
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. 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): 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.Отчетность по курсу
ВМК МГУ | Онлайн |
|---|---|
- | |
- |
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-sem | Тестовая система, Работа с NumPy | ||||
02-lec | 23 сен | 25 сен | Основы обработки изображений | ||
02-sem | Основы обработки изображений | ||||
03-lec | 30 сен | 02 окт | Сжатие изображений, Преобразование Фурье | ||
03-sem | Преобразование Фурье | ||||
04-lec | 07 окт | 09 окт | Классификация изображений, Введение в нейросети | ||
04-sem | Обучение нейросетей: NumPy, PyTorch | ||||
05-lec | 14 окт | 16 окт | Сверточные нейросетевые архитектуры | ||
05-sem | Нейросетевые задания курса, Обучение нейросетей: Базовые приемы | ||||
06-lec | 21 окт | 23 окт | Трансформеры и сверточные нейронные сети с большими ядрами | ||
06-sem | Обучение нейросетей: Продвинутые приемы, Разбор устройства ViT | ||||
07-lec | 28 окт | 30 окт | Метрическое обучение | ||
07-sem | Метрическое обучение | ||||
08-lec | 04 ноя | 06 ноя | Детекторы объектов | ||
08-sem | Практические аспекты CV/ML в индустрии | --- | |||
09-lec | 11 ноя | 13 ноя | Сегментация изображений | ||
09-sem | Сегментация изображений | ||||
10-lec | 18 ноя | 20 ноя | Основы обработки видео | ||
10-sem | Работа с видео, Оптический поток | ||||
11-lec | 25 ноя | 27 ноя | Обучение без разметки, Фундаментальные модели | ||
11-sem | Обучение без разметки, Метод MoCo | ||||
12-lec | 02 дек | 04 дек | Перенос стиля, Синтез изображений | ||
12-sem | Вариационные автоэнкодеры, Генеративно-состязательные сети | ||||
13-lec | 09 дек | 11 дек | Вариационные автоэнкодеры, Диффузионные генеративные модели | ||
13-sem | Диффузионные генеративные модели | ||||
14-lec | 16 дек | 18 дек | Чтение статей CV⧸ML | --- | |
14-sem | --- | --- | |||