Участник:Akonushin - История изменений

Akonushin: /* Темы на 2017-2018 учебный год */

2017-10-12T20:02:50Z

Темы на 2017-2018 учебный год

← Предыдущая версия		Версия от 20:02, 12 октября 2017
Строка 22:		Строка 22:
	== Генеративные нейросетевые модели для синтеза обучающих данных (Generative cnn-based models for training data syntethis) ==		== Генеративные нейросетевые модели для синтеза обучающих данных (Generative cnn-based models for training data syntethis) ==
	Нейросетевые модели для синтеза и обработки изображений бурно прогрессируют в последние пару лет. Одно из направлений их использования - подготовка обучающих данных для других алгоритмов компьютерного зрения, например обучения и классификации детекторов и распознавателей объектов. Предварительные эксперименты показывают, что качество генерируемых данных достаточно для обучения на уровне обучения по реальным данным. Есть разные направления работы в рамках этой темы - исследование conditional generative models, постобработка синтетических изображений для повышения визуального качества, модели для встраивания данных в изображение, эксперименты с прямым линейным преобразованием в пространстве признаков. Виды объектов - дорожные знаки, автомобили, люди.		Нейросетевые модели для синтеза и обработки изображений бурно прогрессируют в последние пару лет. Одно из направлений их использования - подготовка обучающих данных для других алгоритмов компьютерного зрения, например обучения и классификации детекторов и распознавателей объектов. Предварительные эксперименты показывают, что качество генерируемых данных достаточно для обучения на уровне обучения по реальным данным. Есть разные направления работы в рамках этой темы - исследование conditional generative models, постобработка синтетических изображений для повышения визуального качества, модели для встраивания данных в изображение, эксперименты с прямым линейным преобразованием в пространстве признаков. Виды объектов - дорожные знаки, автомобили, люди.

			== Генеративная нейросетевая модель изображения человека (Generative neural model for images of the person) ==

	== Распознавание объектов дорожной сцены для дополненной реальности (Road scene parsing for augmented reality) ==		== Распознавание объектов дорожной сцены для дополненной реальности (Road scene parsing for augmented reality) ==

	== Нейросетевые детекторы объектов (CNN-based object detectors) ==		== Нейросетевые детекторы объектов (CNN-based object detectors) ==
	В ~~рамкамх~~		В рамках данной темы возможны различные направления исследований развития детектора объектов:

	~~== Нейросетевой детектор объектов для~~ редких объектов ~~(CNN-based object detector for rare classes) ==~~		* поиск редких объектов

	~~== Нейросетевой~~ детектор голов и фигур людей для систем видеонаблюдения ~~(CNN-based head and person detector for video surveillance) ==~~		* нейросетевой детектор голов и фигур людей для систем видеонаблюдения

	~~== Ускорение~~ нейросетевых детекторов ~~(Speeding up of CNN-based detectors) ==~~		* ускорение нейросетевых детекторов
	Нейросетевые детекторы лиц людей на изображении работают сейчас очень хорошо, пусть и не идеально. Основное препятствие на пути использования этих методов в устройствах это их вычислительная сложность. Детектор лица работает порядка 200ms на изображение 1980*1080 на видеокарте Nvidia GTX 1070. Однако был предложен целый ряд методов, которые позволяют увеличить производительность нейросетевой модели. Предлагается исследовать применимость этих методов для ускорения детектора лиц.		Нейросетевые детекторы лиц людей на изображении работают сейчас очень хорошо, пусть и не идеально. Основное препятствие на пути использования этих методов в устройствах это их вычислительная сложность. Детектор лица работает порядка 200ms на изображение 1980*1080 на видеокарте Nvidia GTX 1070. Однако был предложен целый ряд методов, которые позволяют увеличить производительность нейросетевой модели. Предлагается исследовать применимость этих методов для ускорения детектора лиц.

