Wiki - Факультет компьютерных наук - Вклад [ru]

Анализ видеопоследовательностей для автоматического поиска и выделения рекламы

2017-03-10T12:45:11Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Критерии оценки */

{{Карточка_проекта
|name=Анализ видеопотока для автоматического удаления рекламы
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Цель проекта проста - убрать рекламу из видео или телевизионной трансляции. Для решения этой задачи предлагается применять с одной стороны подходы, навеянные Computer Vision - а именно визуальные дескрипторы и "мешок слов" для описания видео, а с другой стороны - биоинформатикой, её аспектами посвящёнными поиску общих фрагментов в последовательностях. Подзадачей этой проблемы является автоматическое создание базы рекламных роликов. Для этого предлагается использовать тот факт, что рекламные ролики повторяются в трансляции, а собственно контент как правило не повторяется. Поиск повторяющихся фрагментов видеопоследовательности и поиск фрагментов из базы в видеопоследовательности могут быть реализованы с помощью одних и тех же подходов и способов описания видео.

=== Чему вы научитесь? ===
Работать с библиотекой анализа изображений и видео OpenCV

Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео

Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео

=== Какие начальные требования? ===
Программирование на С++/Python

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Visual Word

Bag of Words

Optical Flow

=== Темы вводных занятий ===
Особые точки на изображениях, что такое особые точки на видео

Метод "мешка слов"

Оптический поток

Поиск подпоследовательностей

=== Направления развития ===
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)

=== Критерии оценки ===
Выделить и кластеризовать особые точки на видео, сопоставить видеопоследовательности последовательность "визуальных слов" - 4

Выполнить поиск рекламных роликов в видеопоследовательности (записи эфира) используя методы поиска подстрок в строках 5-6

Выполнить поиск повторяющихся последовательностей (рекламных роликов) в видеопоследовательности используя методы поиска подстрок в строках 7

Выполнить поиск рекламных роликов в видеопоследовательности (записи эфира) используя методы неточного выравнивания последовательностей (методы биоинформатики) 8

Выполнить поиск повторяющихся последовательностей (рекламных роликов) в видеопоследовательности используя методы неточного выравнивания последовательностей 9

Выполнить анализ оптического потока для уточнения границы сцен - 10

=== Ориентировочное расписание занятий ===
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости

Анализ видеопоследовательностей для автоматического поиска и выделения рекламы

2016-10-25T10:33:28Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ:

{{Карточка_проекта
|name=Анализ видеопотока для автоматического удаления рекламы
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=5
|categorize=yes
}}

=== Что это за проект? ===
Цель проекта проста - убрать рекламу из видео или телевизионной трансляции. Для решения этой задачи предлагается применять с одной стороны подходы, навеянные Computer Vision - а именно визуальные дескрипторы и "мешок слов" для описания видео, а с другой стороны - биоинформатикой, её аспектами посвящёнными поиску общих фрагментов в последовательностях. Подзадачей этой проблемы является автоматическое создание базы рекламных роликов. Для этого предлагается использовать тот факт, что рекламные ролики повторяются в трансляции, а собственно контент как правило не повторяется. Поиск повторяющихся фрагментов видеопоследовательности и поиск фрагментов из базы в видеопоследовательности могут быть реализованы с помощью одних и тех же подходов и способов описания видео.

=== Чему вы научитесь? ===
Работать с библиотекой анализа изображений и видео OpenCV

Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео

Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео

=== Какие начальные требования? ===
Программирование на С++/Python

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Visual Word

Bag of Words

Optical Flow

=== Темы вводных занятий ===
Особые точки на изображениях, что такое особые точки на видео

Метод "мешка слов"

Оптический поток

Поиск подпоследовательностей

=== Направления развития ===
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)

=== Критерии оценки ===
Выделить и кластеризовать особые точки на видео - 4-5

Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7

Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9

Выполнить анализ оптического потока для уточнения границы сцен - 10

=== Ориентировочное расписание занятий ===
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости

Анализ видеопоследовательностей для автоматического поиска и выделения рекламы

2016-10-14T09:23:41Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ:

{{Карточка_проекта
|name=Анализ видеопотока для автоматического удаления рекламы
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=4
|categorize=yes
}}

=== Что это за проект? ===
Цель проекта проста - убрать рекламу из видео или телевизионной трансляции. Для решения этой задачи предлагается применять с одной стороны подходы, навеянные Computer Vision - а именно визуальные дескрипторы и "мешок слов" для описания видео, а с другой стороны - биоинформатикой, её аспектами посвящёнными поиску общих фрагментов в последовательностях. Подзадачей этой проблемы является автоматическое создание базы рекламных роликов. Для этого предлагается использовать тот факт, что рекламные ролики повторяются в трансляции, а собственно контент как правило не повторяется. Поиск повторяющихся фрагментов видеопоследовательности и поиск фрагментов из базы в видеопоследовательности могут быть реализованы с помощью одних и тех же подходов и способов описания видео.

