Основы математики: линейная алгебра, дифференциальные уравнения, 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.
...
...
Оценка за курс ставится исходя из набранных баллов за выполнения практических заданий
Какие навыки студенты прокачают после прохождения курса. С указанием уровня.
1 Tracking. Re-Identification. Sort, DeepSort
2 Object detection and Semantic Segmentation
3 Pose estimation
4 Optical Character Recognition
5 Action recognition
6 Generative ML
7 Технологии работы с видео. ffmpeg, gstreamer, deepstream
Студенту необходимо реализовать методы tracker_soft, tracker_strong и метод подсчета метрик, а также написать отчет. Все подробности тут https://github.com/VABer-dv/object-tracking-assignment
Критерии оценки дз по теме:
Оценка неудовлетворительно (2) ставится, если:
- студент все сделал, но не может рассказать как работает его код и что происходит в проекте
- код полностью заимствован у другой команды/из репозитория
- нарушен оговоренный срок сдачи и защиты дз
Оценка удовлетворительно (3) ставится, если:
- студент реализовал только 1 метод трекера + метод подсчета метрик, при этом презентация самой работы произведена плохо, студент с трудом отвечает на вопросы по проекту, отчет по работе не отвечает критериям (проговаривал на лекции)
Оценка хорошо (4) ставится, если:
- студент реализовал только 1 метод трекера + метод подсчета метрик, быстро ориентируется в коде проекта, отвечает на поставленные вопросы на защите, отчет отвечает критериям
или
- студент реализовал 2 метода трекера + метод подсчета метрик, но имеет сложности в презентации и защите работы, нуждается в большом количестве наводящих вопросов, чтобы ответить на первоначальный вопрос, имеет недочеты в оформлении отчета
Оценка отлично (5) ставится, если:
- студент сдал и защитил работу в кратчайший срок, на ближайшей официальной практике после лекции; при этом работа может иметь недочеты или шероховатости, но студент должен хорошо разбираться в презентуемом материале и представленном проекте
или
- студент реализовал 2 метода трекера + метод подсчета метрик, быстро ориентируется в коде проекта, отвечает на поставленные вопросы на защите, отчет отвечает критериям
Группе необходимо составить доклад по одной из предложенных к обзору архитектур детектора или сегментатора. Доклад должен содержать описание архитектуры, ее особенности и улучшения по сравнению с дочерними или конкурентными решениями. Также по теме доклада необходимо подготовить выступление и презентацию и защитить его на практическом занятии. Список допустимых к обзору архитектур (специфических задач решений функций ошибок и т.д.) гибкий и тема может быть согласована с ментором индивидуально. Тайминг защиты - 5 минут доклад + 2 минуты ответы на вопросы.
Критерии оценки дз по теме:
- Описание в докладе решаемой проблемы
- Описание в докладе идеи и реализации
- Раскрытие в презентации важных отличительных черт
- Вовлеченность в защиту всех членов команды
- Ответы на вопросы
Оценка выставляется комплексная с учетом пречисленных выше критериев. В случае отсутствия группы на защите итоговая оценка будет снижена на балл.
Студенту необходимо реализовать архитектуру CRNN из статьи. В качестве генератора датасета рекомендуется использовать файл репозитория Topic 5. OCR/dataset.py, однако можно написать свой генератор капч или готовый датасет.
Deadline - 04.06.23
Оценка отлично (5) ставится, если:
- архитектура реализована точно как описано в статье, а не просто похожа
- выбрана и обоснована метрика качества
- модель обучена и запускается в демо режиме - т.е. есть скрипт, который загружает обученную модель, на лету генерируется капча, модель её распознает
- есть понимание работы CTC loss
- ответы на вопросы
- студент сдал и защитил работу в кратчайший срок, на ближайшей официальной практике после лекции
Оценка хорошо (4) ставится, если:
- модель реализована, есть неточности реализации
- выбрана и обоснована метрика качества
- модель обучена и запускается в демо режиме
- есть понимание работы CTC loss
- ответы на вопросы
Оценка удовлетворительно (3) ставится, если:
- модель реализована, есть неточности реализации
- модель обучена и запускается в демо режиме
- ответы на вопросы
Оценка неудовлетворительно (2) ставится, если:
- код полностью позаимствован из других источников
- модель не запускается
- нет ответов на вопросы