http://wiki.cs.hse.ru/api.php?action=feedcontributions&user=%D0%92%D0%B0%D0%B4%D0%B8%D0%BC%D0%93%D0%BE%D1%80%D0%B1%D0%B0%D1%87%D1%91%D0%B2&feedformat=atomWiki - Факультет компьютерных наук - Вклад участника [ru]2024-03-29T15:21:28ZВклад участникаMediaWiki 1.23.2http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE%D0%BF%D0%BE%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%BF%D0%BE%D0%B8%D1%81%D0%BA%D0%B0_%D0%B8_%D0%B2%D1%8B%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F_%D1%80%D0%B5%D0%BA%D0%BB%D0%B0%D0%BC%D1%8BАнализ видеопоследовательностей для автоматического поиска и выделения рекламы2017-03-10T12:45:11Z<p>ВадимГорбачёв: /* Критерии оценки */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Анализ видеопотока для автоматического удаления рекламы<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=<br />
|number_of_students=6<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
=== Чему вы научитесь? ===<br />
Работать с библиотекой анализа изображений и видео OpenCV<br />
<br />
Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео<br />
<br />
Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++/Python<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Visual Word<br />
<br />
Bag of Words<br />
<br />
Optical Flow<br />
<br />
=== Темы вводных занятий ===<br />
Особые точки на изображениях, что такое особые точки на видео<br />
<br />
Метод "мешка слов"<br />
<br />
Оптический поток <br />
<br />
Поиск подпоследовательностей<br />
<br />
=== Направления развития ===<br />
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)<br />
<br />
=== Критерии оценки ===<br />
Выделить и кластеризовать особые точки на видео, сопоставить видеопоследовательности последовательность "визуальных слов" - 4<br />
<br />
Выполнить поиск рекламных роликов в видеопоследовательности (записи эфира) используя методы поиска подстрок в строках 5-6<br />
<br />
Выполнить поиск повторяющихся последовательностей (рекламных роликов) в видеопоследовательности используя методы поиска подстрок в строках 7<br />
<br />
Выполнить поиск рекламных роликов в видеопоследовательности (записи эфира) используя методы неточного выравнивания последовательностей (методы биоинформатики) 8<br />
<br />
Выполнить поиск повторяющихся последовательностей (рекламных роликов) в видеопоследовательности используя методы неточного выравнивания последовательностей 9<br />
<br />
Выполнить анализ оптического потока для уточнения границы сцен - 10<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE%D0%BF%D0%BE%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%BF%D0%BE%D0%B8%D1%81%D0%BA%D0%B0_%D0%B8_%D0%B2%D1%8B%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F_%D1%80%D0%B5%D0%BA%D0%BB%D0%B0%D0%BC%D1%8BАнализ видеопоследовательностей для автоматического поиска и выделения рекламы2016-10-25T10:33:28Z<p>ВадимГорбачёв: </p>
<hr />
<div>{{Карточка_проекта<br />
|name=Анализ видеопотока для автоматического удаления рекламы<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=<br />
|number_of_students=5<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
=== Чему вы научитесь? ===<br />
Работать с библиотекой анализа изображений и видео OpenCV<br />
<br />
Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео<br />
<br />
Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++/Python<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Visual Word<br />
<br />
Bag of Words<br />
<br />
Optical Flow<br />
<br />
=== Темы вводных занятий ===<br />
Особые точки на изображениях, что такое особые точки на видео<br />
<br />
Метод "мешка слов"<br />
<br />
Оптический поток <br />
<br />
Поиск подпоследовательностей<br />
<br />
=== Направления развития ===<br />
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)<br />
<br />
=== Критерии оценки ===<br />
Выделить и кластеризовать особые точки на видео - 4-5<br />
<br />
Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7<br />
<br />
Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9<br />
<br />
Выполнить анализ оптического потока для уточнения границы сцен - 10<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE%D0%BF%D0%BE%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%BF%D0%BE%D0%B8%D1%81%D0%BA%D0%B0_%D0%B8_%D0%B2%D1%8B%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F_%D1%80%D0%B5%D0%BA%D0%BB%D0%B0%D0%BC%D1%8BАнализ видеопоследовательностей для автоматического поиска и выделения рекламы2016-10-14T09:23:41Z<p>ВадимГорбачёв: </p>
<hr />
<div>{{Карточка_проекта<br />
|name=Анализ видеопотока для автоматического удаления рекламы<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=<br />
