• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2019/2020

Анализ изображений

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Направление: 01.03.02. Прикладная математика и информатика
Когда читается: 4-й курс, 2, 3 модуль
Формат изучения: без онлайн-курса
Язык: русский
Кредиты: 4

Программа дисциплины

Аннотация

Является дисциплиной по выбору. Данная дисциплина направлена на овладение навыками анализа изображений, сегментации изображений. Студенты получат представление об основных алгоритмах из области анализа изображений. Научатся проводить сегментацию и детектировать объекты на изображении используя методы компьютерного зрения и глубинного обучения. В результате освоения дисциплины студент должен знать: алгоритмы сегментации и детекции объектов на изображении; уметь проектировать генеративные нейронные сети для классификации изображений и владеть математическим аппаратом и инструментальными средствами, используемым при анализе изображений и видео.
Цель освоения дисциплины

Цель освоения дисциплины

  • 1. Формирование у студентов теоретических знаний и практических навыков по основам анализа изображений и сегментации изображений.
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеет навыками работы с моделями. Оценка параметров модели. Метод наименьших квадратов, M-оценки, RANSAC, преобразование Хафа.
  • Владеет понятиями: пространственная область; частотная область, преобразование Фурье, спектральный анализ; выделение компонент связности; выделение краев. Математическая морфология.
  • Знает: свойства признаков изображений; текстовые и визуальные признаки; пространства признаков. Владеет понятиями: ключевые точки; детектор угловых точек; детектор Моравица.
  • Знает классификацию объектов: бинарная и многоклассовая классификация. Знает категории объектов. Имеет навык извлечения фрагментов, вычисление признаков фрагментов, обучение словаря.
  • владеет понятиями: многослойные нейронные сети, стохастический градиентный спуск, сверточные нейронные сети.
  • Владеет навыком поиска по визуальному подобию, поиска нечетких дубликатов, объектов на фотографии, сцен.
  • Владеет понятиями: метрика качества IoU; HUG; задача многоклассовой детекции. Знает классификацию окон. Знает алгоритмы сегментации и детекции объектов на изображении.
  • Владеет навыками сегментация объектов. Владеет понятиями: семантическая сегментация; Суперпикселизация.
  • Владеет навыками реконструкции изображения, стилей, текстур. Владеет понятиями: матрица Грама, Генеративно-состязательные нейронные сети.
  • Владеет навыками трекинга объектов.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Обработка изображений
    Пространственная область. Частотная область, преобразование Фурье, спектральный анализ. Выделение компонент связности. Выделение краев. Математическая морфология.
  • Глобальные и локальные признаки изображений
    Свойства признаков изображений. Текстовые и визуальные признаки. Пространства признаков. Ключевые точки. Детектор угловых точек. Детектор Моравица.
  • Параметрические модели.
    Выбор модели. Оценка параметров модели. Метод наименьших квадратов, M-оценки, RANSAC, преобразование Хафа.
  • Классификация объектов на изображении.
    Бинарная и многоклассовая классификация. Категории объектов. Извлечение фрагментов. Вычисление признаков фрагментов. Обучение словаря.
  • Глубокие нейронные сети.
    Многослойные нейронные сети. Стохастический градиентный спуск. Функции активации. Сверточные нейронные сети.
  • Поиск изображений по содержанию.
    Поиск по визуальному подобию. Поиск нечетких дубликатов. Поиск объектов на фотографии. Поиск сцен.
  • Детектирование объектов.
    Метрика качества IoU. Задача многоклассовой детекции. Классификация окон. HUG.
  • Сегментация изображений.
    Cегментация объектов. Семантическая сегментация. Суперпикселизация.
  • Генеративные сети.
    Реконструкция изображения. Реконструкция стилей. Матрица Грама. Реконструкция текстур. Генеративно-состязательные нейронные сети.
  • Трекинг объектов.
    Видеопоток и видеопоследовательность. Разметка объектов. Определение поз и жестов. Распознавание событий.
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание 1
  • неблокирующий Домашнее задание 2
  • неблокирующий Домашнее задание 3
  • блокирующий Устный экзамен
    Экзамен проводится на платформе Zoom. Экзамен проводится в устной форме (опрос по материалам курса). По просьбе преподавателя студент должен быть готов выполнить некоторые задания в письменном виде, после чего сфотографировать и выслать на почту преподавателю. К экзамену необходимо подключиться согласно расписанию, высланному преподавателем на корпоративные почты студентов накануне экзамена. Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка платформы Zoom. Для участия в экзамене студент обязан: выбрать себе имя в Zoom совпадающее с его именем и фамилией, явиться на экзамен согласно точному расписанию, при ответе включить камеру и микрофон. Во время экзамена студентам запрещается выключать камеру. Ипользование конспектов или других справочных материалов допускается только с разрешения преподавателя. Кратковременным нарушением связи во время экзамена считается нарушение связи менее 5 минут. Долговременным нарушением связи во время экзамена считается нарушение 5 минут и более. При долговременном нарушении связи возможность продолжения студентом участие в экзамене определяется преподавателем. Процедура пересдачи подразумевает использование усложненных заданий
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    0.18 * Домашнее задание 1 + 0.16 * Домашнее задание 2 + 0.16 * Домашнее задание 3 + 0.5 * Устный экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Wojciechowski, K. (2006). Computer Vision and Graphics : International Conference, ICCVG 2004, Warsaw, Poland, September 2004, Proceedings. Dordrecht: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=155987

Рекомендуемая дополнительная литература

  • Furht, B., Akar, E., & Andrews, W. A. (2018). Digital Image Processing: Practical Approach. Cham, Switzerland: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1881248