Курс "Системы технического зрения" 2016

Начинает свою работу страница курса-факультатива "Системы технического зрения".

В настоящем разделе размещена информация, затрагивающая литературу, ссылки, лекционный материал по тематике курса, задания к практическим и лабораторным работам.

Обращаю ваше внимание на то, что данный курс является прямым продолжением дисциплины "Цифровая обработка изображений" 2015 (ссылка)!

Темы лекционных занятий

1. Введение и обзор материала курса (презентация .pptx). Tiny images - "крошки картинки" (ссылка). "Терминатор 2: Судный день. Как снимали фильм" (ссылка). Microsoft Kinect - "гаджет для Xbox 360" (ссылка). Камера Lytro и рефокусировка после съемки (ссылка). Лекции по истории фотографии от Андрея Пелюховского смотрим здесь.
2. Анализ бинарных изображений. Первое понятие о распознавании объектов (презентация .pptx).
3. Алгоритмические и математические принципы систем автоматического распознавания номерных знаков (ссылка, презентация .pptx). Интересный алгоритм детектирования номерных знаков (ссылка). Пример реализации простого алгоритма детектирования номерных знаков в среде Matlab (ссылка).
4. Сегментация изображений. Часть 1 (презентация .pptx). Несколько интересных статей по теме лекции можно найти в источнике [18] (ссылка 1, ссылка 2, ссылка 3). Неплохая обзорная видеолекция на тему сегментации изображений и видео может быть найдена в online курсе Guillermo Sapiro "Image and video processing: From Mars to Hollywood with a stop at the hospital" (ссылка). Смотреть нужно лекцию №5, для просмотра нужна регистрация на сайте www.coursera.org. Пример законченного кода для самостоятельного исследования по методу K-средних, а также анализу главных компонент из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
5. Сегментация изображений. Часть 2 (презентация .pptx). Обзорная видеолекция на тему выделения границ и детектирования линий на изображениях может быть найдена в online курсе Guillermo Sapiro "Image and video processing: From Mars to Hollywood with a stop at the hospital" (ссылка). Смотреть нужно лекцию №5, для просмотра нужна регистрация на сайте www.coursera.org. Про детектор Кэнни читаем оригинальную статью здесь. Про детектор линейных сегментов можно найти информацию на сайте научного журнала IPOL (Image Processing On Line) по обработке и анализу изображений (ссылка). Пример заполнения аккумулятора при выполнении преобразования Хафа можно найти здесь. Примеры Matlab-кодов, демонстрирующих работу детектора Кэнни и преобразования Хафа для детектирования прямых и окружностей, можно скачать здесь. Предлагаемые коды используют функции открытой библиотеки по компьютерному зрению OpenCV (ссылка). Для подключения OpenCV в Matlab необходимо ознакомиться с источником [27] в дополнительных материалах ниже.
6. Машинное обучение. Часть 1 (презентация .pptx). Про автономный вертолет читаем здесь. Законченная реализация алгоритма линейной регрессии с одной и несколькими переменными из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка). С оригинальным Стэнфордским курсом по машинному обучению Andrew Ng можно ознакомиться здесь или здесь. Неплохо написанную книжку по машинному обучению Stephen Marsland "Machine Learning: An Algorithmic Perspective" можно скачать здесь. Эта книга хорошо подходит для понимания базовых концепций в данной области. В ней есть примеры реализации алгоритмов машинного обучения на языке Python. Рекомендую ознакомиться с книжкой, написанной Александром Борисовичем Мерковым (к.т.н., сотрудник Института системного анализа РАН) "Введение в методы статистического обучения" (ссылка). Книга написана просто, доступно и дает хороший обзор современных методов распознавания. Так же рекомендуется ознакомиться с отечественным профессиональным информационно-аналитическим ресурсом, который посвящен машинному обучению, распознаванию образов и интеллектуальному анализу данных (ссылка).
7. Машинное обучение. Часть 2 (презентация .pptx). Законченная реализация алгоритма логистической регрессии с регуляризацией и без нее из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