|number_of_students=4<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
=== Чему вы научитесь? ===<br />
Работать с библиотекой анализа изображений и видео OpenCV<br />
<br />
Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео<br />
<br />
Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++/Python<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Visual Word<br />
<br />
Bag of Words<br />
<br />
Optical Flow<br />
<br />
=== Темы вводных занятий ===<br />
Особые точки на изображениях, что такое особые точки на видео<br />
<br />
Метод "мешка слов"<br />
<br />
Оптический поток <br />
<br />
Поиск подпоследовательностей<br />
<br />
=== Направления развития ===<br />
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)<br />
<br />
=== Критерии оценки ===<br />
Выделить и кластеризовать особые точки на видео - 4-5<br />
<br />
Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7<br />
<br />
Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9<br />
<br />
Выполнить анализ оптического потока для уточнения границы сцен - 10<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-10-13T13:56:59Z<p>ВадимГорбачёв: /* Ориентировочное расписание занятий */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация Random Forest (RF)-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели Conditional Random Field (CRF)<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обучения Fully-convolutional Network (FCN) + FCRF<br />
<br />
Творческий подход к решению задачи приветствуется, за реализацию собственных успешных идей баллы будут добавляться.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE%D0%BF%D0%BE%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%BF%D0%BE%D0%B8%D1%81%D0%BA%D0%B0_%D0%B8_%D0%B2%D1%8B%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F_%D1%80%D0%B5%D0%BA%D0%BB%D0%B0%D0%BC%D1%8BАнализ видеопоследовательностей для автоматического поиска и выделения рекламы2016-10-13T13:56:44Z<p>ВадимГорбачёв: /* Ориентировочное расписание занятий */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Анализ видеопотока для автоматического удаления рекламы<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=<br />
|number_of_students=3<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
=== Чему вы научитесь? ===<br />
Работать с библиотекой анализа изображений и видео OpenCV<br />
<br />
Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео<br />
<br />
Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++/Python<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Visual Word<br />
<br />
Bag of Words<br />
<br />
Optical Flow<br />
<br />
=== Темы вводных занятий ===<br />
Особые точки на изображениях, что такое особые точки на видео<br />
<br />
Метод "мешка слов"<br />
<br />
Оптический поток <br />
<br />
Поиск подпоследовательностей<br />
<br />
=== Направления развития ===<br />
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)<br />
<br />
=== Критерии оценки ===<br />
Выделить и кластеризовать особые точки на видео - 4-5<br />
<br />
Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7<br />
<br />
Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9<br />
<br />
Выполнить анализ оптического потока для уточнения границы сцен - 10<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Понедельник, вторник или четверг вечером, суббота утром. Будние утром по договорённости</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-30T14:43:18Z<p>ВадимГорбачёв: /* Критерии оценки */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация Random Forest (RF)-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели Conditional Random Field (CRF)<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обучения Fully-convolutional Network (FCN) + FCRF<br />
<br />
Творческий подход к решению задачи приветствуется, за реализацию собственных успешных идей баллы будут добавляться.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-30T14:40:45Z<p>ВадимГорбачёв: /* Критерии оценки */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация Random Forest (RF)-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели Conditional Random Field (CRF)<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обучения Fully-convolutional Network (FCN) + FCRF<br />
<br />
При реализации методов, но низких результатах на тестовых изображениях баллы будут снижаться.<br />