	~~== Генеративная нейросетевая модель изображения человека (Generative neural model for person images) ==~~

	== Локализация головы, лица и точек на лице человека нейросетевой модель ( Head, face and facial features localization with cnn-based model) ==
	Детектор человека позволяет выделить человека на изображении. Однако для последующего анализа полезно определить, где находится (или где должна находиться) голова человека. Видно ли лицо человека? Если да, то где на лице контрольные точки (глаза, нос, рот, уши) и куда смотрит человек? Необходимо разработать модель, получающую на вход изображение фигуры человека, и определяющую указыванные параметры.

	== Повторная идентификация и классификация атрибутов человека по изображению фигуры (Person reidentification and classification) ==		== Повторная идентификация и классификация атрибутов человека по изображению фигуры (Person reidentification and classification) ==

Akonushin: /* Темы на 2017-2018 учебный год */

2017-10-12T19:58:42Z

Темы на 2017-2018 учебный год

← Предыдущая версия		Версия от 19:58, 12 октября 2017
Строка 21:		Строка 21:

	== Генеративные нейросетевые модели для синтеза обучающих данных (Generative cnn-based models for training data syntethis) ==		== Генеративные нейросетевые модели для синтеза обучающих данных (Generative cnn-based models for training data syntethis) ==
	Нейросетевые модели для синтеза и обработки изображений бурно прогрессируют в последние пару лет. Одно из направлений их использования - подготовка обучающих данных для других алгоритмов компьютерного зрения, например обучения и классификации детекторов и распознавателей объектов. Предварительные эксперименты показывают, что качество генерируемых данных достаточно для обучения на уровне обучения по реальным данным. Есть разные направления работы в рамках этой темы - исследование conditional generative models, постобработка синтетических изображений для повышения визуального качества, модели для встраивания данных в изображение, эксперименты с прямым линейным преобразованием в пространстве признаков. Виды объектов - дорожные знаки, автомобили, люди.		Нейросетевые модели для синтеза и обработки изображений бурно прогрессируют в последние пару лет. Одно из направлений их использования - подготовка обучающих данных для других алгоритмов компьютерного зрения, например обучения и классификации детекторов и распознавателей объектов. Предварительные эксперименты показывают, что качество генерируемых данных достаточно для обучения на уровне обучения по реальным данным. Есть разные направления работы в рамках этой темы - исследование conditional generative models, постобработка синтетических изображений для повышения визуального качества, модели для встраивания данных в изображение, эксперименты с прямым линейным преобразованием в пространстве признаков. Виды объектов - дорожные знаки, автомобили, люди.

	== ~~Автоматический выбор метапараметров нейросетевой модели выделения~~ объектов (~~Automatic selection of metaparameters in object detection model~~) ==		== Распознавание объектов дорожной сцены для дополненной реальности (Road scene parsing for augmented reality) ==
	Нейросетевая модель выделения объектов на изображении имеет ряд параметров, которые задает исследователь. Эти параметры зависят от конкретных типов наблюдаемых объектов, их пропорций, размеров в обучающей выборке и т.д. Например, одним из параметров является число гипотез о месте и форме объектов, в каждом анализируемом фрагменте изображения. Сейчас эти параметры выбираются вручную. Предлагается исследовать подходы в автоматическому выбору этих параметров на примерах задач выделения людей, голов и лиц людей в изображениях.

	== ~~Нейросетевая модель выделения и разбора групп людей~~ (CNN-based ~~model for detection and parsing of people groups~~)==		== Нейросетевые детекторы объектов (CNN-based object detectors) ==
	~~Обычный нейросетевой детектор выделяет отдельные объекты.~~ В тех местах, где находятся группы близкостоящих людей, наблюдаются ошибки. Предлагается модифицировать имеющуюся нейросетевую модель таким образом, чтобы отдельно обрабатывать такие случаи.		В рамкамх