8. Машинное обучение. Часть 3 (презентация .pptx). Законченная реализация алгоритма логистической регрессии с регуляризацией и нейронной сети прямого распространения для решения задачи многоклассовой классификации на базе данных рукописных цифр MNIST из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка). Обращаю внимание на то, что в предложенной реализации по умолчанию используется только 5000 тренировочных примеров (вместо изначальных 60000) из базы данных MNIST, а также на то, что тестирование рассматриваемых алгоритмов осуществляется на примерах, которые использовались на этапе обучения. Поэтому сравнить полученные результаты с уже имеющимися на аналогичной базе данных (ссылка) нельзя! Несколько баз данных для обучение, в том числе MNIST (в удобном, родном для Matlab формате mat) можно найти здесь. Интересно почитать следующую статью про сверточную нейронную сеть LeNet 5 (ссылка).
9. Машинное обучение. Часть 4 (презентация .pptx). Законченная реализация алгоритма обучения нейронной сети прямого распространения для решения задачи многоклассовой классификации на базе данных рукописных цифр MNIST из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка). Автономное вождение / проект ALVINN (видео позаимствовано из курса Andrew Ng "Machine Learning" на www.coursera.org).
10. Машинное обучение. Часть 5 (презентация .pptx). Пример законченного кода для самостоятельного исследования по регуляризованной линейной регрессии, а также таких понятий как смещение и дисперсия из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
11. Детектирование лиц на основе алгоритма Виола / Джонса (презентация .pptx). Ссылка на статью Viola P., Jones M. Robust Real-time Object Detection // Int. J. Computer Vision. 2004. V. 57, №2. P. 137–154 (ссылка). Демонстрационные программные коды, которые использовались в лекции можно найти здесь. Для запуска кодов требуется установить библиотеку OpenCV по ссылке [27] в дополнительных материалах ниже. Видеоролики, демонстрирующие использование алгоритма Виола / Джонса для управления мобильным роботом (ссылка 1, ссылка 2).
12. Анализ главных компонент. Распознавание лиц (презентация .pptx). Ссылка на статью Turk M., Pentland А. Eigenfaces for Recognition // Journal of Cognitive neuroscience. 1991. V. 3, №1. P. 73–86 (ссылка). Ссылка на копию оригинальной статьи К. Пирсона 1901 г., в которой был предложен анализ главных компонент (ссылка). Хорошее введение в анализ главных компонент представлено в следующей статье. Пример законченного кода для самостоятельного исследования по анализу главных компонент, а также метода K-средних из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка). Дополнительно про анализ главных компонент и другие методы сокращения размерности можно почитать в книге Stephen Marsland "Machine Learning: An Algorithmic Perspective" (ссылка). Про применение анализа главных компонент в других задачах обработки цифровых изображений можно прочитать здесь.
13. Детектирование номерных знаков транспортных средств с использованием алгоритма детектирования аномалий (презентация .pptx). Пример реализации алгоритма детектирования номерных знаков в среде Matlab (ссылка).
14. Основы видеонаблюдения. Основой настоящей лекции является следующий источник. При изучении данной темы следующая книга может оказаться полезной. Лекция выносится на самостоятельное изучение!
15. Трехмерное зрение и формирование структуры из движения (презентация .pptx). Про пространственное-временное стерео читаем здесь. Формирование структуры из движения (ссылка).
16. Системы технического зрения в задаче управления автономными мобильными роботами (презентация .pptx). Примеры решения задач следования по черной линии (видео), контроля скорости вращения двигателя (видео), контроля угла (видео), перемещения в целевую точку (видео), локализации на основе гистограммного фильтра (видео) и системы технического зрения (видео). Интересный источник по мини- и микроробототехнике (ссылка). Презентация к докладу Альберта Ефимова (руководитель робототехнического центра Фонда "Сколково") "Состояние и перспективы отечественной робототехники" (ссылка).
17. Вопросы к зачету (ссылка).

Практические задания

1. Простой алгоритм распознавания номерных знаков (описание, тестовые изображения .rar, изображения эталонов цифр .rar). Срок сдачи задания - 23.03.2016.

