Анализ изображений 2026

Общие сведения

Семестр: 1 (1 курс магистратуры)
Форма контроля: экзамен

Расписание занятий

Занятия проходят онлайн (Zoom) по четвергам с 18:00 до 19:30 (лекция) и с 19:30 до 21:00 (семинар). Первое занятие 17 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 (@VladShakhuro)
Семинарист: Андрей Стоцкий (@ruroruro)

Важные ссылки

Чат курса: t.me / +I0mmOC2NdYUyZWZi (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 штука в неделю). Всего порядка 10 заданий, по 5-20 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. Обратите внимание, что эта конвертация проводится без интерполяции (то есть, например, оценку 8/10 получить никак нельзя).

Критерии оценки.
Оценка ставится по порогам в процентах от макс. балла. В прошлом году использовались следующие пороги:
≥ 85% - отлично
≥ 70% - хорошо
≥ 60% - удовлетворительно
В этом году список заданий и их вес изменились, так что пороги могут отличаться от прошлогодних. Настоящие пороги для этого года будут опубликованы ближе к концу курса.

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. Задания в нашем курсе необходимо выполнять самостоятельно. Заимствование решений или фрагментов кода из интернета, у других студентов или у искусственного интеллекта - не допускается. 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).

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
01	17.09.2026	Введение в предмет, Цифровое изображение, Свет и цвет	Тестовая система, Работа с NumPy	Прокудин-Горский
02	24.09.2026	Основы обработки изображений	Основы обработки изображений	Демозаикинг
03	01.10.2026	Сжатие изображений, Преобразование Фурье	Преобразование Фурье	Сжатие изображений
04	08.10.2026	Классификация изображений, Введение в нейросети	Обучение нейросетей: NumPy, PyTorch	Реализация нейросети
05	15.10.2026	Сверточные нейросетевые архитектуры	Нейросетевые задания курса, Обучение нейросетей: Базовые приемы	Регрессия точек лица
06	22.10.2026	Трансформеры и сверточные нейронные сети с большими ядрами	Обучение нейросетей: Продвинутые приемы, Разбор устройства ViT	Дообучение классификатора
07	29.10.2026	Поиск похожих изображений	Метрическое обучение	Классификация редких дорожных знаков
08	05.11.2026	Детекторы объектов	Детекторы объектов	Простой детектор машин
09	12.11.2026	Сегментация изображений	Сегментация изображений	Интерактивная сегментация
10	19.11.2026	Основы обработки видео	Работа с видео, Оптический поток	Трекинг объектов
11	26.11.2026	Обучение без разметки, Фундаментальные модели	Обучение без разметки, Метод MoCo
12	03.12.2026	OCR	OCR
13	10.12.2026	Чтение статей CV/ML	Практические аспекты CV/ML в индустрии
14	17.12.2026	Перенос стиля, Синтез изображений	Вариационные автоэнкодеры, Генеративно-состязательные сети
15	24.12.2026	Вариационные автоэнкодеры, Диффузионные генеративные модели	Диффузионные генеративные модели

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.