу будет в первую очередь появляться в '''телеграм-чате курса'''. Чтобы не пропустить важную информацию, не отключайте уведомления в топике "Анонсы".

= Критерии оценки за курс =
Оценка по курсу получается за выполнение домашних заданий (1-2 штуки в неделю). Всего порядка 12 заданий, в среднем 10 баллов за задание. Задания можно сдавать после дедлайна до конца курса, но тогда оценка будет ограничиваться 60% от базовой.

Итоговая оценка за курс проставляется по 5-бальной шкале: неуд(2), удовл(3), хор(4), отл(5). Если в ведомости требуется оценка по 10-бальной шкале, то итоговая оценка за курс конвертируется неуд → 2/10, удовл → 4/10, хор → 7/10, отл → 10/10.

'''Критерии оценки'''.<br>
Приблизительные критерии в процентах от макс. балла (исходя из прошлогодних результатов):<br>
≥ 80% — отлично<br>
≥ 70% — хорошо<br>
≥ 60% — удовлетворительно<br>
Настоящие пороги будут опубликованы ближе к концу курса и могут отличаться от приблизительных.<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 "похожие" задания из ''других'' курсов НЕЛЬЗЯ.

'''Пересдача'''. Если до конца курса вы не набираете баллов на оценку «удовл», то вам нужно будет досдавать/пересдавать задания до тех пор, пока вы не наберете достаточно баллов. 
'''Обратите внимание!''' На пересдаче нельзя получить оценку выше «удовл» (даже если вы наберете достаточно баллов). Кроме того, на пересдаче все ещё применяются штрафы за просроченные дедлайны (60%). В результате, сдать курс "с нуля" на пересдаче, не выполняя задания во время семестра - практически невозможно. Пожалуйста, не откладывайте выполнение заданий на потом.

'''Плагиат'''. В нашем курсе ''не допускается'' заимствование решений или фрагментов кода из интернета или у других студентов. Перед подведением итогов в конце семестра, все студенческие решения обрабатываются автоматической системой анти-плагиата. В зависимости от результатов ручной проверки срабатываний анти-плагиата и объема/значительности выявленных заимствований, могут быть сняты баллы или даже проставлен штраф (отрицательный балл) за задание с выявленными заимствованиями.

'''Пожалуйста, не выкладывайте содержание заданий и ваши решения в открытый доступ (Github и т.п.).''' Подготовка качественных заданий требует много времени и сил, которые таким образом обесцениваются.

= План курса =

План курса предварительный, в процессе чтения может меняться.
|}

{| class="wikitable" 
|-
! #
! Дата
! Лекция
! Семинар
! Домашнее задание
|-
| 1
| 10.09.2026
| Введение в предмет, Цифровое изображение, Свет и цвет
| Тестовая система, Работа с NumPy
| Демозаикинг<br />Прокудин-Горский
|-
| 2
| 17.09.2026
| Основы обработки изображений
| Основы обработки изображений
| 
|-
| 3
| 24.09.2026
| Сжатие изображений, Преобразование Фурье
| Преобразование Фурье
| Сжатие изображение<br />Обратная свертка
|-
| 4
| 01.10.2026
| Классификация изображений, Введение в нейросети
| Обучение нейросетей: NumPy, PyTorch
| Реализация нейросети
|-
| 5
| 08.10.2025
| Сверточные нейросетевые архитектуры
| Нейросетевые задания курса, Обучение нейросетей: Базовые приемы
| Регрессия точек лица
|-
| 6
| 15.10.2026
| Трансформеры и сверточные нейронные сети с большими ядрами
| Обучение нейросетей: Продвинутые приемы, Разбор устройства ViT
| Дообучение классификатора
|-
| 7
| 22.10.2026
| Поиск похожих изображений
| Метрическое обучение
| Классификация редких дорожных знаков
|-
| 8
| 29.10.2026
| Детекторы объектов
| Практические аспекты CV/ML в индустрии
| Простой детектор машин
|-
| 9
| 05.11.2026
| Сегментация изображений
| Сегментация изображений
| Интерактивная сегментация
|-
| 10
| 12.11.2026
| Основы обработки видео
| Работа с видео, Оптический поток
| Трекинг объектов
|-
| 11
| 19.11.2026
| Обучение без разметки, Фундаментальные модели
| Обучение без разметки, Метод MoCo
| Квантование нейросетей
|-
| 12
| 26.11.2026
| Перенос стиля, Синтез изображений
| Вариационные автоэнкодеры, Генеративно-состязательные сети
| Генерация кроссовок
|-
| 13
| 03.12.2026
| Вариационные автоэнкодеры, Диффузионные генеративные модели
| Диффузионные генеративные модели
| 
|-
| 14
| 10.12.2026
| Чтение статей CV/ML
| 
| 
|}

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