Тестовые задания

1. Тест № 1 (ссылка).
2. Тест № 2 (ссылка).
3. Тест № 3 (ссылка).
4. Тест № 4 (ссылка).
5. Тест № 5 (ссылка).
6. Тест № 6 (ссылка).
7. Тест № 7 (ссылка).
8. Тест № 8 (ссылка).
9. Тест № 9 (ссылка).

Лабораторные работы

1. Анализ бинарных изображений и первое понятие о распознавании образов (ссылка).
2. Алгоритмы сегментации цифровых изображений (ссылка).
3. Классификация рукописных символов на основе методов машинного обучения (ссылка).
4. Алгоритм детектирования дорожных знаков (архив .rar). Настоящая лабораторная работа является опциональной и представляет собой пример исследования некоторого частного алгоритма компьютерного зрения и пример написания технического отчета, полученного на основе данного исследования.
5. Обработка цифровых изображений с использованием анализа главных компонент (ссылка).
6. Детектирование объектов интереса на основе метода вычитания фона и цветовых меток (ссылка).

Дополнительные материалы

1. Szelicki R. Computer Vision: Algorithms and Applications. Springer, 2010 (ссылка).
2. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009 (ссылка).
3. Конушин А. и др. Курс "Введение в компьютерное зрение", 2010. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
4. Конушин А. и др. Курс "Введение в компьютерное зрение", 2011. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
5. Конушин А. и др. Курс "Введение в компьютерное зрение", 2012. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
6. Конушин А. и др. Курс "Введение в компьютерное зрение", 2013. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
7. Конушин А. и др. Курс "Доп. главы компьютерного зрения", 2013. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
8. Kemelmacher I., Rao R., Seitz S., Shapiro L. Computer Vision (CSE 455), 2003 - 2010. University of Washington (ссылка).
9. Lazebnik S. Computer Vision (COMP 776), 2008 - 2011. The University of North Carolina at Chapel Hill (ссылка).
10. Thrun S. Computer Vision / Introduction to Computer Vision (CS 223b), 2004 - 2009. Stanford University (ссылка).
11. Darrell T. Computer Vision (CS 280), 2009. University of California, Berkeley (ссылка).
12. Duraiswami R. Fundamentals of Computer Vision (CMSC 828d), 2000 / Computer Vision (CMSC 426), 2005. UMIACS (ссылка). 
13. Torralba A. Advances in Computer Vision (6.869), 2010. Massachusetts Institute of Technology (ссылка).
14. Ng A. Machine Learning (CS 229), 2009. Stanford University (ссылка 1, ссылка 2).
15. Конушин A. Семантическая классификация изображений (видеолекции), 2010. Сomputer Science клуб при ПОМИ РАН (ссылка).
16. Ерухимов В. Компьютерное зрение и библиотека OpenCV (видеолекции), 2011. Сomputer Science клуб при ПОМИ РАН (ссылка).
17. Конушин А. Курсы "Введение в компьютерное зрение" и "Доп. главы компьютерного зрения" (видеолекции), 2011. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
18. Сетевой журнал "Компьютерная графика и мультимедиа" (ссылка).
19. Efros A. Learning-Based Methods in Vision (16-721), 2009. Carnegie Mellon University (ссылка).
20. Efros A. Computational Photography (15-463 / 15-862), 2010. Carnegie Mellon University (ссылка).
21. Сайт научного журнала IPOL (Image Processing On Line) по обработке и анализу изображений (ссылка).
22. Pattern Analysis, Statistical Modeling and Computational Learning Visual Object Classes Challenge (ссылка).
23. Сайт Российской ассоциации искусственного интеллекта (ссылка).
24. Конушин А. и др. Курс "Введение в компьютерное зрение", 2015. Лаборатория компьютерной графики при ВМК МГУ (ссылка 1, ссылка 2).
25. Васильева Н. Анализ изображений и видео (видеолекции), 2012. Сomputer Science Center (ссылка).
26. Подключение открытой библиотеки по компьютерному зрению VLFeat в Matlab (ссылка).
27. Подключение открытой библиотеки по компьютерному зрению OpenCV в Matlab (ссылка).