=== Чему вы научитесь? ===
Работать с библиотекой анализа изображений и видео OpenCV

Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео

Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео

=== Какие начальные требования? ===
Программирование на С++/Python

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Visual Word

Bag of Words

Optical Flow

=== Темы вводных занятий ===
Особые точки на изображениях, что такое особые точки на видео

Метод "мешка слов"

Оптический поток

Поиск подпоследовательностей

=== Направления развития ===
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)

=== Критерии оценки ===
Выделить и кластеризовать особые точки на видео - 4-5

Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7

Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9

Выполнить анализ оптического потока для уточнения границы сцен - 10

=== Ориентировочное расписание занятий ===
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-10-13T13:56:59Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Ориентировочное расписание занятий */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация изображений - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и поиска объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации

Обучение алгоритма на слаборазмеченных данных

Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)

Расширение количества классов

Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)

Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация Random Forest (RF)-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели Conditional Random Field (CRF)

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обучения Fully-convolutional Network (FCN) + FCRF

Творческий подход к решению задачи приветствуется, за реализацию собственных успешных идей баллы будут добавляться.

=== Ориентировочное расписание занятий ===
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости

Анализ видеопоследовательностей для автоматического поиска и выделения рекламы

2016-10-13T13:56:44Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Ориентировочное расписание занятий */

{{Карточка_проекта
|name=Анализ видеопотока для автоматического удаления рекламы
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Цель проекта проста - убрать рекламу из видео или телевизионной трансляции. Для решения этой задачи предлагается применять с одной стороны подходы, навеянные Computer Vision - а именно визуальные дескрипторы и "мешок слов" для описания видео, а с другой стороны - биоинформатикой, её аспектами посвящёнными поиску общих фрагментов в последовательностях. Подзадачей этой проблемы является автоматическое создание базы рекламных роликов. Для этого предлагается использовать тот факт, что рекламные ролики повторяются в трансляции, а собственно контент как правило не повторяется. Поиск повторяющихся фрагментов видеопоследовательности и поиск фрагментов из базы в видеопоследовательности могут быть реализованы с помощью одних и тех же подходов и способов описания видео.

=== Чему вы научитесь? ===
Работать с библиотекой анализа изображений и видео OpenCV

Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео

Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео

=== Какие начальные требования? ===
Программирование на С++/Python

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Visual Word

Bag of Words

Optical Flow

=== Темы вводных занятий ===
Особые точки на изображениях, что такое особые точки на видео

Метод "мешка слов"

Оптический поток

Поиск подпоследовательностей

=== Направления развития ===
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)

=== Критерии оценки ===
Выделить и кластеризовать особые точки на видео - 4-5

Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7

Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9

Выполнить анализ оптического потока для уточнения границы сцен - 10

=== Ориентировочное расписание занятий ===
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-30T14:43:18Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Критерии оценки */

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-30T14:40:45Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Критерии оценки */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация изображений - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и поиска объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации

Обучение алгоритма на слаборазмеченных данных

Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)

Расширение количества классов

Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)

Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация Random Forest (RF)-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели Conditional Random Field (CRF)

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обучения Fully-convolutional Network (FCN) + FCRF

При реализации методов, но низких результатах на тестовых изображениях баллы будут снижаться.
Творческий подход к решению задачи приветствуется, за реализацию собственных успешных идей баллы будут добавляться.

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-27T09:03:27Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Критерии оценки */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация изображений - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и поиска объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации

Обучение алгоритма на слаборазмеченных данных

Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)

Расширение количества классов

Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)

Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация Random Forest (RF)-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели Conditional Random Field (CRF)

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обучения Fully-convolutional Network (FCN) + FCRF

При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-27T09:02:27Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Критерии оценки */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация изображений - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и поиска объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации

Обучение алгоритма на слаборазмеченных данных

Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)

Расширение количества классов

Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)

Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация Random Forest (RF)-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели Conditional Random Field (CRF)

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обучения FCN+FCRF

При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-27T09:01:48Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Критерии оценки */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация изображений - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и поиска объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации

