Описание: Вы когда-нибудь задумывались, как роботы могут ориентироваться в пространстве и выполнять свои задачи, как поисковые системы могут индексировать миллиарды изображений и видео, как алгоритмы могут диагностировать медицинские изображения на предмет заболеваний, как автомобили с автоматическим управлением могут видеть и управлять автомобилем безопасно, или как Instagram создает фильтры?
В основе этих современных приложений ИИ лежат технологии компьютерного зрения, которые могут воспринимать, понимать и реконструировать сложный визуальный мир. Computer Vision – одна из самых быстрорастущих и захватывающих дисциплин искусственного интеллекта в современной академии и промышленности. Курс предназначен для того, чтобы познакомить студентов с постановками основных задач и основополагающих принципов на примерах частей реальных кейсов. В рамках программы будут рассмотрены классические подходы Computer Vison, знание которых является неотъемлемой частью и основой Computer Vision in Deep Learning.
Продолжительность: 1 семестр.
Интенсивность занятий: 2 пары в неделю.
Содержание: Классические методы обработки изображений, решение задач: классификации, распознавания и оценки параметров движения в видеопотоке.
Что нужно знать и уметь: владеть Python (numpy, matplotlib), элементы линейной алгебры, математического анализа, статистики.
Курс основан на материалах CS131
-
- введение в область Computer vision;
- основные задачи и направления.
-
Формирование изображений. Основные понятия:
- представление изображений в компьютере;
- работа с цветом;
- аффинные преобразования;
- знакомство с библиотеками cv2, skimage;
- домашнее задание.
-
- представление изображений в компьютере;
- работа с цветом;
- аффинные преобразования;
- знакомство с библиотеками cv2, skimage;
- домашнее задание.
-
- гистограммы изображений;
- цветовая коррекция;
- пороговое выделение;
- морфологические операции;
- пирамиды изображений;
- домашнее задание.
- матрица смежности и текстурные признаки;
- выделение границ и контуров;
- контурные признаки;
- контураные признаки;
- домашнее задание.
- особые точки и их поиск;
- детекторы Харриса и Моравица;
- дескрипторы особых точек на примере SIFT;
- домашнее задание.
- метрики;
- kNN;
- линейная модель для регрессии.
- метрики;
- kNN;
- SVM;
- логистическая регрессия;
- домашнее задание.
- иерархическая кластеризация;
- mean-shift;
- метрики IoU/Dice;
- домашнее задание.
Можно взять requirements.txt из репозитория или установить следующие пакеты:
| Requirements |
|---|
jupyter |
matplotlib |
cv2 (4.2) |
skimage |
numpy |