Online курсы

Информация по наиболее интересным online курсам приведена в первой презентации. Напоминаю, что с 2011 года ряд западных университетов начал практику создания online курсов (www.coursera.org, www.udacity.org) по различным дисциплинам. Например, "Искусственный интеллект", "Машинное обучение", "Компьютерное зрение" и т.д. Для ознакомления с материалами курсов (видеолекциями, практическими заданиями и т.д.) нужна регистрация! Дополнительно необходимо отметить, что появились online лекции по курсу "Машинное обучение", читаемые сотрудниками ШАД (Школы анализа данных Яндекс). Ссылка на курс здесь.

Руководитель курса: доц. каф. ДЭС Волохов В.А.

Пересдачи, досдачи, зачеты ...

Здравствуйте. Сообщаю с определенной задержкой информацию по зачету для курсов "Основы цифровой обработки сигналов" и "Цифровая фильтрации".

Список студентов, которым нужно сдавать устный зачет по курсу "Основы цифровой обработки сигналов":

1. Группа РТ-31 БО: Лукьяненко С., Пак В., Круглов А., Фролов А., Батманов М., Константинов Д.

2. Группа ИТС-31 БО: Живцова А., Храбров А., Пилипец С.

Список студентов, которым нужно сдавать устный зачет по курсу "Цифровая фильтрация":

Проходной балл не набрал студент Королев М. Остальным сдавать зачет устно не нужно! Сдача лабораторных работ по курсу "Цифровая фильтрация" будет проходить с 18.30 до 20.30 в среду в ауд. 306.

Для сдачи устного зачета нужно быть готовым ответить на вопросы из лекционного материала и тестов!

Напоминаю, что зачет состоит из двух частей: лабораторные работы и проверочные работы (тесты и контрольные). Студенты, сдавшие означенное число лаб и получившие проходной балл по тестам получают зачет автоматом.

Дополнительная информация по сдаче зачетов представлена ниже:
1. Курсы "Основы цифровой обработки сигналов" и "Общая теория связи. Часть 2", ИТС-31БО. Сдача лабораторных  работ и зачета состоится 05.01.2016 в ауд. 306 (первый уч. корпус) с 12.00 до 16.00.
2. Курс "Инженерная и компьютерная графика", ИТС-11БО и РТ-11БО. Сдача лабораторных  работ и зачета состоится 05.01.2016 в ауд. 306 (первый уч. корпус) с 16.00 до 18.00.
3. Курс "Цифровая фильтрация", РФ-41БО. Сдача лабораторных  работ и зачета состоится 05.01.2016 в ауд. 306 (первый уч. корпус) с 16.00 до 18.00.
4. Курс "Основы цифровой обработки сигналов", РТ-31БО. Сдача лабораторных  работ и зачета состоится 06.01.2016 в ауд. 306 (первый уч. корпус) с 12.00 до 16.00.
5. Курс "Статистическая теория РТС", РТ-41БО. Сдача лабораторных  работ и зачета состоится 06.01.2016 в ауд. 306 (первый уч. корпус) с 16.00 до 19.00.

С уважением, Владимир Волохов.

Курс "Основы теории информации" 2015

Задачи для самостоятельного решения по курсу "Основы теории информации" 2015 можно скачать здесь. Список литературы доступен по следующей ссылке. Материалы лекции по алгоритму JPEG можно скачать здесь. Вопросы к экзамену можно скачать здесь.

Темы лабораторных работ

1. Информация, энтропия и избыточность (ссылка).
2. Кодирование для дискретных источников без памяти (ссылка).
3. Реализация и исследование алгоритма локализации мобильного робота на основе гистограммного фильтр. Замечание. Настоящая лабораторная работа является опциональной и может быть выполнена по усмотрению студента. При выполнении лабораторной работы требуется ознакомиться с теоретическими материалами и программными кодами, которые можно найти здесь.
4. Алгоритм сжатия цифровых изображений JPEG (ссылка).
5. Дискретные каналы без памяти и передача информации (ссылка).
6. Помехоустойчивое кодирование и декодирование сообщений (ссылка).