Обучение алгоритма на слаборазмеченных данных

Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)

Расширение количества классов

Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)

Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация Random Forest (RF)-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели CRF

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обучения FCN+FCRF

При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Анализ видеопоследовательностей для автоматического поиска и выделения рекламы

2016-09-26T16:51:18Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Направления развития */

{{Карточка_проекта
|name=Анализ видеопотока для автоматического удаления рекламы
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Цель проекта проста - убрать рекламу из видео или телевизионной трансляции. Для решения этой задачи предлагается применять с одной стороны подходы, навеянные Computer Vision - а именно визуальные дескрипторы и "мешок слов" для описания видео, а с другой стороны - биоинформатикой, её аспектами посвящёнными поиску общих фрагментов в последовательностях. Подзадачей этой проблемы является автоматическое создание базы рекламных роликов. Для этого предлагается использовать тот факт, что рекламные ролики повторяются в трансляции, а собственно контент как правило не повторяется. Поиск повторяющихся фрагментов видеопоследовательности и поиск фрагментов из базы в видеопоследовательности могут быть реализованы с помощью одних и тех же подходов и способов описания видео.

=== Чему вы научитесь? ===
Работать с библиотекой анализа изображений и видео OpenCV

Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео

Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео

=== Какие начальные требования? ===
Программирование на С++/Python

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Visual Word

Bag of Words

Optical Flow

=== Темы вводных занятий ===
Особые точки на изображениях, что такое особые точки на видео

Метод "мешка слов"

Оптический поток

Поиск подпоследовательностей

=== Направления развития ===
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)

=== Критерии оценки ===
Выделить и кластеризовать особые точки на видео - 4-5

Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7

Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9

Выполнить анализ оптического потока для уточнения границы сцен - 10

=== Ориентировочное расписание занятий ===
Понедельник или четверг вечером

Анализ видеопоследовательностей для автоматического поиска и выделения рекламы

2016-09-26T16:50:17Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Анализ видеопотока для автоматического удаления рекламы
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Цель проекта проста - убрать рекламу из видео или телевизионной трансляции. Для решения этой задачи предлагается применять с одной стороны подходы, навеянные Computer Vision - а именно визуальные дескрипторы и "мешок слов" для описания видео, а с другой стороны - биоинформатикой, её аспектами посвящёнными поиску общих фрагментов в последовательностях. Подзадачей этой проблемы является автоматическое создание базы рекламных роликов. Для этого предлагается использовать тот факт, что рекламные ролики повторяются в трансляции, а собственно контент как правило не повторяется. Поиск повторяющихся фрагментов видеопоследовательности и поиск фрагментов из базы в видеопоследовательности могут быть реализованы с помощью одних и тех же подходов и способов описания видео.

=== Чему вы научитесь? ===
Работать с библиотекой анализа изображений и видео OpenCV

Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео

Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео

=== Какие начальные требования? ===
Программирование на С++/Python

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Visual Word

Bag of Words

Optical Flow

=== Темы вводных занятий ===
Особые точки на изображениях, что такое особые точки на видео

Метод "мешка слов"

Оптический поток

Поиск подпоследовательностей

=== Направления развития ===
Оптимизировать проект, сделать возможным работы в потоке online с помощью буферизации

=== Критерии оценки ===
Выделить и кластеризовать особые точки на видео - 4-5

Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7

Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9

Выполнить анализ оптического потока для уточнения границы сцен - 10

=== Ориентировочное расписание занятий ===
Понедельник или четверг вечером

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:28:33Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Что это за проект? */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация изображений - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и поиска объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации

Обучение алгоритма на слаборазмеченных данных

Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)

Расширение количества классов

Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)

Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели CRF

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обучения FCN+FCRF

При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:27:47Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Критерии оценки */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и поиска объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации

Обучение алгоритма на слаборазмеченных данных

Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)

Расширение количества классов

Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)

Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели CRF

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обучения FCN+FCRF

При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:24:03Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Что это за проект? */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и поиска объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации

Обучение алгоритма на слаборазмеченных данных

Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)

Расширение количества классов

Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)

Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели CRF

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обчения FCN+FCRF

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:22:41Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Направления развития */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и детекции объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации

Обучение алгоритма на слаборазмеченных данных

Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)

Расширение количества классов

Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)

Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели CRF

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обчения FCN+FCRF

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:22:27Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Критерии оценки */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и детекции объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации
Обучение алгоритма на слаборазмеченных данных
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)
Расширение количества классов
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях

