"Компьютерное зрение"

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.

Содержание: Классические методы обработки изображений, решение задач: классификации, распознавания и оценки параметров движения в видеопотоке.

Что нужно знать и уметь: Python (numpy, matplotlib), машинное обучение, линейная алгебра, математический анализ, статистика.

Курс основан на материалах CS131

Перечень библиотек

1. Можно взять requirements.txt:

   pip install -r requirements.txt

2. Вручную установить следующие пакеты:

Requirements
jupyter
matplotlib
cv2 (4.3)
skimage
numpy

Программа курса:

1. Формирование изображений. Основные понятия:

   • введение в задачи компьютерного зрения;
   • представление изображений в компьютере;
   • работа с цветом;
   • аффинные преобразования;
   • знакомство с библиотеками cv2, skimage.
   • домашнее задание №1.

2. Введение в обработку сигналов:

   • частотная область, преобразование Фурье;
   • спектральный анализ;
   • свертки, фильтры;
   • кросс-корреляция;
   • домашнее задание №2.

3. Введение в обработку изображений:

   • гистограммы изображений;
   • цветовая коррекция;
   • пороговое выделение;
   • морфологические операции;
   • пирамиды изображений;
   • домашнее задание №3.

4. Глобальные признаки изображений:

   • выделение границ и контурные признаки;
   • матрица смежности и текстурные признаки;
   • практическая работа;
   • домашнее задание №4.

5. Локальные признаки изображений:

   • локализация особых точек (Harris, Shi-Tomasi);
   • дескрипторы особых точек (SIFT);
   • домашнее задание №5.

6. Сегментация на изображениях:

   • Задача сегментации;
   • Иерархическая класетризация;
   • Mean-Shift;
   • домашнее задание №6.

7. Параметрические модели

   • гистограммы ориентированных гридентов (HOG)
   • RANSAC
   • сопоставление изображений

8. Распознавание образов

   • Постановка задачи, метрики
   • HOG, Dalal-Triggs
   • Deformable parts model

9. Оптический поток

   • постановка задачи
   • метод Лукас-Канады
   • метод Horn-Schunk

10. Трекинг объектов

• постановка задачи, метрики
• Kalman filter
• SORT