Нейросетевые методы обработки изображений (В.В.Китов)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Экзамен)
(Экзамен)
Строка 2: Строка 2:
[[Категория:Учебные курсы]]
[[Категория:Учебные курсы]]
==Экзамен==
==Экзамен==
-
Экзамен будет в пятницу 31 мая в 18-00 в ауд.606.
+
Экзамен будет в '''пятницу 31 мая в 18-00 в ауд.606'''.
-
Проставляться оценка будет за 2й курс. Когда учебный план потребует обязательного прохождения спецкурса (у разных кафедр по-разному), студент имеет право написать заявление в учебную часть с просьбой перезачесть имеющийся спецкурс.
+
 
 +
Проставляться оценка будет за 2й курс. Когда учебный план потребует обязательного прохождения спецкурса (у разных кафедр в разное время), студент имеет право написать заявление в учебную часть с просьбой перезачесть имеющийся спецкурс.
==О курсе==
==О курсе==

Версия 13:46, 23 мая 2019

Экзамен

Экзамен будет в пятницу 31 мая в 18-00 в ауд.606.

Проставляться оценка будет за 2й курс. Когда учебный план потребует обязательного прохождения спецкурса (у разных кафедр в разное время), студент имеет право написать заявление в учебную часть с просьбой перезачесть имеющийся спецкурс.

О курсе

Спецкурс проходит на ф-те ВМиК весной 2019 года и посвящен задаче автоматической стилизации изображений, в которой входное изображение необходимо преобразовать так, чтобы сохранить изображенные на нем предметы, но стилистику их отображения взять из другого изображения или группы изображений. Например, это может быть стилизация семейной фотографии под стиль известного художника, либо стилизация дневного фото в ночное, либо изменение зимней панорамы в летнюю. Эта задача может применяться в мультипликации, наложении спецэффектов в фильмах и видеоиграх, симуляторах и средствах дополненной реальности, а также для более точной настройки методов машинного обучения работе с изображениями за счет вариации их стиля и адаптации стиля под целевую предметную область. Помимо отдельных изображений указанный подход применим для видеопоследовательностей и данных из других предметных областей (текст, речь и т.д.). Основные методы стилизации были предложены в последние 5 лет и опираются на глубинные нейронные сети, базовому изучению которых посвящена существенная часть курса.

Лектор

Виктор Владимирович Китов, к.ф.-м.н., преподаватель кафедры математических методов прогнозирования ВМК МГУ. Почта: v.v.kitov(at)yandex.ru.

Расписание

Занятия проходят по пятницам в 16-20 в ауд. 606. Первое занятие - 22.02.2019.

Программа

  • Введение в машинное и глубинное обучение
  • Алгоритмы настройки нейросетей. Регуляризация.
  • Основные архитектуры сверточных нейросетей.
  • Методы стилизации, основанные на сближении распределений.
  • Методы стилизации, основанные на сопоставлении участков изображений.
  • Генеративно-состязательные сети и их применения для стилизации и повышения качества изображений.


Материалы лекций

Введение в машинное обучение.

Многослойный персептрон.

Сверточные нейросети.

Оптимизационный метод переноса стиля.

Трансформационный метод переноса стиля.

Перенос стиля, основанный на патчах.

Технические улучшения.

Концептуальные улучшения.

Мульти-стилевые трансформационные модели.

Расширение обучающей выборки.

Генеративно-состязательные сети.


Рекомендуемые ресурсы

Личные инструменты