Творческий подход к решению задачи приветствуется, за реализацию собственных успешных идей баллы будут добавляться.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-27T09:03:27Z<p>ВадимГорбачёв: /* Критерии оценки */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация Random Forest (RF)-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели Conditional Random Field (CRF)<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обучения Fully-convolutional Network (FCN) + FCRF<br />
<br />
При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-27T09:02:27Z<p>ВадимГорбачёв: /* Критерии оценки */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация Random Forest (RF)-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели Conditional Random Field (CRF)<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обучения FCN+FCRF<br />
<br />
При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-27T09:01:48Z<p>ВадимГорбачёв: /* Критерии оценки */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация Random Forest (RF)-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели CRF<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обучения FCN+FCRF<br />
<br />
При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE%D0%BF%D0%BE%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%BF%D0%BE%D0%B8%D1%81%D0%BA%D0%B0_%D0%B8_%D0%B2%D1%8B%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F_%D1%80%D0%B5%D0%BA%D0%BB%D0%B0%D0%BC%D1%8BАнализ видеопоследовательностей для автоматического поиска и выделения рекламы2016-09-26T16:51:18Z<p>ВадимГорбачёв: /* Направления развития */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Анализ видеопотока для автоматического удаления рекламы<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=<br />
|number_of_students=3<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
=== Чему вы научитесь? ===<br />
Работать с библиотекой анализа изображений и видео OpenCV<br />
<br />
Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео<br />
<br />
Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++/Python<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Visual Word<br />
<br />
Bag of Words<br />
<br />
Optical Flow<br />
<br />
=== Темы вводных занятий ===<br />
Особые точки на изображениях, что такое особые точки на видео<br />
<br />
Метод "мешка слов"<br />
<br />
Оптический поток <br />
<br />
Поиск подпоследовательностей<br />
<br />
=== Направления развития ===<br />
Сделать возможным работу алгоритма в режиме online в видеопотоке (с помощью буферизации)<br />
<br />
=== Критерии оценки ===<br />
Выделить и кластеризовать особые точки на видео - 4-5<br />
<br />
Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7<br />
<br />
Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9<br />
<br />
Выполнить анализ оптического потока для уточнения границы сцен - 10<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Понедельник или четверг вечером</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE%D0%BF%D0%BE%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%BF%D0%BE%D0%B8%D1%81%D0%BA%D0%B0_%D0%B8_%D0%B2%D1%8B%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F_%D1%80%D0%B5%D0%BA%D0%BB%D0%B0%D0%BC%D1%8BАнализ видеопоследовательностей для автоматического поиска и выделения рекламы2016-09-26T16:50:17Z<p>ВадимГорбачёв: Новая страница, с помощью формы Новый_проект</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Анализ видеопотока для автоматического удаления рекламы<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=<br />
|number_of_students=3<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
=== Чему вы научитесь? ===<br />
Работать с библиотекой анализа изображений и видео OpenCV<br />
<br />
Основным принципам анализа видео как трёхмерной структуры и использованием трёхмерных особых точек для анализа видео<br />
<br />
Концепции "мешка слов", которая применяется в различных видах поиска - текстов, изображений, видео<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++/Python<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Visual Word<br />
<br />
Bag of Words<br />
<br />
Optical Flow<br />
<br />
=== Темы вводных занятий ===<br />
Особые точки на изображениях, что такое особые точки на видео<br />
<br />
Метод "мешка слов"<br />
<br />
Оптический поток <br />
<br />
Поиск подпоследовательностей<br />
<br />
=== Направления развития ===<br />
Оптимизировать проект, сделать возможным работы в потоке online с помощью буферизации<br />
<br />
=== Критерии оценки ===<br />
Выделить и кластеризовать особые точки на видео - 4-5<br />
<br />
Найти выбранный вручную ролик в видеопоследовательности (записи эфира) 6-7<br />
<br />
Выполнить поиск повторяющихся последовательностей на видеопоследовательности для автоматического выявления рекламных роликов 8-9<br />
<br />