Дополнительные материалы

1. Hsu H.P. Schaum’s Ouline of Theory and Problems of Probability, Random Variables, and Random Processes. McGraw-Hill, 1997 (ссылка).

С уважением, Владимир Волохов.

Итоговая аттестация по курсу "Цифровая обработка изображений"

Итоговая аттестация по курсу "Цифровая обработка изображений" представлена в следующем файле (ссылка). По всем интересующим вопросам пишите на электронную почту. С уважением, Владимир Волохов.

Курс "Введение в программирование с использованием MATLAB (Octave)" 2015 (факультатив)

Лекции по курсу "Введение в программирование с использованием MATLAB (Octave)" 2015 (факультатив) проходят каждую пятницу в ауд. 218 (2-ой учебный корпус ФГБОУ ВПО ЯрГУ им. П.Г. Демидова). Начало в 16.00. Программа настоящего курса базируется на материалах курса M. Fitzpatrick "Introduction to Programming with MATLAB" (ссылка). В настоящем разделе будет размещаться информация, затрагивающая литературу, ссылки, лекционный материал по тематике курса и примеры реализаций алгоритмов. По всем вопросам обращайтесь либо на электронную почту (volokhov@piclab.ru), либо оставляйте комментарии в рамках настоящего поста. Удачи!

Темы лекционных занятий

1. Введение в систему компьютерного моделирования MATLAB. В настоящей лекции были рассмотрены следующие моменты: историческое введение; окружение MATLAB; MATLAB, как калькулятор; синтаксис и семантика; помощь; построение графиков; примеры программ, написанных с использованием MATLAB.
2. Матрицы и операторы. В настоящей лекции были рассмотрены следующие моменты: введение в матрицы и операторы; оператор двоеточие; доступ к элементам матрицы; комбинирование и преобразование матриц; арифметика (поэлементные и матричные операции); порядок использования операторов (правило приоритета и ассоциативности).
3. Функции. В настоящей лекции были рассмотрены следующие моменты: введение в функции; входы и выходы функций; формальное определение функций; подфункции; область видимости; локальные и глобальные переменные; преимущества функций; скрипты.
4. Тулбоксы пакета MATLAB. В настоящей лекции были рассмотрены следующие моменты: полиморфизм функций; построение матриц; функции input и fprintf; визуализация; отладка программных кодов. Полезные функции MATLAB (ссылка).
5. Инструкция управления if. В настоящей лекции были рассмотрены следующие моменты: инструкции управления; инструкция if; логические операторы и операторы сравнения; вложенная инструкция if; функции nargin и nargout; робастные функции; статические переменные.
6. Циклы for и while.  В настоящей лекции были рассмотрены следующие моменты: циклы for и while; инструкции break, continue, return; логическое индексирование; предварительное выделение памяти. 
7. Словарик. Термины, которые совершенно необходимо помнить и знать при использовании пакета MATLAB: интерпретатор, компилятор, константа, переменная (локальная, глобальная, перманентная), массив (скаляр, вектор, матрица и т.п.), оператор, операнды, функция, скрипт, ранг (приоритет) оператора, входные и выходные параметры, аргументы, область видимости (локальная и глобальная), поэлементные и матричные операции, синтаксис и семантика, выражение, функциональная декомпозиция, полиморфизм, статические переменные, инструкции управления (if, for, while и т.п.).

Практические задания

1. Домашнее задание №1 (архив .rar). Срок сдачи задания - 06.11.2015.
2. Домашнее задание №2 (архив .rar). Срок сдачи задания - 27.11.2015.

Тестовые задания

1. Тест №1 (архив .rar). Срок сдачи задания - 06.11.2015.

Дополнительные материалы

1. Ledeczi A., Fitzpatrick M., Tairas R. Introduction to Programming with MATLAB, 2015. Vanderbilt University (ссылка).
2. Advanced MATLAB for Scientific Computing (CME 292), 2014. Stanford University (ссылка).
3. Начало работы с MATLAB (ссылка).
4. Бесплатные альтернативы пакета MATLAB: Octave, FreeMat или SciLab.
5. Пакет MATLAB и плата Arduino. Объединяем усилия (ссылка)!
6. Мелёшин И. Введение в MATLAB (вебинар), 2015. MathWorks (ссылка).

