Курс "Технологии компьютерного зрения" охватывает основные аспекты обработки изображений и анализа визуальных данных. Мы покажем основные способы и инструменты для работы c изображениями и видеопотоком на языке Python, рассмотрим современные архитектуры для детекции и векторизации изображений, чтобы научиться применять полученные знания в различных областях, таких как медицина, робототехника, автоматизация производства. Курс актуален, поскольку компьютерное зрение становится ключевой технологией в современном мире, требующей специалистов, способных эффективно работать с визуальной информацией.
- Курс направлен на развитие следующих компетенций:
- Разработка алгоритмов извлечения информации из изображений.
- Применение методов машинного обучения в контексте компьютерного зрения.
- Работа с инструментами и технологиями в области компьютерного зрения.
- Анализ и интерпретация визуальных данных.
- После завершения курса студенты приобретут:
- Навыки разработки алгоритмов компьютерного зрения.
- Умение работать с современными инструментами и библиотеками в области компьютерного зрения.
- Опыт решения реальных задач, связанных с обработкой и анализом изображений.
- Знание основных принципов построения и использования нейросетей в задачах зрительного анализа.
- Применение в практической деятельности:
- Курс обеспечит студентов необходимыми навыками для успешного применения технологий компьютерного зрения в их практической деятельности.
- Студенты смогут эффективно использовать полученные знания в различных сферах, где требуется обработка и анализ визуальных данных.
- Практический опыт, полученный в рамках курса, позволит студентам успешно решать задачи детекции и классификации объектов, адаптироваться к быстро меняющемуся профессиональному окружению и внедрять инновации в свою работу.
Основы математики: линейная алгебра, математический анализ, теория вероятности и статистика.
Программирование на языках Python: студенты должны уметь писать программы, основанные на алгоритмах компьютерного зрения, а также иметь понимание ООП и использование соответствующих библиотек и фреймворков, таких как NumPy, OpenCV, TensorFlow, PyTorch.
Обработка изображений: студентам следует иметь представление о цифровой обработке изображений, методах фильтрации и улучшения изображений, а также сегментации изображений.
Машинное обучение: студентам необходимо знать основные понятия машинного обучения, методы обучения с учителем и без учителя, а также классификацию и регрессию.
Глубокое обучение: студентам следует иметь понимание основных концепций глубокого обучения, нейронных сетей и сверточных нейронных сетей, а также уметь обучать глубокие нейронные сети.
0 Intro
1 Classic Computer Vision
2 Image Classification with Neural Networks
3 Metric Learning and Representation Learning
4 Object detection, Semantic Segmentation and Object tracking
5 Video processing and model inference
6 Pose estimation and Action Recognition
7 3D Computer Vision
8 Multimodal learning. OCR, Image captioning, VLM