Выполнить анализ оптического потока для уточнения границы сцен - 10<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Понедельник или четверг вечером</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:28:33Z<p>ВадимГорбачёв: /* Что это за проект? */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели CRF<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обучения FCN+FCRF<br />
<br />
При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:27:47Z<p>ВадимГорбачёв: /* Критерии оценки */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели CRF<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обучения FCN+FCRF<br />
<br />
При определении оценки решающим будет результат алгоритмов на тестовых снимках. Творческий подход к решению задачи приветствуется.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:24:03Z<p>ВадимГорбачёв: /* Что это за проект? */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки городской и загородной местности, для которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели CRF<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обчения FCN+FCRF<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:22:41Z<p>ВадимГорбачёв: /* Направления развития */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
<br />
Обучение алгоритма на слаборазмеченных данных<br />
<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
<br />
Расширение количества классов<br />
<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели CRF<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обчения FCN+FCRF<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:22:27Z<p>ВадимГорбачёв: /* Критерии оценки */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
Обучение алгоритма на слаборазмеченных данных<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
Расширение количества классов<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
<br />
5 - Реализация RF-обучения на суперпикселях<br />
<br />
6 - Реализация RF-обучения + модели CRF<br />
<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
<br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
<br />
10 - Реализация обчения FCN+FCRF<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:22:01Z<p>ВадимГорбачёв: /* Какие будут использоваться технологии? */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
<br />
Методы анализа и обработки изображений: Super-pixel, CRF/FCRF, CNN/FCN<br />
<br />
Методы классификации: Random Forest, SSVM, ANN-CNN-FCN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
Обучение алгоритма на слаборазмеченных данных<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
Расширение количества классов<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
5 - Реализация RF-обучения на суперпикселях<br />
6 - Реализация RF-обучения + модели CRF<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
10 - Реализация обчения FCN+FCRF<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:21:21Z<p>ВадимГорбачёв: /* Какие начальные требования? */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
<br />
Английский язык для чтения статей<br />
<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
Методы анализа и обработки изображений:<br />
Super-pixel<br />
CRF/FCRF<br />
CNN/FCN<br />
Методы классификации:<br />
Random Forest<br />
SSVM<br />
ANN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
Обучение алгоритма на слаборазмеченных данных<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
Расширение количества классов<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
5 - Реализация RF-обучения на суперпикселях<br />
6 - Реализация RF-обучения + модели CRF<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
10 - Реализация обчения FCN+FCRF<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:21:05Z<p>ВадимГорбачёв: /* Чему вы научитесь? */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
Английский язык для чтения статей<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
Методы анализа и обработки изображений:<br />
Super-pixel<br />
CRF/FCRF<br />
CNN/FCN<br />
Методы классификации:<br />
Random Forest<br />
SSVM<br />
ANN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
Обучение алгоритма на слаборазмеченных данных<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
Расширение количества классов<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
5 - Реализация RF-обучения на суперпикселях<br />
6 - Реализация RF-обучения + модели CRF<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
10 - Реализация обчения FCN+FCRF<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:20:49Z<p>ВадимГорбачёв: /* Чему вы научитесь? */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