	== ~~Локализация головы, лица и точек на лице человека нейросетевой модель~~ ( ~~Head, face and facial features localization with cnn~~-based ~~model~~) ==		== Нейросетевой детектор объектов для редких объектов (CNN-based object detector for rare classes) ==
	~~Детектор человека позволяет выделить человека на изображении. Однако~~ для ~~последующего анализа полезно определить, где находится~~ (~~или где должна находиться~~) голова человека. Видно ли лицо человека? Если да, то где на лице контрольные точки (глаза, нос, рот, уши) и куда смотрит человек? Необходимо разработать модель, получающую на вход изображение фигуры человека, и определяющую указыванные параметры.
			== Нейросетевой детектор голов и фигур людей для систем видеонаблюдения (CNN-based head and person detector for video surveillance) ==

	== ~~Быстрая нейросетевая модель выделения лиц людей на изображении~~ (~~Fast cnn~~-based ~~model for face detection~~) ==		== Ускорение нейросетевых детекторов (Speeding up of CNN-based detectors) ==
	Нейросетевые детекторы лиц людей на изображении работают сейчас очень хорошо, пусть и не идеально. Основное препятствие на пути использования этих методов в устройствах это их вычислительная сложность. Детектор лица работает порядка 200ms на изображение 1980*1080 на видеокарте Nvidia GTX 1070. Однако был предложен целый ряд методов, которые позволяют увеличить производительность нейросетевой модели. Предлагается исследовать применимость этих методов для ускорения детектора лиц.		Нейросетевые детекторы лиц людей на изображении работают сейчас очень хорошо, пусть и не идеально. Основное препятствие на пути использования этих методов в устройствах это их вычислительная сложность. Детектор лица работает порядка 200ms на изображение 1980*1080 на видеокарте Nvidia GTX 1070. Однако был предложен целый ряд методов, которые позволяют увеличить производительность нейросетевой модели. Предлагается исследовать применимость этих методов для ускорения детектора лиц.

	== ~~Повторная идентификация человека по изображению фигуры (Person reidentification) ==~~		== Генеративная нейросетевая модель изображения человека (Generative neural model for person images) ==
	~~Необходимо реализовать нейросетевую~~ модель ~~отображения~~ изображения фигуры человека в вектор-признак, кодирующий внешность человека. Сравнение изображений людей по таким признакам позволяет определить повторное появление человека в видеопотоке.

	~~== Определение атрибутов~~ человека ~~по изображению фигуры~~ (~~Attribute classification from~~ person ~~image~~) ==
	Такие атрибуты человека, как пол, возраст, комплекция, можно определить, глядя на фотографию фигуры. Если известна "поза" человека, т.е. положение всех конечностей человека в кадре, то задача решается проще. Предлагается реализовать нейросетевую модель, на вход получающую изображение человека с размеченными частями тела, и определяющую атрибуты человека.

			== Локализация головы, лица и точек на лице человека нейросетевой модель ( Head, face and facial features localization with cnn-based model) ==
			Детектор человека позволяет выделить человека на изображении. Однако для последующего анализа полезно определить, где находится (или где должна находиться) голова человека. Видно ли лицо человека? Если да, то где на лице контрольные точки (глаза, нос, рот, уши) и куда смотрит человек? Необходимо разработать модель, получающую на вход изображение фигуры человека, и определяющую указыванные параметры.

			== Повторная идентификация и классификация атрибутов человека по изображению фигуры (Person reidentification and classification) ==
			Необходимо реализовать нейросетевую модель отображения изображения фигуры человека в вектор-признак, кодирующий внешность человека. Сравнение изображений людей по таким признакам позволяет определить повторное появление человека в видеопотоке. Также такие атрибуты человека, как пол, возраст, комплекция, можно определить, глядя на фотографию фигуры. Если известна "поза" человека, т.е. положение всех конечностей человека в кадре, то задача решается проще. Предлагается реализовать нейросетевую модель, на вход получающую изображение человека с размеченными частями тела, и определяющую атрибуты человека.