5 - Реализация RF-обучения на суперпикселях

6 - Реализация RF-обучения + модели CRF

7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF

8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN

9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF

10 - Реализация обчения FCN+FCRF

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:22:01Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Какие будут использоваться технологии? */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и детекции объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV

Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN

Методы классификации: Random Forest, SSVM, ANN-CNN-FCN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации
Обучение алгоритма на слаборазмеченных данных
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)
Расширение количества классов
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях
5 - Реализация RF-обучения на суперпикселях
6 - Реализация RF-обучения + модели CRF
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF
10 - Реализация обчения FCN+FCRF

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:21:21Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Какие начальные требования? */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и детекции объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java

Английский язык для чтения статей

Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV
Методы анализа и обработки изображений:
Super-pixel
CRF/FCRF
CNN/FCN
Методы классификации:
Random Forest
SSVM
ANN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации
Обучение алгоритма на слаборазмеченных данных
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)
Расширение количества классов
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях
5 - Реализация RF-обучения на суперпикселях
6 - Реализация RF-обучения + модели CRF
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF
10 - Реализация обчения FCN+FCRF

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:21:05Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Чему вы научитесь? */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и детекции объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fully-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java
Английский язык для чтения статей
Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV
Методы анализа и обработки изображений:
Super-pixel
CRF/FCRF
CNN/FCN
Методы классификации:
Random Forest
SSVM
ANN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации
Обучение алгоритма на слаборазмеченных данных
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)
Расширение количества классов
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях
5 - Реализация RF-обучения на суперпикселях
6 - Реализация RF-обучения + модели CRF
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF
10 - Реализация обчения FCN+FCRF

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:20:49Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Чему вы научитесь? */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и детекции объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.

Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fullu-convolutional Network (FCN)).

Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java
Английский язык для чтения статей
Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV
Методы анализа и обработки изображений:
Super-pixel
CRF/FCRF
CNN/FCN
Методы классификации:
Random Forest
SSVM
ANN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации
Обучение алгоритма на слаборазмеченных данных
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)
Расширение количества классов
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях
5 - Реализация RF-обучения на суперпикселях
6 - Реализация RF-обучения + модели CRF
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF
10 - Реализация обчения FCN+FCRF

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:20:37Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: /* Что это за проект? */

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и детекции объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.

Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.

Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.
Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fullu-convolutional Network (FCN)).
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java
Английский язык для чтения статей
Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV
Методы анализа и обработки изображений:
Super-pixel
CRF/FCRF
CNN/FCN
Методы классификации:
Random Forest
SSVM
ANN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации
Обучение алгоритма на слаборазмеченных данных
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)
Расширение количества классов
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях
5 - Реализация RF-обучения на суперпикселях
6 - Реализация RF-обучения + модели CRF
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF
10 - Реализация обчения FCN+FCRF

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)

2016-09-16T17:19:56Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Семантическая сегментация изображений для
|mentor=Горбачёв Вадим
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Осень 2016
|course=2
|summer=on
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Семантическая сегментация - это разделение изображения на отдельные группы пикселей, области, соответствующие одному объекту с одновременным определением типа объекта в каждой области. Задача семантической сегментации является высокоуровневой задачей обработки изображений, относящейся к группе задач т.н. слабого искусственного интеллекта. Она является даже более сложной, чем задача классификации изображений и детекции объектов, что обусловлено не только необходимостью определения классов объектов, но и выявления их структуры, правильного выделения частей объектов на изображении.
Конкретным приложением, для которого важны методы семантической сегментации, является задача анализа аэрофотоснимков высокого разрешения с целью автоматического построения на их основе детальных карт местности или города. При создании карт как раз необходимо точно определить границы объектов на снимке поверхности земли, а так же указать их класс: здание, водоём, дорога, река, автомобиль, растительность. Алгоритмы автоматической семантической сегментации позволят существенно упростить задачу картографов при построении карт и сократить время на обработку данных.
Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.

=== Чему вы научитесь? ===
В ходе работы над проектом студенты приобретут навыки обработки и анализа изображений, опробуют методы сегментации и на реальных практических задачах смогут опробовать методы машинного обучения.
Наиболее продвинутые студенты смогут научиться работать с одним из самых актуальных новых методов в компьютерном зрении - свёрточными нейронными сетями (Convolutional Neural Network (CNN), Fullu-convolutional Network (FCN)).
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.