<br />
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)).<br />
<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
Английский язык для чтения статей<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
Методы анализа и обработки изображений:<br />
Super-pixel<br />
CRF/FCRF<br />
CNN/FCN<br />
Методы классификации:<br />
Random Forest<br />
SSVM<br />
ANN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
Обучение алгоритма на слаборазмеченных данных<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
Расширение количества классов<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
5 - Реализация RF-обучения на суперпикселях<br />
6 - Реализация RF-обучения + модели CRF<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
10 - Реализация обчения FCN+FCRF<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:20:37Z<p>ВадимГорбачёв: /* Что это за проект? */</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
<br />
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.<br />
<br />
Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
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)).<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
Английский язык для чтения статей<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
Методы анализа и обработки изображений:<br />
Super-pixel<br />
CRF/FCRF<br />
CNN/FCN<br />
Методы классификации:<br />
Random Forest<br />
SSVM<br />
ANN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
Обучение алгоритма на слаборазмеченных данных<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
Расширение количества классов<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
5 - Реализация RF-обучения на суперпикселях<br />
6 - Реализация RF-обучения + модели CRF<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
10 - Реализация обчения FCN+FCRF<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B4%D0%BB%D1%8F_%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%82%D0%BA%D0%B8_%D0%B0%D1%8D%D1%80%D0%BE%D1%84%D0%BE%D1%82%D0%BE%D1%81%D0%BD%D0%B8%D0%BC%D0%BA%D0%BE%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Семантическая сегментация изображений для автоматической разметки аэрофотоснимков (проект)2016-09-16T17:19:56Z<p>ВадимГорбачёв: Новая страница, с помощью формы Новый_проект</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Семантическая сегментация изображений для<br />
|mentor=Горбачёв Вадим<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Осень 2016<br />
|course=2<br />
|summer=on<br />
|number_of_students=8<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
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.<br />
Студентам будут предложены реальные аэрофотоснимки местности с уже созданной разметкой, на которых уже осуществлена разметка. Они будут использоваться для обучения и проверки алгоритмов.<br />
<br />
=== Чему вы научитесь? ===<br />
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. <br />
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)).<br />
Кроме того у студентов будет возможность принять участие в актуальном контесте по данной тематике - ISPRS 2D Semantic Labeling Contest.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python или Java<br />
Английский язык для чтения статей<br />
Опыт работы с OpenCV приветствуется<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
Методы анализа и обработки изображений:<br />
Super-pixel<br />
CRF/FCRF<br />
CNN/FCN<br />
Методы классификации:<br />
Random Forest<br />
SSVM<br />
ANN<br />
<br />
=== Темы вводных занятий ===<br />
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.<br />
<br />
=== Направления развития ===<br />
GPU оптимизация обучения/классификации<br />
Обучение алгоритма на слаборазмеченных данных<br />
Использование помимо оптических снимков ИК-снимков (NIR), карт высот (DSM)<br />
Расширение количества классов<br />
Адаптация к задачам сегментации произвольных изображений (не аэрофотоснимков)<br />
Участие в контестах Pascal VOC Segmentation Competition / ImageNet Large Scale Visual Recognition Challenge<br />
<br />
=== Критерии оценки ===<br />
4 - Реализация RF-обучения на пикселях<br />
5 - Реализация RF-обучения на суперпикселях<br />
6 - Реализация RF-обучения + модели CRF<br />
7 - Реализация обучения на признаках от CNN *или* Реализация RF-обучения + модели FCRF<br />
8 - Реализация обучения на признаках от CNN + обучение модели CRF *или* Обучение FCN <br />
9 - Реализация обучения на признаках от CNN + обучение модели FCRF *или* Обучение FCN + CRF<br />
