Прикладные задачи видеоаналитики

Бакалавриат 2025/2026

Статус: Курс по выбору (Прикладная математика и информатика)

Кто читает: Базовая кафедра МТС

Где читается: Факультет компьютерных наук

Когда читается: 3-й курс, 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Копылов Иван Станиславович

Язык: русский

Кредиты: 6

Контактные часы: 80

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина посвящена анализу и применению современных архитектур компьютерного зрения в реальных прикладных сценариях и ориентирована на формирование у студентов инженерного мышления полного жизненного цикла CV-систем: от постановки задачи и подготовки данных до выбора архитектуры, обучения, оптимизации и развёртывания решения, пригодного для интеграции в производственные пайплайны. Курс показывает, как фундаментальные методы и модели, изучаемые в базовых курсах (свёрточные сети, трансформеры для зрения, модели внимания, типовые фреймворки детекции и сегментации), используются в прикладных задачах и какие ограничения возникают при переносе академических решений в реальные условия. Особое внимание уделяется факторам успешной интеграции: качеству данных и протоколов валидации, устойчивости к доменному сдвигу, воспроизводимости, масштабируемости, а также инженерной инфраструктуре инференса, мониторинга качества и регрессионного контроля. В рамках дисциплины рассматриваются типовые классы прикладных задач: классификация и детекция объектов в промышленности и медицине, анализ видеопотоков в системах безопасности и транспорта, визуальный контроль качества, элементы 3D-восприятия для робототехнических систем, а также мультимодальные и open-vocabulary подходы, соединяющие зрение с языковыми моделями. Важной частью курса является критическое сравнение академических и индустриальных подходов: почему одни решения сохраняются в исследовательских прототипах, а другие становятся частью сервисов и продуктов.

Цель освоения дисциплины

Цель дисциплины — сформировать у студентов способность проектировать, анализировать и обосновывать решения в области компьютерного зрения, ориентированные на внедрение: выбирать и адаптировать архитектуры под конкретные прикладные задачи и ограничения; оценивать качество и устойчивость решений; проектировать воспроизводимые прототипы, пригодные для интеграции в производственные системы; критически разбирать реальные кейсы внедрения и выявлять причины успехов и неудач.

Планируемые результаты обучения

Знает и понимает принципы постановки прикладных задач компьютерного зрения и типы выходов моделей; основные семейства архитектур и их свойства; типовые метрики качества и их связь с рисками/стоимостью ошибок; источники ошибок и деградации качества при внедрении ; базовые принципы инженерной интеграции CV-моделей.
Умеет формализовать задачу и требования ; выбирать метрики и протокол валидации, корректно интерпретировать результаты и выявлять leakage; собирать и документировать датасетный пайплайн, проводить анализ ошибок и разрабатывать план улучшений.
Умеет выбирать и адаптировать архитектуру под задачу и ограничения, реализовывать и сравнивать базовые и улучшенные решения на общих протоколах; проводить оценку устойчивости к доменному сдвигу и выбирать меры компенсации; проектировать воспроизводимый прототип и минимальный inference-сервис, измерять производительность, осуществлять базовую оптимизацию инференса; оформлять результаты в виде технической документации.
Владеет навыками критического анализа CV-решений в прикладном контексте, в том числе оценкой реализуемости внедрения, выявлением узких мест по данным/метрикам/инфраструктуре и формированием инженерных компромиссов.

Содержание учебной дисциплины

Введение в прикладное компьютерное зрение как инженерный цикл
Данные и протоколы
Архитектуры как инструмент
Анализ ошибок и выбор operating point
Детекция в прикладных системах
Сегментация в задачах контроля качества и медицины
Документы и OCR как композиция модулей
Видео-аналитика
Open-vocabulary и эмбеддинги
Мультимодальные подходы
Устойчивость и domain shift
Синтетические данные и управление вариативностью
Генеративные модели как прикладной инструмент
Оптимизация модели и инференса
Инференс-пайплайн и интеграция
Мониторинг качества и дрейф
Воспроизводимость и документация
Академические и индустриальные подходы

Элементы контроля

Домашнее задание 1
Инженерный пакет “Data + Protocol + Baseline”: постановка задачи, протокол валидации, baseline-модель, первичный анализ ошибок, воспроизводимость запуска.
Домашнее задание 2
Инженерный пакет “Robustness + Optimization + Serving”: эксперимент на устойчивость/сдвиг домена, измерение производительности, шаг оптимизации, минимальный inference-сервис.
Итоговый проект
Мини-проект (исследовательское или инженерное решение) для выбранной прикладной задачи (например, детекция дефектов, трекинг объектов, визуальный поиск, распознавание жестов, визуальная навигация и др.), сопровождаемый аналитическим отчётом и разбором применённых архитектурных и инженерных решений.

Промежуточная аттестация

2025/2026 4th module
0.2 * Домашнее задание 2 + 0.2 * Домашнее задание 1 + 0.6 * Итоговый проект

Список литературы

Авторы

Копылов Иван Станиславович

Программа дисциплины