/lectures

Computer Vision & Deep Learning course materials

Primary LanguageJupyter Notebook

001 Базовая теория обработки изображений

  • Представление изображения в памяти компьютера
  • Свертка и фильтрация изображений
  • Градиент и выделение границ
  • Нелинейные фильтры

002 Извлечение признаков

  • PCA разложение
  • Гистограммы цвета и градиента
  • Особые точки

003 Сегментация и детекция - классические методы

  • Water shield
  • Superpixels
  • AdaBoost и детектор Viola-Jones

004 Введение в нейронные сети

  • Принцип работы нейронных сетей
  • Полносвязная архитектура
  • Обратное распространение ошибки

005 Сверточные нейронные сети

  • Принцип работы сверточной нейронной сети
  • Основные блоки архитектуры
  • Почему сверточная сеть работает? (network surgery)

006 Обучение сверточной сети на практике

  • Сбор и подготовка данных
  • Тюнинг предобученной сети (transfer learning)
  • Особенности реализации процесса обучения

007 Сегментация и детекция - нейросетевые модели

  • Полносверточная архитектура
  • FCN, SegNet, U-net
  • Faster-RCNN, YOLO, SSD, Mask-RCNN

008 Рекурентные сети

  • Архитектура RNN, LSTM, GRU
  • Генерация описания по изображению
  • Распознавание символов (OCR)

009 Вариационные энкодеры и генеративные модели

  • Принцип работы и мотивация вариационного энкодера
  • Генерация изображений заданного класса

010 Приложение: FindFace

  • Идентификация человека по снимку лица
  • Задача Metric Learning

011 Приложение: Распознавание позы человека

  • Детекторы ключевых точек (landmarks)
  • DensePose