10 - Реализация обчения FCN+FCRF<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Четверг или Понедельник</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%9F%D0%BE%D0%B8%D1%81%D0%BA_%D0%BF%D0%BE_%D0%BA%D0%B0%D1%80%D1%82%D0%B8%D0%BD%D0%BA%D0%B0%D0%BC_%D0%BD%D0%B0_%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%D0%B5_%D1%80%D0%B0%D1%81%D0%BF%D0%BE%D0%B7%D0%BD%D0%B0%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B0%D1%84%D0%B8%D1%88_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Поиск по картинкам на примере распознавания афиш (проект)2016-02-04T08:25:02Z<p>ВадимГорбачёв: изменил время встреч</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Поиск по картинкам на примере распознавания афиш<br />
|mentor=Вадим Горбачёв<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Весна 2016<br />
|course=1<br />
|summer=<br />
|number_of_students=6<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
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.<br />
<br />
[http://www.slideshare.net/katyacherniak/ss-57407247 (презентация проекта)]<br />
<br />
=== Чему вы научитесь? ===<br />
* Основам компьютерного зрения, обработки и анализа изображений. <br />
<br />
* Работе с библиотекой компьютерного зрения OpenCV.<br />
<br />
* Принципам работы с изображениями как с наборами визуальных слов для эффективного поиска по изображениям.<br />
<br />
* Общим принципам индексации и поиска в индексированных массивах данных.<br />
<br />
* Методам нахождения и выбора гипотез (закономерностей) при сильно зашумлённых данных.<br />
<br />
=== Какие начальные требования? ===<br />
* Программирование на С++ или Python.<br />
<br />
* Желание изучать компьютерное зрение, работать с изображениями<br />
<br />
=== Какие будут использоваться технологии? ===<br />
* OpenCV<br />
<br />
* K-means кластеризация<br />
<br />
* Bag-Of-Words<br />
<br />
* RANSAC<br />
<br />
=== Темы вводных занятий ===<br />
* Работа с изображениями. <br />
<br />
* Библиотека OpenCV.<br />
<br />
* Особые точки на изображениях. <br />
<br />
* Детекторы и дескрипторы особых точек.<br />
<br />
* Технология мешка слов (Bag Of Words).<br />
<br />
* Оценка расположения изображений друг относительно друга. <br />
<br />
* Метод определения расположения с помощью случайных гипотез (RANSAC).<br />
<br />
=== Направления развития ===<br />
* Ускорение результатов поиска, построение инвертированного индекса.<br />
<br />
* Коррекция результатов поиска, учитывающая возможные геометрические и ракурсные искажения исходного изображения.<br />
<br />
* Разработка мобильного приложения для фотографирования афиш и их последующего распознавания и выдачи информации о фильме или покупки билетов в кино.<br />
<br />
* Распознавание зданий на фотографиях.<br />
<br />
=== Критерии оценки ===<br />
4-5: Создать базу изображений. Найти особые точки на изображениях и посчитать их дескрипторы. Кластеризовать дескрипторы, выделить визуальные слова.<br />
<br />
6: Организовать поиск наиболее похожего объекта по визуальным словам.<br />
<br />
7: Создать инвертированный индекс базы изображений, производить поиск только среди объектов у которых есть общие слова.<br />
<br />
8-10: Анализировать геометрические связи между изображениями. Отсекать изображения-кандидаты, геометрически не соответствующие изображению-запросу.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
<br />
Четверг 18:15-19:45</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:%D0%92%D0%B0%D0%B4%D0%B8%D0%BC%D0%93%D0%BE%D1%80%D0%B1%D0%B0%D1%87%D1%91%D0%B2Участник:ВадимГорбачёв2016-01-20T11:19:22Z<p>ВадимГорбачёв: </p>
<hr />
<div>[[Файл:Vadim Gorbachev.jpg|мини|справа|Вадим Горбачёв]]<br />
{{Карточка_ментора<br />
|categorize = yes<br />
}}<br />
<br />
'''Горбачёв Вадим Александрович'''<br />
<br />
=Образование=<br />
* МФТИ, факультет управления и прикладной математики. Диплом с отличием<br />
* Школа анализа данных Яндекса (ШАД)<br />
* Аспирантура МФТИ. Защитил диссертацию на степень кандидата физ-мат наук<br />
<br />
<br />
=Контакты= <br />
* http://vk.com/vadim.gorbachev<br />
* https://www.facebook.com/profile.php?id=100003506260158<br />
* skype: vadus13<br />
* vadus13@yandex.ru<br />
<br />
<br />
=Области знаний и интересов=<br />
* Анализ и распознавание изображений<br />
* Компьютерное зрение<br />
* Машинное обучение<br />
* Фотограмметрия<br />
<br />
<br />
=Место работы=<br />
* ФГУП "ГосНИИАС", лаборатория геоинформационных технологий<br />
* МФТИ, кафедра управляющих и информационных систем<br />
<br />
<br />
=Помимо работы=<br />
* Скалолазание<br />
* Парные танцы<br />
