Research Seminar Computer vision technologies

2019/2020

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

School of Software Engineering

Course type:

Elective course

When:

3 year, 1-3 module

Instructor

Ганичев Антон Александрович

Программа дисциплины

Аннотация

Компьютерное зрение - это раздел искусственного интеллекта связанный с извлечением информации из изображений. Он включает методы позволяющие производить обнаружение, отслеживание и классификацию объектов на изображениях а так же в видеопотоке. Технологии компьютерного зрения находят применение в - Робототехнике: промышленные роботы, автономные транспортные средства; - Системах безопасности: контроль доступа, распознавание лиц, обнаружение подозрительного поведения; - Здравоохранении: анализ медицинских изображений, топографическое моделирование; - Системах взаимодействия и дополненной реальности: поиск по изображениям, аннотация, ввода информации В последние годы в области компьютерного зрения достигнут значительный прогресс. Он связан с прежде всего с технологиями глубокого обучения (Deep learning) и в частности с использованием свёрточных нейронных сетей (Convolutional Neural Networks) которые и будут изучаться в рамках данного семинара.

Цель освоения дисциплины

• Обеспечить студентов базовыми знаниями о технологиях применяющихся для анализа изображений и видео
• Заложить основы знаний об архитектурах и способах обучения сверточных нейросетей (CNN)
• Познакомить студентов с основными программными и аппаратными средствами применяющимися для создания и обучения CNN

Планируемые результаты обучения

• Понимать принцип работы линейного классификатора, знать алгоритмы kNN, SVM
• Понимать принцип работы сверточной нейросети. Знать алгоритм обратного распространения.
• Уметь самостоятельно обучить нейросетевой классификатор.
• Знать принцип работы основных алгоритмов детектирования объектов.

Содержание учебной дисциплины

• Анализ изображений.
  История компьютерного зрения. Задачи возникающие при анализе изображений. Визуальные данные. Задача классификации: метрики оценки качества, метод k - ближайших соседей (K-nearest neighbor)
• Линейный классификатор.
  Классификации изображений с помощью линейного классификатора. Функции потерь (Loss Function) на примере SVM-Loss. Обучение методом градиентного спуска, регуляризация, сross entropy loss.
• Классификатор на основе нейронной сети
  Полносвязанная нейронной сети. Функции активации. Алгоритм обратного распространения ошибки(Backpropagation). Свёрточные нейросети (Convolutional Neural Networks).
• Сверточная нейронная сеть.
  Операция свертки, параметры сверточного слоя. Способы инициализации весов, Batch normalization, Оптимизаторы.
• Архитектуры СNN
  Архитектуры сверточных сетей: VGG,GoogleNet ResNet. SeNet, EfficientNet. Анализ количества потребляемых ресурсов. Быстрые свертки.
• Работа с реальными данными
  Выбор метрики, дисбаланс датасета, Переобучение, Аугментация данных, Перенос обучения (TransferLearning). Контроль за процессом обучения.
• Генеративные модели
  Обучение без учителя. Автоэнкодеры. GAN. Visual Transformers (дополнительно).
• Обучение на малом объёме данных
  One/Few shot learning . Вектор-признак (embedding). Сиамские сети, TripletLoss, распознавание лиц.
• Сегментация изображений.
  Виды сегментации, модели для сегментации, функции потерь. Fully Convolutional Network, TransposeConvolution, Atros convolution, Spatial pyramid pooling. Датасет COCO.

Элементы контроля

• Доклад
  Выполненные в ходе подготовки доклада эксперименты могут быть зачтены в качестве выполнения практических задач (см. пункт "Работа на семинаре"). Оценка за дисциплину выставляется в соответствии с формулой оценивания от всех пройденных элементов контроля. Экзамен не проводится.
• Работа на семинаре
  Включает: участие в обсуждении, ответы на вопросы и выполнение практических заданий (см пример).
• Контроль посещаемости

Промежуточная аттестация

• Промежуточная аттестация (3 модуль)
  0.7 * Доклад + 0.1 * Контроль посещаемости + 0.2 * Работа на семинаре

Список литературы

Рекомендуемая основная литература

• McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1605925
• Коэльо Л.П., Ричарт В. - Построение систем машинного обучения на языке Python - Издательство "ДМК Пресс" - 2016 - 302с. - ISBN: 978-5-97060-330-7 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/82818

Рекомендуемая дополнительная литература

• Основы алгоритмизации и программирования на Python : учеб. пособие / С.Р. Гуриков. — М. : ФОРУМ : ИНФРА-М, 2019. — 343 с. — (Среднее профессиональное образование). - Режим доступа: http://znanium.com/catalog/product/970143