=== Какие начальные требования? ===
Программирование на С++ или Python или Java
Английский язык для чтения статей
Опыт работы с OpenCV приветствуется

=== Какие будут использоваться технологии? ===
OpenCV
Методы анализа и обработки изображений:
Super-pixel
CRF/FCRF
CNN/FCN
Методы классификации:
Random Forest
SSVM
ANN

=== Темы вводных занятий ===
В ходе встреч студентам будут даны основные знания по сегментации изображений, методам признакового описания изображений, необходимым математическим моделям (в частности CRF) и методам обучения, основным подходам к семантической сегментации.

=== Направления развития ===
GPU оптимизация обучения/классификации
Обучение алгоритма на слаборазмеченных данных
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)
Расширение количества классов
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge

=== Критерии оценки ===
4 - Реализация RF-обучения на пикселях
5 - Реализация RF-обучения на суперпикселях
6 - Реализация RF-обучения + модели CRF
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF
10 - Реализация обчения FCN+FCRF

=== Ориентировочное расписание занятий ===
Четверг или Понедельник

Поиск по картинкам на примере распознавания афиш (проект)

2016-02-04T08:25:02Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: изменил время встреч

{{Карточка_проекта
|name=Поиск по картинкам на примере распознавания афиш
|mentor=Вадим Горбачёв
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Весна 2016
|course=1
|summer=
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Современные поисковые системы позволяют искать информацию по различным видам запросов. Как по текстовым, так и по запросам в виде картинок, аудио или видео файлов. Предлагается рассмотреть как работает поисковая система при поиске изображений. Для этого создадим систему, реализующую основные принципы поиска по базе изображений.
Нужно решить следующую практическую задачу: пользователь делает запрос в виде изображения афиши (плаката), которое он сделал, например, на свой смартфон. В ответ необходимо сообщить, что это за фильм, выдать по нему информацию или ссылку на Кинопоиск.

[http://www.slideshare.net/katyacherniak/ss-57407247 (презентация проекта)]

=== Чему вы научитесь? ===
* Основам компьютерного зрения, обработки и анализа изображений.

* Работе с библиотекой компьютерного зрения OpenCV.

* Принципам работы с изображениями как с наборами визуальных слов для эффективного поиска по изображениям.

* Общим принципам индексации и поиска в индексированных массивах данных.

* Методам нахождения и выбора гипотез (закономерностей) при сильно зашумлённых данных.

=== Какие начальные требования? ===
* Программирование на С++ или Python.

* Желание изучать компьютерное зрение, работать с изображениями

=== Какие будут использоваться технологии? ===
* OpenCV

* K-means кластеризация

* Bag-Of-Words

* RANSAC

=== Темы вводных занятий ===
* Работа с изображениями.

* Библиотека OpenCV.

* Особые точки на изображениях.

* Детекторы и дескрипторы особых точек.

* Технология мешка слов (Bag Of Words).

* Оценка расположения изображений друг относительно друга.

* Метод определения расположения с помощью случайных гипотез (RANSAC).

=== Направления развития ===
* Ускорение результатов поиска, построение инвертированного индекса.

* Коррекция результатов поиска, учитывающая возможные геометрические и ракурсные искажения исходного изображения.

* Разработка мобильного приложения для фотографирования афиш и их последующего распознавания и выдачи информации о фильме или покупки билетов в кино.

* Распознавание зданий на фотографиях.

=== Критерии оценки ===
4-5: Создать базу изображений. Найти особые точки на изображениях и посчитать их дескрипторы. Кластеризовать дескрипторы, выделить визуальные слова.

6: Организовать поиск наиболее похожего объекта по визуальным словам.

7: Создать инвертированный индекс базы изображений, производить поиск только среди объектов у которых есть общие слова.

8-10: Анализировать геометрические связи между изображениями. Отсекать изображения-кандидаты, геометрически не соответствующие изображению-запросу.

=== Ориентировочное расписание занятий ===

Четверг 18:15-19:45

Участник:ВадимГорбачёв

2016-01-20T11:19:22Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ:

[[Файл:Vadim Gorbachev.jpg|мини|справа|Вадим Горбачёв]]
{{Карточка_ментора
|categorize = yes
}}

'''Горбачёв Вадим Александрович'''

=Образование=
* МФТИ, факультет управления и прикладной математики. Диплом с отличием
* Школа анализа данных Яндекса (ШАД)
* Аспирантура МФТИ. Защитил диссертацию на степень кандидата физ-мат наук

=Контакты=
* http://vk.com/vadim.gorbachev
* https://www.facebook.com/profile.php?id=100003506260158
* skype: vadus13
* vadus13@yandex.ru

