Анализ изображений 2025

Факультетский курс. Параллельно читается в трех местах: МФТИ, ШАД, ВМК МГУ. 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. Общие сведения Семестр: 9 (пятый курс) Форма контроля: экзамен Краткое описание Курс посвящен методам и алгоритмам компьютерного зрения, т.е. извлечения информации из изображений и видео. Для большинства задач будем обсуждать современные нейросетевые модели, сверточные и трансформеры. Курс в большей степени является практическим, а не теоретическим. Поэтому все лекции снабжены лабораторными и домашними работами, которые позволяют попробовать на практике большинство из рассматриваемых методов. Работы выполняются на языке Python, с использованием различных библиотек. Команда курса Лектор: Влад Шахуро Семинарист: Андрей Стоцкий (@ruroruro) Важные ссылки Чат курса: t.me / +1RcsnP7s8jA1OGNi (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. Приблизительные критерии в процентах от макс. балла (исходя из прошлогодних результатов): ≥ 80% — отлично ≥ 70% — хорошо ≥ 60% — удовлетворительно Настоящие пороги будут опубликованы ближе к концу курса и могут отличаться от приблизительных. Перезачет. Если вы уже проходили наш курс в другом месте (или будете проходить его параллельно в этом семестре), то вы можете перезачесть оценку за весь курс или часть заданий. Перезачет делается в индивидуальном порядке (пишите @ruroruro в телеграм). Перезачесть вместо наших заданий "похожие" задания из других курсов НЕЛЬЗЯ. Пересдача. Если до конца курса вы не набираете баллов на оценку «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.

#	Дата	Лекция	Семинар	Домашнее задание
1	18.09.2025	Введение в предмет, Цифровое изображение, Свет и цвет	Тестовая система, Работа с NumPy	Демозаикинг Прокудин-Горский
2	25.09.2025	Основы обработки изображений	Основы обработки изображений
3	02.10.2025	Сжатие изображений, Преобразование Фурье	Преобразование Фурье	Сжатие изображение Обратная свертка
4	09.10.2025	Классификация изображений, Введение в нейросети	Обучение нейросетей: NumPy, PyTorch	Реализация нейросети
5	16.10.2025	Сверточные нейросетевые архитектуры	Нейросетевые задания курса, Обучение нейросетей: Базовые приемы	Регрессия точек лица
6	23.10.2025	Трансформеры и сверточные нейронные сети с большими ядрами	Обучение нейросетей: Продвинутые приемы, Разбор устройства ViT	Дообучение классификатора
7	30.10.2025	Поиск похожих изображений	Метрическое обучение	Классификация редких дорожных знаков
8	06.11.2025	Детекторы объектов	Практические аспекты CV/ML в индустрии	Простой детектор машин
9	13.11.2025	Сегментация изображений	Сегментация изображений	Интерактивная сегментация
10	20.11.2025	Основы обработки видео	Работа с видео, Оптический поток	Трекинг объектов
11	27.11.2025	Обучение без разметки, Фундаментальные модели	Обучение без разметки, Метод MoCo	Квантование нейросетей
12	04.12.2025	Перенос стиля, Синтез изображений	Вариационные автоэнкодеры, Генеративно-состязательные сети	Генерация кроссовок
13	11.12.2025	Вариационные автоэнкодеры, Диффузионные генеративные модели	Диффузионные генеративные модели
14	18.12.2025	Чтение статей CV/ML

Рекомендуемая литература W. Burger, M. Burge. Principles of Digital Image Processing. Springer 2009, 2013. Fundamental Techniques, Core Algorithms, Advanced Methods. M. Nielsen. Neural Networks and Deep Learning. A. Zhang, Z. Lipton, Mu Li, A. Smola. Dive into Deep Learning. 2020. I. Goodfellow, Y. Bengio, A. Courville. Deep learning. MIT Press 2016. R. Szeliski. Computer Vision: Algorithms and Applications. 2020 R. Hartley, A. Zisserman. Multiple View Geometry in Computer Vision. Cambridge University Press, 2004.