* Бег по пересечённой местности с препятствиями<br />
* Бадминтон<br />
* Сноуборд</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A4%D0%B0%D0%B9%D0%BB:Vadim_Gorbachev.jpgФайл:Vadim Gorbachev.jpg2016-01-20T11:12:17Z<p>ВадимГорбачёв: Вадим Горбачёв</p>
<hr />
<div>Вадим Горбачёв</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:%D0%92%D0%B0%D0%B4%D0%B8%D0%BC%D0%93%D0%BE%D1%80%D0%B1%D0%B0%D1%87%D1%91%D0%B2Участник:ВадимГорбачёв2016-01-20T11:10:43Z<p>ВадимГорбачёв: Личная страничка, начальный вариант</p>
<hr />
<div>{{Карточка_ментора<br />
|categorize = yes<br />
}}<br />
<br />
'''Горбачёв Вадим Александрович'''<br />
<br />
=Образование=<br />
* МФТИ, факультет управления и прикладной математики. Диплом с отличием<br />
* Школа анализа данных Яндекса (ШАД)<br />
* Аспирантура МФТИ. Защитил диссертацию на степень кандидата физ-мат наук<br />
<br />
<br />
=Контакты= <br />
* http://vk.com/vadim.gorbachev<br />
* https://www.facebook.com/profile.php?id=100003506260158<br />
* skype: vadus13<br />
* vadus13@yandex.ru<br />
<br />
<br />
=Области знаний и интересов=<br />
* Анализ и распознавание изображений<br />
* Компьютерное зрение<br />
* Машинное обучение<br />
* Фотограмметрия<br />
<br />
<br />
=Место работы=<br />
* ФГУП "ГосНИИАС"<br />
* МФТИ, кафедра управляющих и информационных систем<br />
<br />
<br />
=Помимо работы=<br />
* Скалолазание<br />
* Парные танцы<br />
* Бег по пересечённой местности с препятствиями<br />
* Бадминтон<br />
* Сноуборд</div>ВадимГорбачёвhttp://wiki.cs.hse.ru/%D0%9F%D0%BE%D0%B8%D1%81%D0%BA_%D0%BF%D0%BE_%D0%BA%D0%B0%D1%80%D1%82%D0%B8%D0%BD%D0%BA%D0%B0%D0%BC_%D0%BD%D0%B0_%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%D0%B5_%D1%80%D0%B0%D1%81%D0%BF%D0%BE%D0%B7%D0%BD%D0%B0%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B0%D1%84%D0%B8%D1%88_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)Поиск по картинкам на примере распознавания афиш (проект)2016-01-20T10:32:51Z<p>ВадимГорбачёв: Новая страница, с помощью формы Новый_проект</p>
<hr />
<div>{{Карточка_проекта<br />
|name=Поиск по картинкам на примере распознавания афиш<br />
|mentor=Вадим Горбачёв<br />
|mentor_login={{URLENCODE:ВадимГорбачёв|WIKI}}<br />
|semester=Весна 2016<br />
|course=1<br />
|summer=<br />
|number_of_students=6<br />
|categorize=yes<br />
}}<br />
<br />
=== Что это за проект? ===<br />
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.<br />
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.<br />
<br />
=== Чему вы научитесь? ===<br />
Основам компьютерного зрения, обработки и анализа изображений. Работе с библиотекой компьютерного зрения OpenCV.<br />
Принципам работы с изображениями как с наборами визуальных слов для эффективного поиска по изображениям.<br />
Общим принципам индексации и поиска в индексированных массивах данных.<br />
Методам нахождения и выбора гипотез (закономерностей) при сильно зашумлённых данных.<br />
<br />
=== Какие начальные требования? ===<br />
Программирование на С++ или Python.<br />
Желание изучать компьютерное зрение, работать с изображениями<br />
<br />
=== Какие будут использоваться технологии? ===<br />
OpenCV<br />
K-means кластеризация<br />
Bag-Of-Words<br />
RANSAC<br />
<br />
=== Темы вводных занятий ===<br />
Работа с изображениями. Библиотека OpenCV.<br />
Особые точки на изображениях. Детекторы и дескрипторы особых точек.<br />
Технология мешка слов (Bag Of Words).<br />
Оценка расположения изображений друг относительно друга. Метод определения расположения с помощью случайных гипотез (RANSAC).<br />
<br />
=== Направления развития ===<br />
Ускорение результатов поиска, построение инвертированного индекса.<br />
Коррекция результатов поиска, учитывающая возможные геометрические и ракурсные искажения исходного изображения.<br />
Разработка мобильного приложения для фотографирования афиш и их последующего распознавания и выдачи информации о фильме или покупки билетов в кино.<br />
Распознавание зданий на фотографиях.<br />
<br />
=== Критерии оценки ===<br />
4-5: Создать базу изображений. Найти особые точки на изображениях и посчитать их дескрипторы. Кластеризовать дескрипторы, выделить визуальные слова.<br />
6: Организовать поиск наиболее похожего объекта по визуальным словам.<br />
7: Создать инвертированный индекс базы изображений, производить поиск только среди объектов у которых есть общие слова.<br />
8-10: Анализировать геометрические связи между изображениями. Отсекать изображения-кандидаты, геометрически не соответствующие изображению-запросу.<br />
<br />
=== Ориентировочное расписание занятий ===<br />
Пн 11:00-19:00<br />
Пт 11:00-18:00</div>ВадимГорбачёв