Анализ изображений и компьютерное зрение

2026/2027

ID 1217236

Статус: Маго-лего

Кто читает: Базовая кафедра МТС

Где читается: Факультет компьютерных наук

Когда читается: 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

Курс посвящён методам получения, обработки и анализа изображений и видеопоследовательностей. Студенты изучают связь между устройством визуальных данных, архитектурой модели и способом проверки результата. В первой части рассматриваются фильтрация, локальные признаки, сопоставление изображений и геометрия камеры. Далее изучаются свёрточные и трансформерные архитектуры, обучение визуальных представлений, обнаружение объектов и разные постановки сегментации. Завершающая часть посвящена совместным представлениям изображений и текста, анализу движения, восстановлению и генерации изображений, оценке глубины и трёхмерной реконструкции. На семинарах студенты реализуют отдельные алгоритмы, обучают и дообучают модели, сравнивают решения при одинаковом протоколе и разбирают ошибки на конкретных изображениях. Практические работы охватывают как исследовательские эксперименты, так и прикладные задачи визуального контроля, поиска изображений и анализа сцен.

Цель освоения дисциплины

Связать математические модели формирования и преобразования изображения с алгоритмами его обработки.
Научить выбирать архитектуры для классификации, поиска, обнаружения объектов и сегментации с учётом данных и вычислительных ресурсов.
Сформировать навыки обучения, переноса и сравнения визуальных представлений.
Научить решать базовые задачи анализа движения, восстановления изображений и трёхмерной геометрии.

Планируемые результаты обучения

Обрабатывать изображения и обосновывать выбор цветового пространства, фильтра и геометрического преобразования.
Находить соответствия, оценивать преобразование по шумным наблюдениям и объяснять геометрические ограничения метода.
Обучать и дообучать свёрточную или трансформерную модель, сравнивать способы адаптации при едином разбиении данных.
Строить визуальные представления для классификации и поиска, оценивать перенос на новую выборку.
Обучать детектор и модель сегментации, корректно вычислять профильные метрики и разбирать ошибки локализации и масок.
Применять модель сегментации по подсказке и совместную модель изображений и текста, оценивать влияние подсказок и словаря классов.
Сравнивать методы анализа движения, восстановления, генерации или оценки глубины и объяснять границы их применимости.
Представлять воспроизводимый эксперимент с базовым решением, контролируемыми изменениями и анализом ошибок.

Содержание учебной дисциплины

Изображение как измерение
Фильтрация и выделение структуры
Локальные признаки и сопоставление
Модель камеры и проективная геометрия
Свёрточные архитектуры для изображений
Обучение и перенос визуальных моделей
Трансформеры в компьютерном зрении
Обучение визуальных представлений
Двухэтапное обнаружение объектов
Одноэтапное обнаружение объектов
Обнаружение объектов как предсказание множества
Семантическая сегментация
Сегментация экземпляров и сцены
Сегментация по пользовательской подсказке
Совместные представления изображений и текста
Движение и оптический поток
Сопровождение объектов и анализ событий
Восстановление и преобразование изображений
Генеративные модели изображений
Оценка глубины и трёхмерная реконструкция

Элементы контроля

ДЗ 1 Обработка и геометрия изображений
Домашние задания выполняются индивидуально и сдаются как Jupyter-ноутбук либо репозиторий с кодом, инструкцией запуска и отчётом. Отчёт содержит постановку задачи, описание данных, базовое решение, параметры эксперимента, таблицу результатов и содержательные выводы. Числовое преимущество над другими студентами само по себе не определяет оценку: оцениваются корректность метода, проверка гипотезы и объяснение результата. Номер недели задаёт основной срок сдачи. Конкретные календарные даты публикуются в начале курса. Для домашних заданий предусмотрен жёсткий срок; между основным и жёстким сроками оценка уменьшается на 1 балл за каждые начатые сутки просрочки, но не ниже 0. Один раз за курс разрешена сдача до жёсткого срока без штрафа при уведомлении преподавателя до основного срока. После жёсткого срока работа не принимается. Все сроки — 23:59 по московскому времени; срок перед экзаменом или защитой отсчитывается от времени начала соответствующей аттестации и не устанавливается раньше основного срока. В работах указываются источники данных, заимствованного кода и моделей. Использование генеративных моделей допускается как вспомогательный инструмент с описанием того, какие части работы выполнены с их помощью. Студент отвечает за корректность результата и должен объяснить метод, код и расчёты. Проверка самостоятельности и рассмотрение нарушений проводятся по действующему порядку НИУ ВШЭ. При документально подтверждённых уважительных причинах применяется индивидуальный срок в соответствии с порядком университета.
ДЗ 2 Классификация и визуальный поиск
ДЗ 3 Обнаружение объектов и сегментация
ДЗ 4 Исследование прикладной визуальной задачи
Экзамен
Письменный экзамен проводится после завершения 20-й недели и не заменяет лекцию или семинар. Продолжительность — 90 минут. Билет включает четыре задания: обработка и геометрия изображения; архитектуры и обучение представлений; обнаружение объектов и сегментация; разбор эксперимента по одной из прикладных задач курса.

Промежуточная аттестация

2026/2027 4th module
Итог = ОКРУГЛ(0,15 × ДЗ₁ + 0,15 × ДЗ₂ + 0,15 × ДЗ₃ + 0,15 × ДЗ₄ + 0,40 × Э). ДЗᵢ — оценка за соответствующее домашнее задание после учёта просрочки; Э — оценка за письменный экзамен. Все компоненты принимают значения от 0 до 10 и до применения формулы не округляются. Несданный элемент получает 0 баллов. Итоговая оценка лежит в диапазоне от 0 до 10. Бонусные баллы не предусмотрены.

Список литературы

Авторы

Копылов Иван Станиславович

Программа дисциплины