	= Материалы =		= Материалы =

Akonushin в 08:26, 2 октября 2017

2017-10-02T08:26:27Z

← Предыдущая версия		Версия от 08:26, 2 октября 2017
Строка 18:		Строка 18:
	В ходе выполнения курсовой работы на практике можно освоить работу с нейросетевыми моделями, изучать 1-2 фреймворка, научиться применять модели для решения конкретных задач анализа изображений. В зависимости от успехов можно будет успеть провести небольшое законченное исследование.		В ходе выполнения курсовой работы на практике можно освоить работу с нейросетевыми моделями, изучать 1-2 фреймворка, научиться применять модели для решения конкретных задач анализа изображений. В зависимости от успехов можно будет успеть провести небольшое законченное исследование.

	= Темы на ~~2016~~-~~2017~~ учебный год =		= Темы на 2017-2018 учебный год =

			== Генеративные нейросетевые модели для синтеза обучающих данных (Generative cnn-based models for training data syntethis) ==
			Нейросетевые модели для синтеза и обработки изображений бурно прогрессируют в последние пару лет. Одно из направлений их использования - подготовка обучающих данных для других алгоритмов компьютерного зрения, например обучения и классификации детекторов и распознавателей объектов. Предварительные эксперименты показывают, что качество генерируемых данных достаточно для обучения на уровне обучения по реальным данным. Есть разные направления работы в рамках этой темы - исследование conditional generative models, постобработка синтетических изображений для повышения визуального качества, модели для встраивания данных в изображение, эксперименты с прямым линейным преобразованием в пространстве признаков. Виды объектов - дорожные знаки, автомобили, люди.

	== Автоматический выбор метапараметров нейросетевой модели выделения объектов (Automatic selection of metaparameters in object detection model) ==		== Автоматический выбор метапараметров нейросетевой модели выделения объектов (Automatic selection of metaparameters in object detection model) ==
	Нейросетевая модель выделения объектов на изображении имеет ряд параметров, которые задает исследователь. Эти параметры зависят от конкретных типов наблюдаемых объектов, их пропорций, размеров в обучающей выборке и т.д. Например, одним из параметров является число гипотез о месте и форме объектов, в каждом анализируемом фрагменте изображения. Сейчас эти параметры выбираются вручную. Предлагается исследовать подходы в автоматическому выбору этих параметров на примерах задач выделения людей, голов и лиц людей в изображениях.		Нейросетевая модель выделения объектов на изображении имеет ряд параметров, которые задает исследователь. Эти параметры зависят от конкретных типов наблюдаемых объектов, их пропорций, размеров в обучающей выборке и т.д. Например, одним из параметров является число гипотез о месте и форме объектов, в каждом анализируемом фрагменте изображения. Сейчас эти параметры выбираются вручную. Предлагается исследовать подходы в автоматическому выбору этих параметров на примерах задач выделения людей, голов и лиц людей в изображениях.
Строка 37:		Строка 41:
	Такие атрибуты человека, как пол, возраст, комплекция, можно определить, глядя на фотографию фигуры. Если известна "поза" человека, т.е. положение всех конечностей человека в кадре, то задача решается проще. Предлагается реализовать нейросетевую модель, на вход получающую изображение человека с размеченными частями тела, и определяющую атрибуты человека.		Такие атрибуты человека, как пол, возраст, комплекция, можно определить, глядя на фотографию фигуры. Если известна "поза" человека, т.е. положение всех конечностей человека в кадре, то задача решается проще. Предлагается реализовать нейросетевую модель, на вход получающую изображение человека с размеченными частями тела, и определяющую атрибуты человека.

	~~== Генеративная нейросетевая модель для дорожных знаков (Generative cnn-based model for traffic signs) ==~~
	Существуют нейросетевые модели, которые позволяют генерировать изображение объектов заданного типа с указанными параметрами. Одним из активно развивающихся классов таких моделей являются GAN (Generative Adversarial Networks). Идея метода заключается в одновременном обучении двух сетей. Одна сеть генерирует синтетическое изображение, а вторая сеть учится определять, является ли изображение синтетическим или реальным. В результате получается сеть, которая позволяет генерировать очень реалистичные изображения. Предлагается применить такую модель для генерации изображений дорожных знаков и исследовать, насколько такая модель и изображения позволят улучшить алгоритмы выделения и распознавания дорожных знаков на практике.

