Курс посвящён математическим методам, лежащим в основе обработки изображений и анализа сигналов в задачах искусственного интеллекта. Ключевая тема — преобразование Фурье, его свойства и спектральная интерпретация нейронных сетей. Рассматриваются соотношение неопределённости, теорема Шеннона–Котельникова и практические вопросы дискретизации и антиалиасинга при подготовке данных и проектировании архитектур. Изучаются габоровские фильтры, проекционный метод Эрмита и использование габоровских и эрмитовых функций в нейронных сетях. Также рассматриваются алгоритмы вычисления свёртки в CNN, применение Фурье-анализа для их ускорения и гибридные схемы «эмпирические моды → CNN/LSTM».
Преподаватели спецкурса
Крылов Андрей Серджевич
Доктор физико-математических наук Профессор, заведующий лабораторией математических методов обработки изображений ВМК МГУ
Основные научные интересы: гибридные (нейросетевые + классические) методы обработки и анализа изображений
Требования к слушателям
Для прохождения курса необходимы базовые знания математического анализа, линейной алгебры, теории вероятностей, начальные знания машинного обучения.
Тема 1: Ряды и преобразования Фурье Тема 2: Преобразования Фурье и интегральные преобразования с ядрами Фурье Тема 3: Теорема Шеннона-Котельникова Тема 4: Свёртка, алиасинг Тема 5: Метод эмпирических мод, свойства преобразования Фурье Тема 6: Функции Габора и их применение Тема 7: Свойства функций Эрмита - собственных функций интегрального преобразования Фурье Тема 8: Применение функций Эрмита в обработке и анализе сигналов Тема 9-10: Нейронные операторы Фурье и Фурье-Эрмита
По итогам курса студенты овладеют спектральными и проекционными методами анализа сигналов и изображений (Фурье, Габор, Эрмит), и применять эти инструменты для проектирования, анализа и ускорения нейронных сетей.