Курс Компьютерное зрение

Язык преподавания в курсе – русский. Вскоре будет доступна украинская версия этого курса.

Видеозаписи лекций без обратной связи и участия преподавателя. Вы получите доступ к материалам сразу после оплаты.

Что даст вам этот курс

Вы освоите принципы машинного обучения в области компьютерного зрения и сможете решать индустриальные задачи, используя открытые датасеты.
По ходу курса вы обучите нейросети для решения задач:

– классификации и сегментации изображений
– детекции объектов на изображениях
– отслеживания объектов на видео
– обработки трехмерных сцен
– порождения изображений и атаки на обученные модели нейронных сетей

Также вы научитесь пользоваться основными фреймворками для создания нейросетей: PyTorch, TensorFlow и Keras.

Для кого этот курс?

Для специалистов в сфере Machine Learning, которые

– Хотят специализироваться на Компьютерном зрении
– Уже используют практики Deep Learning и хотят расширить и систематизировать знания

Курс позволит переключиться с классических задач машинного обучения, таких как кредитный скоринг, оптимизация CTR, детекция фрода и т.д, и попасть в развивающуюся область Data Science, где сейчас происходит все самое интересное и открываются новые карьерные горизонты.

Обучение даст вам необходимые компетенции, чтобы претендовать на специальности, требующие профессиональных навыков разработки систем компьютерного зрения. В разных компаниях специальности называются по-разному, самые распространенные варианты: Deep learning engineer, Computer Vision Engineer, AI Research Engineer [Computer Vision, Machine Learning], программист-исследователь, Deep Learning/Computer Vision.

Во время курса вы:

– Будете работать с открытыми датасетами для различных задач Computer Vision
– Разберетесь в принципах работы и вариантах сверточных и пулинг-слоев, в том числе, специфических для задач детекции и сегментации объектов.
– Научитесь применять механизм внимания в сверточных сетях.
– Узнаете, какие идеи лежат в основе современных сверточных сетей (MobileNet, ResNet, EfficientNet, etc.)
– Разберетесь в DL-подходах к детекции объектов – изучите семейство R-CNN, реалтайм-детекторы: YOLO, SSD. А также реализуете детектор объектов самостоятельно.
– Научитесь решать задачу Deep Metric Learning с помощью сиамских сетей. Узнаете, что такое triplet loss, angular loss.
– Получите опыт в решении задачи сегментации изображений: U-Net, DeepLab.
– Научитесь применять fine tuning, transfer learning и собирать собственные датасеты для задач object detection и Image segmentation, metric learning.
– Будете работать с генеративными состязательными сетями. Поймете, как можно использовать GANs для состязательных атак и как реализовать super resolution GANs.
– Научитесь запускать модели на сервере (tensorflow serving, TFX). Познакомитесь с фреймворками для оптимизации нейросетей для инференса на мобильных/embedded-устройствах: Tensorflow Lite, TensorRT.
– Изучите архитектуры для определения Facial Landmarks: Cascade shape regression, Deep Alignment Network, Stacked Hourglass Network

Необходимые знания

– Основы мат. анализа, линейной алгебры, теории вероятностей и мат. статистики, метод обратного распространения.
– Основы программирования на Python.
– Знания, как устроены базовые архитектуры и слои нейронных сетей (сверточные/рекуррентные сети, батч-нормализация, сиамские сети и т. д.).

Программа обучения:

1 Современные архитектуры и работа сданными

Компьютерное зрение: задачи,инструменты и программа курса
Эволюция сверточных сетей: AlexNet -> ResNetX
Стандартные датасеты и модели в Tensorflow на примереподхода TransferLearning
Стандартные датасеты и модели в PyTorch на примере Fine-tuning
Подготовка и аугментация данных
Внимание в сверточных сетях.Аннотация

2 Детекция объектов и работа с видео

Классические подходы к CV, работа с OpenCV
Objectdetection 1. RCNN, FastRCNN, FasterRCNN
Objectdetection 2. YOLO, Single-Shot Detector
Landmarks: Cascade shape regression, Deep Alignment Network,Stacked Hourglass Network и другие
Работа с видео. Object tracking
Инференс на сервере

3 Сегментация и не только

Сегментация 1. U-net
Сегментация 2. DeepLab
GANs, super-resolution, adversarial attack
Работаем с 3D сценами. PointNet.
TensorRT. Адаптируем модель к девайсу

4 Проектная работа

Консультация по проекту
Консультация по проекту
Проектная работа