	= Материалы =		= Материалы =

Akonushin в 12:53, 3 ноября 2016

2016-11-03T12:53:18Z

Внесённые изменения

Akonushin: /* Материалы */

2015-11-25T17:27:34Z

Материалы

← Предыдущая версия		Версия от 17:27, 25 ноября 2015
Строка 41:		Строка 41:
	* [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей		* [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей
	* [http://u.cs.biu.ac.il/~yogo/nnlp.pdf A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов		* [http://u.cs.biu.ac.il/~yogo/nnlp.pdf A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов
	* [http://neuralnetworksanddeeplearning.com/ Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение		* [http://neuralnetworksanddeeplearning.com/ Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение.
	* [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение		* [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение. Большая и подробная. Можно читать в фоновом режиме, медленно и вдумчиво.
	* [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. ~~Заметную~~ часть мы будем разбирать на семинарах.		* [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Часть мы уже разбирали на семинарах на ВМК, часть будем разбирать, часть посмотрим на семинарах в ВШЭ.
	* [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям		* [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям, например, про backpropagation.
	* [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению		* [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению. Можно следить.
	* [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям		* [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям
	* [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда		* [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда
	* [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок		* [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок

Akonushin: /* Материалы */

2015-11-25T17:26:20Z

Материалы

← Предыдущая версия		Версия от 17:26, 25 ноября 2015
Строка 40:		Строка 40:

	* [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей		* [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей
	* [http://u.cs.biu.ac.il/~yogo/nnlp.pdf - A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов		* [http://u.cs.biu.ac.il/~yogo/nnlp.pdf A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов
	* [http://neuralnetworksanddeeplearning.com/ - Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение		* [http://neuralnetworksanddeeplearning.com/ Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение
	* [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение		* [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение
	* [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Заметную часть мы будем разбирать на семинарах.		* [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Заметную часть мы будем разбирать на семинарах.

Akonushin: /* Материалы */

2015-11-25T17:26:07Z

Материалы

← Предыдущая версия		Версия от 17:26, 25 ноября 2015
Строка 40:		Строка 40:

	* [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей		* [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей
	* http://u.cs.biu.ac.il/~yogo/nnlp.pdf - хорошее введение в нейросети на примере анализа текстов		* [http://u.cs.biu.ac.il/~yogo/nnlp.pdf - A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов
	*		* [http://neuralnetworksanddeeplearning.com/ - Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение
			* [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение
			* [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Заметную часть мы будем разбирать на семинарах.
			* [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям
			* [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению
			* [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям
			* [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда
			* [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок

Akonushin: /* Материалы */

2015-11-25T17:22:53Z

Материалы

← Предыдущая версия		Версия от 17:22, 25 ноября 2015
Строка 39:		Строка 39:
	= Материалы =		= Материалы =

			* [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей
	* http://u.cs.biu.ac.il/~yogo/nnlp.pdf - хорошее введение в нейросети на примере анализа текстов		* http://u.cs.biu.ac.il/~yogo/nnlp.pdf - хорошее введение в нейросети на примере анализа текстов
			*

Akonushin: /* Материалы */

2015-11-25T17:17:02Z

Материалы

← Предыдущая версия		Версия от 17:17, 25 ноября 2015
Строка 38:		Строка 38:

	= Материалы =		= Материалы =

			* http://u.cs.biu.ac.il/~yogo/nnlp.pdf - хорошее введение в нейросети на примере анализа текстов

Akonushin: /* Список тем (2015-2016 учебный год) */

2015-11-25T17:16:01Z

Список тем (2015-2016 учебный год)

← Предыдущая версия		Версия от 17:16, 25 ноября 2015
Строка 36:		Строка 36:
	==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====		==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====
	==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====		==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====

			= Материалы =