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 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. 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).

AI-политика курса. Использование ИИ при выполнении заданий курса запрещено и приравнивается к плагиату (см. пункт "Плагиат" ниже). Также, мы просим студентов в первую очередь обращаться с любыми вопросами к преподавателям курса, а не к искусственному интеллекту. Мы специально для этого организуем телеграм чат курса.

Критерии оценки. Приблизительные критерии в процентах от макс. балла (исходя из прошлогодних результатов):

  • ≥ 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.

Мидтерм. На курсе предусмотрен мидтерм - 1 ноября. Для получения итоговой оценки необходимо до этой даты зарегистрироваться в тестовой системе и набрать как минимум 10 баллов за задания.

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. 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 времени и сил, которые таким образом обесцениваются.

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


Записи занятий

План курса и материалы занятий

План курса предварительный и может меняться в течение семестра.

№
Дата
Название
Материалы
01-org
---
Важная информация и часто задаваемые вопросы
01-lec

17 сен
Введение в предмет, Цифровое изображение, Свет и цвет
01-semРабота с NumPy
02-lec

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

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

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

15 окт
Сверточные нейросетевые архитектуры
05-semОбучение нейросетей: Базовые приемы
06-lec

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

29 окт
CV⧸ML в академии
---
07-semCV/ML в индустрии
---
08-lec

05 ноя
Метрическое обучение
---
08-semМетрическое обучение
---
09-lec

12 ноя
Детекторы объектов
---
09-semДетекторы объектов
---
10-lec

19 ноя
Сегментация изображений
---
10-semСегментация изображений
---
11-lec

26 ноя
Основы обработки видео
---
11-semРабота с видео, Оптический поток
---
12-lec

03 дек
Обучение без разметки, Фундаментальные модели
---
12-semОбучение без разметки, Метод MoCo
---
13-lec

10 дек
OCR
---
13-semOCR
---
14-lec

17 дек
Перенос стиля, Синтез изображений
---
14-semВариационные автоэнкодеры, Генеративно-состязательные сети
---
15-lec

24 дек
Вариационные автоэнкодеры, Диффузионные генеративные модели
---
15-semДиффузионные генеративные модели
---