2026
Практическое введение в анализ изображений
Курс посвящён введению в методы обработки и анализа изображений, включая основы машинного и глубокого обучения, компьютерного зрения и их применение в решении прикладных задач. Он предназначен для студентов 2 курса бакалавриата, но открыт и для первокурсников. Каждая лекция курса содержит теоретическую часть, сопровождающуюся практическим блоком (живая сессия написания кода и иллюстративная реализация пройденных на лекции моментов на python).
Детальное внимание уделено программированию, включая работу с библиотеками Python (numpy, scikit-image, scikit-learn, pytorch), написанию собственных простых моделей анализа изображений и практическому применению изучаемых методов на реальных данных.
В курсе имеется практическое задание, посвященное решению прикладной задачи из области рудной минералогии, подготовленной совместно с геологическим факультетом МГУ. Курс построен таким образом, что основные темы так или иначе затрагивают сформулированную в начале семестра задачу и погружают студентов в возможные пути ее решения.
Детальное внимание уделено программированию, включая работу с библиотеками Python (numpy, scikit-image, scikit-learn, pytorch), написанию собственных простых моделей анализа изображений и практическому применению изучаемых методов на реальных данных.
В курсе имеется практическое задание, посвященное решению прикладной задачи из области рудной минералогии, подготовленной совместно с геологическим факультетом МГУ. Курс построен таким образом, что основные темы так или иначе затрагивают сформулированную в начале семестра задачу и погружают студентов в возможные пути ее решения.
Преподаватели спецкурса
Хвостиков Александр Владимирович
Кандидат физико-математических наук
Старший научный сотрудник лаборатории математических методов обработки изображений ВМК МГУ
Старший научный сотрудник лаборатории математических методов обработки изображений ВМК МГУ
Основные научные интересы: обработка и анализ изображений, компьютерное зрение, медицинские изображения, машинное обучение, глубокое обучение
Требования к слушателям
Для прохождения курса необходимы начальные знания математического анализа, линейной алгебры, теории вероятностей.
Лекция 1
Необязательная, для студентов, желающих подробнее узнать о лаборатории и спецсеминаре
- Введение (программа курса, правила сдачи экзамена);
- О лаборатории ММОИ и спецсеминаре "Обработка изображений и компьютерное моделирование";
- Основные задачи обработки и анализа изображений, классификация подходов машинного обучения и типовых задач;
- Знакомство с практической задачей, предлагаемой на курсе и смежными задачами.
- Представление изображений. Каналы, цветовые пространства RGB и HSV;
- Базовые операции с изображениями (яркость, контраст, построение гистограммы, бинаризация, фильтрация);
- Введение в Python, простейшие примеры использования библиотеки Pillow Image;
- Введение в numpy, примеры операции с массивами, фильтрация.
- Задача классификации. Постановка задачи, метрики, оценка точности;
- Метод К ближайших соседей;
- Кластеризация, алгоритм K-means, иерархические гистограммы;
- Пример использования реализации K-means из scikit-learn.
- Текстурный анализ, методы Laws, GLCM;
- Практический пример построения матрицы смежности и ее использования для разделения текстур на изображении;
- Методы суперпиксельной кластеризации. SLIC, Watershed, Felzenszwalb;
- Пример использования суперпиксельных методов из scikit-image.
- Выдача практического задания, разбор предоставляемого шаблона;
- Метрики оценки качества в задаче сегментации;
- Проблема несбалансированных наборов данных, возможные пути решения на примере задачи анализа изображений геологических аншлифов;
- Модель нейрона, MLP, градиентный спуск;
- Обратное распространение ошибки;
- Пример построения и обучения MLP с использованием scikit-learn.
- Свёрточные нейронные сети. Свёртка, пулинг. Архитектуры LeNet, AlexNet, ResNet;
- Установка и настройка conda окружения, настройка VSCode;
- Написание простейшей свёрточной сети для классификации на pytorch, локальное обучение и запуск.
- Свёрточные нейронные сети. Переход от классификации к сегментации. Архитектуры FCN, SegNet, UNet;
- Практический пример создания синтетического набора данных для сегментации;
- Написание свёрточной нейронной сети для сегментации на pytorch, локальное обучение и запуск.
Необязательная, для студентов, желающих подробнее узнать о лаборатории и спецсеминаре
- Примеры статей и дипломных работ студентов спецсеминара;
- Рассказ сотрудников лаборатории о нескольких актуальных задачах в области анализа изображений.
- Генеративные модели. Вариационные автокодировщики, генеративно-состязательные сети, дифузионные
- модели.
- Обучение вариационного автокодировщика на наборе MNIST и пример синтеза изображений
- Консультация, ответы на вопросы по лекциям;
- Помощь и советы для выполняющих практическое задание.
В курсе имеется практическое задание, посвященное решению прикладной задачи из области рудной минералогии, подготовленной совместно с геологическим факультетом МГУ. Курс построен таким образом, что основные темы так или иначе затрагивают сформулированную в начале семестра задачу и погружают студентов в возможные пути ее решения. При этом студенты не ограничены в способах решения поставленной задачи, и в рамках курса предлагается как минимум 2 направления ее решения. По итогам сдачи заданий студентами формируется рейтинговая таблица. Результат выполнения задания влияет на итоговую оценку по курсу и на возможность поступления на спецсеминар «Обработка изображений и компьютерное моделирование» (каф. МФ, лаб. математических методов обработки изображений).
В результате освоения спецкурса слушатели:
• Получат практические навыки обработки и анализа изображений с использованием Python
• Познакомятся с базовыми приемами использование техник машинного и глубокого обучения для анализа изображений
• Попробуют свои силы в решении практической задачи на стыке минералогии и компьютерного зрения
• Получат практические навыки обработки и анализа изображений с использованием Python
• Познакомятся с базовыми приемами использование техник машинного и глубокого обучения для анализа изображений
• Попробуют свои силы в решении практической задачи на стыке минералогии и компьютерного зрения