Современное компьютерное зрение [stepik] [AI Education] [Елена Кантонистова,Марк Блуменау]

[Bot]

Складчина: Современное компьютерное зрение [stepik] [AI Education] [Елена Кантонистова,Марк Блуменау]​

Курс посвящен основам глубинного обучения в области Computer Vision (CV). В курсе мы начнем с азов компьютерного зрения, а затем затронем актуальные задачи CV и посмотрим на устройство популярных решений.
Программа курса
О курсе

Классические методы Computer Vision

1. Основы обработки изображений: фильтры и сверткиДемо-доступ
2. Операторы градиента: Лаплас, Собель, КанниДемо-доступ
3. Бинаризация и трешхолдинг (Otsu, адаптивный порог)Демо-доступ
4. Методы выделения признаков: SIFT и другие
5. HOG: гистограммы направленных градиентов
6. Поиск и сопоставление ключевых точек
7. Преобразование Хафа и обнаружение геометрических фигур
8. Пространственные преобразования: аффинные и перспективные

CNN и первые архитектуры

1. Основы сверточных нейронных сетей: ядра, фильтры, пуллинги
2. Архитектура LeNet: первые шаги в CV с использованием CNN
3. AlexNet: особенности и влияние на развитие глубокого обучения
4. VGG: глубокие сети с фиксированными свертками
5. ResNet: идея резидуальных связей для решения проблемы исчезающих
6. Домашнее задание

Современные архитектуры CV

1. ViT (Vision Transformer): альтернатива CNN
2. MobileNet: легковесные модели для мобильных устройств
3. EfficientNet и EfficientNetV2: масштабируемость и оптимизация
4. Практика: аугментации и MBConv
5. Домашнее задание

Детекция

1. Основы задачи детекции и Non-Maximum Suppression
2. RCNN: архитектура и эволюция (Fast RCNN, Faster RCNN)
3. YOLOv1
4. Современные подходы к детекции: YOLO11 и более новые версии
5. Детекция на практике
6. Домашнее задание

Сегментация

1. Задача сегментации
2. U-Net: идея и применение в медицинских изображениях
3. Deeplab и его разновидности: адаптация к различным уровням разре
4. Mask R-CNN: объединение детекции и сегментации
5. Segment Anything Model (SAM): универсальная модель сегментации
6. Практика по сегментации
7. Домашнее задание (тестирование)

Трекинг и работа с видеопотоками

1. Задача трекинга и оценивание качества трекинга
2. Алгоритм трекинга
3. Работа с видеопотоками. FFMpeg: чтение, запись, сжатие видео
4. Gstreamer: организация сложных видео- и аудиопайплайнов
5. Практика: захват видео с камер в реальном времени
6. Тест по последнему занятию

Итоговый проект курса

1. Итоговый проект курса

Дополнительно: библиотека OpenCV

1. Установка библиотеки. Загрузка и вывод изображений

Дополнительно: фреймворк FastAPI

1. Аннотации типов в Python
2. Практика с FastAPI
3. Библиотека Pydantic