=Области знаний и интересов=
* Анализ и распознавание изображений
* Компьютерное зрение
* Машинное обучение
* Фотограмметрия

=Место работы=
* ФГУП "ГосНИИАС", лаборатория геоинформационных технологий
* МФТИ, кафедра управляющих и информационных систем

=Помимо работы=
* Скалолазание
* Парные танцы
* Бег по пересечённой местности с препятствиями
* Бадминтон
* Сноуборд

Файл:Vadim Gorbachev.jpg

2016-01-20T11:12:17Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: Вадим Горбачёв

Вадим Горбачёв

Участник:ВадимГорбачёв

2016-01-20T11:10:43Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: Личная страничка, начальный вариант

{{Карточка_ментора
|categorize = yes
}}

'''Горбачёв Вадим Александрович'''

=Образование=
* МФТИ, факультет управления и прикладной математики. Диплом с отличием
* Школа анализа данных Яндекса (ШАД)
* Аспирантура МФТИ. Защитил диссертацию на степень кандидата физ-мат наук

=Контакты=
* http://vk.com/vadim.gorbachev
* https://www.facebook.com/profile.php?id=100003506260158
* skype: vadus13
* vadus13@yandex.ru

=Области знаний и интересов=
* Анализ и распознавание изображений
* Компьютерное зрение
* Машинное обучение
* Фотограмметрия

=Место работы=
* ФГУП "ГосНИИАС"
* МФТИ, кафедра управляющих и информационных систем

=Помимо работы=
* Скалолазание
* Парные танцы
* Бег по пересечённой местности с препятствиями
* Бадминтон
* Сноуборд

Поиск по картинкам на примере распознавания афиш (проект)

2016-01-20T10:32:51Z

Р’Р°РґРёРјР“РѕСЂР±Р°С‡С‘РІ: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Поиск по картинкам на примере распознавания афиш
|mentor=Вадим Горбачёв
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}
|semester=Весна 2016
|course=1
|summer=
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Современные поисковые системы позволяют искать информацию по различным видам запросов. Как по текстовым, так и по запросам в виде картинок, аудио или видео файлов. Предлагается рассмотреть как работает поисковая система при поиске изображений. Для этого создадим систему, реализующую основные принципы поиска по базе изображений.
Нужно решить следующую практическую задачу: пользователь делает запрос в виде изображения афиши (плаката), которое он сделал, например, на свой смартфон. В ответ необходимо сообщить, что это за фильм, выдать по нему информацию или ссылку на Кинопоиск.

=== Чему вы научитесь? ===
Основам компьютерного зрения, обработки и анализа изображений. Работе с библиотекой компьютерного зрения OpenCV.
Принципам работы с изображениями как с наборами визуальных слов для эффективного поиска по изображениям.
Общим принципам индексации и поиска в индексированных массивах данных.
Методам нахождения и выбора гипотез (закономерностей) при сильно зашумлённых данных.

=== Какие начальные требования? ===
Программирование на С++ или Python.
Желание изучать компьютерное зрение, работать с изображениями

=== Какие будут использоваться технологии? ===
OpenCV
K-means кластеризация
Bag-Of-Words
RANSAC

=== Темы вводных занятий ===
Работа с изображениями. Библиотека OpenCV.
Особые точки на изображениях. Детекторы и дескрипторы особых точек.
Технология мешка слов (Bag Of Words).
Оценка расположения изображений друг относительно друга. Метод определения расположения с помощью случайных гипотез (RANSAC).

=== Направления развития ===
Ускорение результатов поиска, построение инвертированного индекса.
Коррекция результатов поиска, учитывающая возможные геометрические и ракурсные искажения исходного изображения.
Разработка мобильного приложения для фотографирования афиш и их последующего распознавания и выдачи информации о фильме или покупки билетов в кино.
Распознавание зданий на фотографиях.

=== Критерии оценки ===
4-5: Создать базу изображений. Найти особые точки на изображениях и посчитать их дескрипторы. Кластеризовать дескрипторы, выделить визуальные слова.
6: Организовать поиск наиболее похожего объекта по визуальным словам.
7: Создать инвертированный индекс базы изображений, производить поиск только среди объектов у которых есть общие слова.
8-10: Анализировать геометрические связи между изображениями. Отсекать изображения-кандидаты, геометрически не соответствующие изображению-запросу.

=== Ориентировочное расписание занятий ===
Пн 11:00-19:00
Пт 11:00-18:00