Компьютерное Зрение

Семестр:Осенний
Доступен в: ВМК, ШАД, МФТИ, МИСИС, ИТМО, ИрНИТУ, СФУ
Читается с:2007

Краткое описание

Курс посвящен методам и алгоритмам компьютерного зрения, т.е. извлечения информации из изображений и видео. В курсе дается полноценное введение в область компьютерного зрения и рассматриваются все ключевые задачи. Для большинства задач будем обсуждать современные нейросетевые модели, сверточные и трансформеры. По каждой задаче обсуждается постановка задачи, метрики оценки качества, актуальные датасеты и основные идеи современных алгоритмов решения этой задачи.

В курсе мы стараемся уделять внимание только наиболее современным методам, которые используются в настоящее время при решении практических и исследовательских задач. 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.

Отчетность по курсу

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. Дедлайны для всех студентов одинаковые.

Итоговая оценка за курс проставляется по 5-бальной шкале: неуд(2), удовл(3), хор(4), отл(5). Если в вашем ВУЗе 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. 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 - значительно сложнее. 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 времени и сил, которые таким образом обесцениваются.

Если есть какие-то вопросы/проблемы, то пишите в телеграм-чат курса, либо @ruroruro.


Записи занятий

ВМК МГУ
Онлайн
-
-

План курса и материалы занятий

План курса предварительный и может меняться в течение семестра.


Дата

Название
Материалы
ВМК МГУ
Онлайн
ВМК МГУ
Онлайн
01-lec

16 сен

18 сен
Введение в предмет, Цифровое изображение, Свет и цвет
slides
01-semТестовая система, Работа с NumPy
02-lec

23 сен

25 сен
Основы обработки изображений
02-semОсновы обработки изображений
03-lec

30 сен

02 окт
Сжатие изображений, Преобразование Фурье
03-semПреобразование Фурье
04-lec

07 окт

09 окт
Классификация изображений, Введение в нейросети
04-semОбучение нейросетей: NumPy, PyTorch
05-lec

14 окт

16 окт
Сверточные нейросетевые архитектуры
05-semНейросетевые задания курса, Обучение нейросетей: Базовые приемы
06-lec

21 окт

23 окт
Трансформеры и сверточные нейронные сети с большими ядрами
06-semОбучение нейросетей: Продвинутые приемы, Разбор устройства ViT
07-lec

28 окт

30 окт
Метрическое обучение
07-semМетрическое обучение
08-lec

04 ноя

06 ноя
Детекторы объектов
08-semПрактические аспекты CV/ML в индустрии
---
09-lec

11 ноя

13 ноя
Сегментация изображений
09-semСегментация изображений
10-lec

18 ноя

20 ноя
Основы обработки видео
10-semРабота с видео, Оптический поток
11-lec

25 ноя

27 ноя
Обучение без разметки, Фундаментальные модели
11-semОбучение без разметки, Метод MoCo
12-lec

02 дек

04 дек
Перенос стиля, Синтез изображений
12-semВариационные автоэнкодеры, Генеративно-состязательные сети
13-lec

09 дек

11 дек
Вариационные автоэнкодеры, Диффузионные генеративные модели
13-semДиффузионные генеративные модели
14-lec

16 дек

18 дек
Чтение статей CV⧸ML
---
14-sem---
---