2024

Нейронные сети в обработке изображений. Вводный курс

Курс посвящен применению современных нейросетевых методов в обработке и анализе изображений. В курсе последовательно излагаются основы классических методов машинного обучения, устройства современных нейронных сетей и их применения в задачах обработки и анализа изображений. Рассматриваются разнообразные модели для классификации, сегментации и детекции изображений, подходы для уменьшения размерности данных, подходы для устранения несбалансированности данных, а также различные методы кластеризации.

В курсе рассматривается несколько практических задач анализа изображений, на примере которых демонстрируются излагаемые в курсе методы и подходы.

Преподаватели спецкурса

Хвостиков Александр Владимирович

Кандидат физико-математических наук
Научный сотрудник лаборатории математических методов обработки изображений ВМК МГУ

Основные научные интересы: обработка и анализ изображений, компьютерное зрение, медицинские изображения, машинное обучение, глубокое обучение, свёрточные нейронные сети, гибридные методы

Требования к слушателям

Знание математического анализа и линейной алгебры в объеме первого курса технического факультета. Базовое знание языка программирования Python

1. Введение в терминологию машинного обучения; линейная и логистическая регрессии; метод K ближайших соседей

2. Кластеризация, алгоритм K-means; деревья принятия решений; линейный классификатор SVM

3. Линейный классификатор Softmax; разбиение на выборки, матрица ошибок, метрики качества, ROC; балансировка данных, сэмплирование, алгоритм SMOTE; метод главных компонент (PCA)

4. Практические подходы классификации реальных изображений; bag of words, bag of visual words; ансамбли классификаторов

5. Оптимизация: метод градиентного спуска; обратное распространение ошибки; модель нейрона, нейронные сети, функции активации, регуляризация

6. Инициализация весов, пакетная нормализация, функции потерь; обучение нейронной сети, метод моментов; скорость обучения модели; оптимизаторы AdaGrad, RMSProp, Adam; контроль процесса обучения, поиск гиперпараметров

7. Свёрточные нейронные сети, типы слоёв, распространённые подходы; архитектуры AlexNet, VGG, Inception

8. Перенос обучения и дообучение; свёрточные нейронные сети для сегментации изображений; отделение фона от объекта

9. Сверточные нейронные сети для детекции изображений; сверточные нейронные сети для трекинга на видео

10. Обучение с частичным привлечением учителя, обучение на «слабо-размеченных» данных, гибридные методы обработки изображений