Прикладной анализ данных и искусственный интеллект

Кто читает:: Департамент информатики

Статус:: Курс по выбору

Когда читается:: 3-й курс, 1, 2 модуль

Преподаватели

Савельев Александр Геннадьевич

Торопов Алексей Геннадьевич

Дополнительные материалы в LMS Задать вопрос

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 и научатся проводить сегментацию и детектировать объекты на изображении, используя методы компьютерного зрения и глубинного обучения. Для освоения дисциплины студентам необходимы знания, полученные в результате изучения дисциплины «Глубинное обучение».

Цель освоения дисциплины

Формирование у студентов теоретических знаний и практических навыков по основам анализа изображений и сегментации изображений.

Планируемые результаты обучения

Владеет навыками работы с моделями. Оценка параметров модели. Метод наименьших квадратов, M-оценки, RANSAC, преобразование Хафа.
Владеет навыками реконструкции изображения, стилей, текстур. Владеет понятиями: матрица Грама, Генеративно-состязательные нейронные сети.
Владеет навыками сегментация объектов. Владеет понятиями: семантическая сегментация; Суперпикселизация.
Владеет навыками трекинга объектов.
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 понятиями: многослойные нейронные сети, стохастический градиентный спуск, сверточные нейронные сети.
Владеет понятиями: пространственная область; частотная область, преобразование Фурье, спектральный анализ; выделение компонент связности; выделение краев. Математическая морфология.
Знает классификацию объектов: бинарная и многоклассовая классификация. Знает категории объектов. Имеет навык извлечения фрагментов, вычисление признаков фрагментов, обучение словаря.
Знает: свойства признаков изображений; текстовые и визуальные признаки; пространства признаков. Владеет понятиями: ключевые точки; детектор угловых точек; детектор Моравица.

Содержание учебной дисциплины

Обработка изображений
Глобальные и локальные признаки изображений
Параметрические модели
Классификация объектов на изображении.
Глубокие нейронные сети
Поиск изображений по содержанию
Детектирование объектов
Сегментация изображений
Генеративные сети
Трекинг объектов

Элементы контроля

Домашнее задание №1
Домашнее задание №1 выдается студентам в одном варианте и состоит из 3 задач. Срок выполнения домашнего задания - 4 недели. Форма представления обучающимися домашнего задания - реализованный на любом, если не указано другого, языке программирования алгоритм.
Домашнее задание №2
Домашнее задание №2 выдается студентам в одном варианте и состоит из 2 задач. Срок выполнения домашнего задания - 3 недели. Форма представления обучающимися домашнего задания - реализованный на любом языке программирования алгоритм.
Домашнее задание №3
Домашнее задание №3 выдается студентам в одном варианте и состоит из 2 задач. Срок выполнения домашнего задания - 3 недели. Форма представления обучающимися домашнего задания - реализованный на любом языке программирования алгоритм.
Устный экзамен
Устный экзамен проводится в форме ответов на вопросы экзаменационного билета. Возможны дополнительные вопросы, в случае если экзаменуемый в недостаточной степени подробно ответил на вопросы билета. На подготовку ответа выделяется 2,5 часа.

Промежуточная аттестация

2026/2027 2nd module
Преподаватель учитывает оценку за текущий контроль (домашние задания). Онакопленная = (Од/з1 + Од/з2+ Од/з3) /3

Список литературы

Авторы

Кузнецов Антон Михайлович