Руководитель курса: доц. каф. ДЭС Волохов В.А.

Курс "Методы машинного обучения" 2015 (факультатив)

Первая лекция по курсу "Методы машинного обучения" 2015 (факультатив) состоится 03.10.2015 в ауд. 306 (1-ый учебный корпус ФГБОУ ВПО ЯрГУ им. П.Г. Демидова). Начало в 14.00. С программой курса можно ознакомиться здесь. В настоящем разделе будет размещаться информация, затрагивающая литературу, ссылки, лекционный материал по тематике курса и примеры реализаций алгоритмов. По всем вопросам обращайтесь либо на электронную почту (volokhov@piclab.ru), либо оставляйте комментарии в рамках настоящего поста. Отвечу, даже не сомневайтесь :) Удачи!

Темы лекционных занятий

1. Занятие № 1. Введение и обзор материала курса. Линейная регрессия с одной переменной (презентация .pptx). Про автономный вертолет читаем здесь. С оригинальным Стэнфордским курсом по машинному обучению Andrew Ng можно ознакомиться здесь. Неплохо написанную книжку по машинному обучению Stephen Marsland "Machine Learning: An Algorithmic Perspective" можно скачать здесь. Эта книга хорошо подходит для понимания базовых концепций в данной области. В ней есть примеры реализации алгоритмов машинного обучения на языке Python. Рекомендуется ознакомиться с книжкой написанной Александром Борисовичем Мерковым (к.т.н., сотрудник Института системного анализа РАН) "Введение в методы статистического обучения" (ссылка). Книга написана просто, доступно и дает хороший обзор современных методов распознавания. Также рекомендуется ознакомиться с отечественным профессиональным информационно-аналитическим ресурсом, который посвящен машинному обучению, распознаванию образов и интеллектуальному анализу данных (ссылка).
2. Занятие № 2. Введение в систему компьютерного моделирования MATLAB (архив .rar). Законченная реализация алгоритма линейной регрессии с одной и несколькими переменными из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
3. Занятие № 3. Линейная регрессия со множеством переменных. Классификация. Логистическая регрессия (презентация .pptx).
4. Занятие № 4. Законченная реализация алгоритма логистической регрессии с регуляризацией и без нее из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
5. Занятие № 5. Искусственные нейронные сети (представление) (презентация .pptx).
6. Занятие № 6. Законченная реализация алгоритма логистической регрессии с регуляризацией и нейронной сети прямого распространения для решения задачи многоклассовой классификации на базе данных рукописных цифр MNIST из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка). Обращаю внимание на то, что в предложенной реализации по умолчанию используется только 5000 тренировочных примеров (вместо изначальных 60000) из базы данных MNIST, а также на то, что тестирование рассматриваемых алгоритмов осуществляется на примерах, которые использовались на этапе обучения. Дополнительно разрешение используемых фрагментов символов уменьшено до 20x20 пикселей по сравнению с оригинальным (28x28 пикселей). Поэтому сравнить полученные результаты с уже имеющимися на аналогичной базе данных (ссылка) нельзя! Несколько баз данных для обучение, в том числе MNIST (в удобном, родном для MATLAB формате mat) можно найти здесь. Интересно почитать следующую статью про сверточную нейронную сеть LeNet 5 (ссылка).
7. Занятие № 7. Искусственные нейронные сети (обучение) (презентация .pptx). Автономное вождение / проект ALVINN (видео позаимствовано из курса Andrew Ng "Machine Learning" на www.coursera.org). "Соревнования века" Darpa Grand Challenge 2005 (ссылка 1, ссылка 2) и Darpa Urban Challenge 2007 (ссылка). О проекте "Stanley" можно почитать, например, здесь.
8. Занятие № 8. Законченная реализация алгоритма обучения нейронной сети прямого распространения для решения задачи многоклассовой классификации на базе данных рукописных цифр MNIST из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).

