Форма обучения: очная, с применением электронного обучения и дистанционных образовательных технологий
Объем программы: 135 ак.ч.
Продолжительность обучения: 15 занятий по 4 ак.ч.
Выдаваемый документ: Удостоверение о повышении квалификации МФТИ
Старт обучения: февраль 2023

Краткое описание программы:
Цель программы - знакомство студентов с ключевыми задачами и методами анализа изображений.

Содержание программы:
1. Вводная часть

1. Правило хорошего кода
2. Красивый код на Python
3. Пробелы и табуляция
4. Комментирование
5. Аннотирование

2. Введение в анализ изображений. Основы обработки изображений
2.1. Введение в анализ изображений

• Изображение - что из себя представляет
• Св-ва изображения: Насыщенность, Яркость
• Модели цвета: RGB, HSB, CMYK
• Примеры современных систем и алгоритмов компьютерного зрения
• Устройство камеры и оптической системы человека

2.2 Классические методы обработки изображений
Здесь упор делается на алгоритмы неглубокого обучения, реализованных в библиотеке OpenCV.

• Основные задачи обработки изображений
• Цветокоррекция изображений. Гистограммы, линейная и нелинейная коррекции яркости. Модели камеры и цветокоррекции.
• Конволюции
• Edge Detection
• Contour Detection
• SURF и SIRF
• Гомография
• Selective search

3. Нейросетевые подходы к анализу изображений. Основные задачи и алгоритмы
3.1. Введение в глубокое обучение

• Нейронная сеть
• Функции активации
• Функции ошибок
• Градиентный спуск
• Оптимизаторы
• Регуляризация
• BatchNormalization

3.2 Предобработка данных. Аугментация изображений. Датасеты

• Предобработка данных для нейронной сети
• Методы аугментации данных
• MixUp
• Популярные датасеты изображений
• Kaggle

3.3. Конволюционные нейронные сети

• CNN
• MaxPooling
• Модификации CNN
• Архитектуры CNN

3.4. Классификация изображений

• Задача классификации изображений
• Метрики качества классификации
• Функции ошибки классификации
• Трюки для улучшения классификации

3.5. Сегментация изображений

• Задача сегментации изображений: Семантическая сегментация, Instance segmentation
• Метрики качества классификации
• Архитектуры сегментации: SegNet, Unet и т. д.
• Функции ошибки сегментации

3.6. Детектирование объектов на изображении

• Задача детектирования объектов на изображении
• Метрики качества детекции
• Архитектуры детекции

3.7. Идентификация объектов на изображени. Поиск схожих объектов

• Задача идентификации
• Идентификация лиц
• Функции ошибки
• Metic Learning
• Модель CLIP

3.8. Распознавание текста на изображении

• Детектирование строк
• Распознавание текста
• CTC loss
• Архитектуры

3.9. Оптический поток. Карта глубин

• Оптический поток: FlowNet, SpyNet, PWC-Net
• Карта глубин

3.10. Обучение без учителя

• Автоэнкодер
• Вариационный автоэнкодер
• Conditional Variational Autoencoder
• Кластеризация полученных векторов
• Few-shot обучение на полученных векторах

3.11 GAN

• Задача генерации изображений
• Генеративно-состязательная сеть
• Функция ошибки

3.12. Explainable Computer Vision

• CAM
• GradCAM

4. Заключительная часть

• Другие задачи обработки и анализа изображений: 3D
• Дальнейшие пути развития

Как проходит обучение:

1. Лекции и семинары с преподавателем МФТИ в Zoom
2. Все занятия записываются и доступны всегда
3. Постоянная поддержка от преподавателей в чате курса
4. Домашние задания в течение семестра
5. Контрольные работы в качестве промежуточного контроля знаний
6. Обратная связь на домашние задания
7. Итоговая аттестация в формате прикладного проекта для портфолио