Image Analysis

2023/2024

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

Department of Informatics

Course type:

Elective course

When:

4 year, 3 module

Instructor

Головкина Анна Геннадьевна

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 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.
• Знает основные используемые методы обработки изображений. Применяет современные методы анализа и сегментации изображений для решения практических задач. Владеет навыками реализации алгоритмов, использования и оптимизации библиотек анализа изображений.
• Знает основные математические модели, используемые для анализа изображений в машинном обучении. Модифицирует используемые математические модели для конкретных задач. Владеет навыками применения различных математических задач для анализа изображений.
• Знает основные этапы разработки и адаптации формальных математических моделей. Оценивает трудоемкость и время исполнения различных алгоритмов машинного обучения, применяемых для анализа изображений. Владеет навыками планирования решения задач, связанных с анализом изображений.

Содержание учебной дисциплины

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

• 2023/2024 учебный год 3 модуль
  Преподаватель учитывает оценку за текущий контроль (домашние задания). Онакопленная = (Од/з1 + Од/з2+ Од/з3) /3

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