Практические задания

Для всех желающих здесь будут выкладываться исходные практические задания из курса Andrew Ng "Machine Learning" на www.coursera.org, которые можно решать самостоятельно. Разбор решений будет производиться на лекциях, решенные задания будут последовательно выкладываться в разделе "Темы лекционных занятий".

1. Линейная регрессия (ссылка).
2. Логистическая регрессия (ссылка).
3. Многоклассовая классификация и нейронные сети (ссылка).
4. Обучение нейронных сетей (ссылка).

Тестовые задания

1. Тест № 1. Введение и обзор материала курса. Линейная регрессия с одной переменной (ссылка). Сроки решения произвольные.
2. Тест № 2. Линейная регрессия со множеством переменных. Классификация. Логистическая регрессия. Искусственные нейронные сети (представление) (ссылка). Сроки решения произвольные.

Дополнительные материалы

1. Ng A. Machine Learning (CS 229), 2009. Stanford University (ссылка).
2. Ng A. Unsupervised Feature Learning and Deep Learning. Stanford University (ссылка 1, ссылка 2).
3. Сайт посвященный новой области машинного обучения - глубокому обучению (Deep Learning). Глубокое обучение введено с целью смещения машинного обучения к одной из его первоначальных целей - искусственному интеллекту (Artificial Intelligence) (ссылка 1, ссылка 2).
4. Воронцов К.В. Машинное обучение, 2012/2013. ШАД Яндекс (ссылка).
5. Профессиональный информационно-аналитический ресурс, который затрагивает машинное обучение, а также распознавание образов и интеллектуальный анализ данных (ссылка).
6. Szelicki R. Computer Vision: Algorithms and Applications. Springer, 2010 (ссылка).
7. Сетевой журнал "Компьютерная графика и мультимедиа" (ссылка).
8. Конушин A. Семантическая классификация изображений (видеолекции), 2010. Сomputer Science клуб при ПОМИ РАН (ссылка).
9. Ерухимов В. Компьютерное зрение и библиотека OpenCV (видеолекции), 2011. Сomputer Science клуб при ПОМИ РАН (ссылка).
10. Конушин А. Курсы "Введение в компьютерное зрение" и "Доп. главы компьютерного зрения" (видеолекции), 2011. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
11. Efros A. Learning-Based Methods in Vision (16-721), 2009. Carnegie Mellon University (ссылка).
12. Kemelmacher I., Rao R., Seitz S., Shapiro L. Computer Vision (CSE 455), 2003 - 2010. University of Washington (ссылка).
13. Lazebnik S. Computer Vision (COMP 776), 2008 - 2011. The University of North Carolina at Chapel Hill (ссылка).
14. Thrun S. Computer Vision / Introduction to Computer Vision (CS 223b), 2004 - 2009. Stanford University (ссылка).

Online курсы

Информация по наиболее интересным online курсам приведена в первой презентации. Напоминаю, что с 2011 года ряд западных университетов начал практику создания online курсов (www.coursera.org, www.udacity.org) по различным дисциплинам. Например, "Искусственный интеллект", "Машинное обучение", "Компьютерное зрение" и т.д. Для ознакомления с материалами курсов (видеолекциями, практическими заданиями и т.д.) нужна регистрация!

Руководитель курса: доц. каф. ДЭС Волохов В.А.

Курс "Цифровая обработка изображений" 2015

Начинает свою работу страница курса "Цифровая обработка изображений" специальности "Радиотехника".

В настоящем разделе размещена единая информация, затрагивающая лекционный материал и задания к практическим работам.

Место проведения: Физический факультет (2-ой учебный корпус), к. 203а.

Время: Лекции и практические занятия каждую неделю с 14.15 до 15.50 по пятницам.

