Обработка видео

Бакалавриат 2026/2027

ID 1143530

Статус: Курс по выбору (Прикладной анализ данных и искусственный интеллект)

Кто читает: Департамент информатики

Где читается: Школа информатики, физики и технологий

Когда читается: 4-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Савельев Александр Геннадьевич, Торопов Алексей Геннадьевич

Язык: русский

Кредиты: 4

Контактные часы: 52

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина «Обработка видео» посвящена изучению методов анализа, обработки и извлечения информации из видеопоследовательностей. Курс охватывает широкий спектр задач — от базовых алгоритмов обработки изображений и временного анализа до современных подходов глубокого обучения для обнаружения объектов, трекинга и классификации действий. Студенты осваивают как классические методы компьютерного зрения, так и нейросетевые архитектуры, включая сверточные и рекуррентные сети, трансформеры и гибридные модели. Особое внимание уделяется практической реализации алгоритмов обработки видео с использованием современных библиотек и фреймворков, а также оценке качества видеосистем в прикладных сценариях.

Цель освоения дисциплины

Формирование компетенций в области анализа, обработки и интерпретации видеоданных, включая освоение методов извлечения пространственных и временных признаков, обнаружения и трекинга объектов, классификации сцен и действий, а также разработку и оценку систем компьютерного зрения для обработки видеопоследовательностей в реальном времени.

Планируемые результаты обучения

Характеризует структуру цифрового видеопотока и объясняет принципы пространственно-временной избыточности.
Применяет вейвлет-преобразование и пространственно-временные фильтры для обработки видеокадров. Анализирует эффективность стандартов видеокодирования при различных сценариях использования.
Реализует пайплайн обнаружения объектов на видеопоследовательности с использованием YOLO и OpenCV.
Оценивает качество трекинга с применением стандартных метрик и интерпретирует результаты.
Сравнивает архитектуры 3D-CNN, CNN-LSTM и трансформеров для задач распознавания действий. Обучает гибридную модель CNN-LSTM для классификации сцен и детектирования границ кадров.
Интерпретирует результаты классификации действий с использованием матриц ошибок и метрик точности.
Вычисляет оптический поток для оценки движения объектов в видеопоследовательности. Реализует алгоритм вычитания фона для выделения движущихся объектов в реальном времени. Применяет фильтр Калмана для прогнозирования траектории движущихся объектов.
Разрабатывает мультимодальную систему, объединяющую видео- и аудиоданные для анализа сцен. Применяет механизмы внимания для повышения точности пространственно-временного анализа.
Оптимизирует видеомодель для инференса в реальном времени на ограниченных вычислительных ресурсах.