Maps (командный проект) — различия между версиями
Материал из Wiki - Факультет компьютерных наук
Строка 49: | Строка 49: | ||
=== Критерии оценки === | === Критерии оценки === | ||
− | Проект исследовательский, поэтому нет четких критериев оценки. | + | Проект исследовательский, поэтому нет четких критериев оценки. Все зависит от вашей дисциплинированности на семинарах и выполнения требований. |
=== Контактная информация === | === Контактная информация === | ||
С вопросами пишите на @dasimagin в телеграм. | С вопросами пишите на @dasimagin в телеграм. |
Версия 14:25, 21 сентября 2017
Компания | Yandex |
Учебный семестр | Осень 2017 |
Учебный курс | 3-й курс |
Максимальное количество студентов, выбравших проект: 3-5 | |
Что это за проект?
Это образовательно-исследовательский проект. Сегодня делаются первые шаги для автоматического создания карт на основе различных сигналов: снимки спутника, gps-треки, объезды городов (панорамы). Возможны следующие интересные темы:
- Можно заняться сегментацией снимков спутника, а именно выделение: гидрографии, растительности, зданий и дорог.
- Анализ gps-треков для восстановления и атрибутирования дорожного графа.
- На основе панорам реконструировать сцену и распознать объекты инфраструктуры (дорожные знаки, светофоры, пешеходны переходы, остановки и т.п.).
Работа будет проходить в формате семинаров. К сожалению, в качестве источников данных можно использовать только открытые.
Чему научатся студенты? Что самое интересное в проекте?
- Изучение современных подходов реконструкции сцены
- Обучение с учителем
- Погружение в исследовательскую деятельность
- Процесс ревью
- Работа на семинарах
- Чтение современных статей
Организация работы (Как студенты будут работать в команде?)
- Работа будет проходить в виде семинаров, где будут разбираться статьи и рассматриваться результаты последнего спринта (agile подход).
- Вы будете делать доклады и читать код друг друга.
- Каждый исследует свой кусок.
Какие будут использоваться технологии?
- Разработка будет вестись на С++ и Python3.
- Код будет храниться в открытом репозитории github.
- Наиболее вероятно будем использовать opencv и pcl.
- Для обучения моделей tensorflow.
Какие начальные требования?
- Знания C++ и Python3
- Хорошая математическая подготовка, основы машинного обучения
- Много свободного времени
- Хорошее знание английского
Темы вводных занятий
Темы могут варьироваться от уровня студентов, попробуем разобраться в: 1. Как можно реконструировать сцену. 2. Детектирование одного объекта на различных снимках. 3. Вводная по нейросетям и сегментации.
Критерии оценки
Проект исследовательский, поэтому нет четких критериев оценки. Все зависит от вашей дисциплинированности на семинарах и выполнения требований.
Контактная информация
С вопросами пишите на @dasimagin в телеграм.