Темы лекционных занятий

1. Введение и обзор материала курса (презентация .pptx). Чудеса фотографии "Восстановление фотографического наследия С.М. Прокудина-Горского" (ссылка1, ссылка2).
2. Формирование изображений. Камера и ее основные характеристики  (презентация .pptx). Awareness Test - "тест на внимательность" (ссылка).
3. Цифровая обработка изображений в среде Matlab (презентация .pptx). Seam Carving Algorithm - "контурное вырезание по шву" (описание, презентация .pptx, пример реализации .rar).
4. Фильтрация и улучшение изображений. Часть 1 (презентация .pptx). Hybrid Images - "гибридные изображения" (описание). Дополнительную информацию про Bilateral Filter (билатеральный фильтр) и Non-Local Means Algorithm (алгоритм вычисления нелокальных средних) можно найти здесь и здесь соответственно.
5. Фильтрация и улучшение изображений. Часть 2 (презентация .pptx).
6. Оценка качества цифровых изображений (презентация .pptx, m-файлы .rar). Описание и Matlab-реализацию Structural SIMilarity (SSIM) index - коэффициент структурного подобия (КСП) можно найти здесь. Рекомендации ITU-R BT.500-11 Methodology for the Subjective Assessment of the Quality of Television Pictures - методология для субъективной оценки качества телевизионных изображений (ссылка). Про субъективную оценку качества можно также почитать здесь.
7. Цвет и обработка цветных изображений (презентация .pptx). Awareness Test - "тест на внимательность" (ссылка). Tiny images - "крошки картинки" (ссылка). Смотрим визуальные иллюзии на Planet Perplex (ссылка). Про трекинг глаз читаем здесь. Так же интересно почитать следующую книгу Yarbus Alfred L. Eye Movements and Vision. Plenum Press, 1967 (ссылка). Пример законченного кода для самостоятельного исследования по методу K-средних, а также анализу главных компонент из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
8. Сжатие изображений. Стандарт JPEG (презентация .pptx). Хорошо написанная статья и ссылки для самостоятельного изучения по стандарту JPEG могут быть найдены здесь. Стандарт JPEG (ссылка). Также рекомендуется проанализировать источники [7, 8] в дополнительных материалах.
9. Куда двигаться дальше (презентация .pptx)?
10. Вопросы к зачету (вопросы .pdf).

Практические задания

1. Фильтрация изображений (описание .pdf, изображения .rar). Срок сдачи задания - 06.11.2015.
2. Цифровая хроматография изображений Российской Империи, полученных С.М. Прокудиным-Горским (описание .pdf, изображения .rar). Срок сдачи задания - 04.12.2015.
3. Смешивание изображений (описание .rar, изображения .rar). Сроки сдачи задания произвольные.

Тестовые задания

1. Тест № 1 (ссылка).
2. Тест № 2 (ссылка).
3. Тест № 3 (ссылка).
4. Тест № 4 (ссылка).
5. Тест № 5 (ссылка).
6. Тест № 6 (ссылка).
7. Тест № 7 (ссылка).

Дополнительные материалы

1. Peters R.A. Image Processing (EECE / CS 253) , 2007. Vanderbilt University School of Engineering (ссылка).
2. Крылов А., Лукин А. Интегральные преобразования в обработке изображений, введение в цифровую обработку мультимедийной информации, 2011. МГУ им. М.В. Ломоносова (ссылка). Примечание: здесь можно послушать аудиозаписи лекторов, посмотреть соответствующие презентация, попробовать выполнить предлагаемые практические задания, ну и понять чему учат в МГУ по аналогичным курсам.
3. Ватолин Д. Методы обработки и сжатия видео, 2010-2011. МГУ им. М.В. Ломоносова (ссылка).
4. Волохов В. Курс "Цифровая обработка изображений" 2012. Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ (ссылка).
5. Волохов В. Курс "Цифровая обработка изображений" 2013. Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ (ссылка).
6. Волохов В. Курс Компьютерное зрение, 2012/2013 (факультатив). Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ (ссылка).
7. Приоров А.Л., Апальков И.В., Хрящев В.В. Цифровая обработка изображений: учебное пособие. - Ярославль: ЯрГУ, 2007 (ссылка).
8. Wallace G.K. The JPEG Still Picture Compression Standard // IEEE Trans. Consumer Electronics. 1992. V. 38, №1. P. xviii - xxxiv (ссылка).
9. Efros A. Computational Photography (15-463 / 15-862), 2013. Carnegie Mellon University (ссылка).

Руководитель курса: доц. каф. ДЭС Волохов В.А.