МИНОБРНАУКИ РОССИИ
федеральное государственное бюджетное образовательное учреждение высшего образования
«Алтайский государственный университет»

Компьютерное зрение

рабочая программа дисциплины
Закреплена за кафедройКафедра информатики
Направление подготовки09.04.01. Информатика и вычислительная техника
ПрофильИнженерия искусственного интеллекта
Форма обученияОчная
Общая трудоемкость3 ЗЕТ
Учебный план09_04_01_Информатика и вычислительная техника_ИИИ-2022
Часов по учебному плану 108
в том числе:
аудиторные занятия 36
самостоятельная работа 72
Виды контроля по семестрам
зачеты: 3

Распределение часов по семестрам

Курс (семестр) 2 (3) Итого
Недель 18
Вид занятий УПРПДУПРПД
Лекции 18 18 18 18
Практические 18 18 18 18
Сам. работа 72 72 72 72
Итого 108 108 108 108

Программу составил(и):
канд. физ.-мат. наук, Козлов Д.Ю.

Рецензент(ы):
канд. физ.-мат. наук, Пономарев И.В.

Рабочая программа дисциплины
Компьютерное зрение

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования - магистратура по направлению подготовки 09.04.01 Информатика и вычислительная техника (приказ Минобрнауки России от 19.09.2017 г. № 918)

составлена на основании учебного плана:
09.04.01 Информатика и вычислительная техника
утвержденного учёным советом вуза от 29.10.2021 протокол № 1/1.

Рабочая программа одобрена на заседании кафедры
Кафедра информатики

Протокол от 29.06.2022 г. № 11
Срок действия программы: 2022-2023 уч. г.

Заведующий кафедрой
Козлов Денис Юрьевич


Визирование РПД для исполнения в очередном учебном году

Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2023-2024 учебном году на заседании кафедры

Кафедра информатики

Протокол от 29.06.2022 г. № 11
Заведующий кафедрой Козлов Денис Юрьевич


1. Цели освоения дисциплины

1.1.В рамках дисциплины «Компьютерное зрение» студенты узнают, как использовать глубокие нейронные сети для классификации изображений, сегментации и обнаружения объектов. Рассмотрят особый тип архитектуры нейронной сети, пригодный для анализа изображений – сверточная нейронная сеть. Обучающимся предоставляется возможность получить комплексное всестороннее представление о предварительно обученных нейронных сетях для анализа изображений.

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.О.3

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ОПК-9Способен разрабатывать алгоритмы и программные средства для решения задач в области создания и применения искусственного интеллекта
ОПК-9.1 Применяет инструментальные среды, программно-технические платформы для решения задач в области создания и применения искусственного интеллекта.
ОПК-9.2 Разрабатывает оригинальные программные средства для решения задач в области создания и применения искусственного интеллекта.
ПК-7Способен руководить проектами по созданию, внедрению и использованию одной или нескольких сквозных цифровых субтехнологий искусственного интеллекта в прикладных областях
ПК-7.1 Руководит проектами в области сквозной цифровой субтехнологии «Компьютерное зрение».
ПК-7.2 Руководит проектами в области сквозной цифровой субтехнологии «Обработка естественного языка».
ПК-7.3 Исследует и анализирует развитие новых направлений и перспективных методов и технологий в области искусственного интеллекта, участвует в исследовательских проектах по развитию перспективных направлений в области искусственного интеллекта.(алгоритмическая имитация биологических систем принятия решений, автономное самообучение и развитие адаптивности алгоритмов к новым задачам, автономная декомпозиция сложных задач, поиск и синтез решений).
В результате освоения дисциплины обучающийся должен
3.1.Знать:
3.1.1.Применяет инструментальные среды, программно-технические платформы для решения задач в области создания и применения искусственного интеллекта
Знает принципы построения систем компьютерного зрения, методы и подходы к планированию и реализации проектов по созданию систем искусственного интеллекта на основе сквозной цифровой субтехнологии «Компьютерное зрение»
3.2.Уметь:
3.2.1.Разрабатывает оригинальные программные средства для решения задач в области создания и применения искусственного интеллекта
Умеет руководить проектами по созданию, внедрению и поддержке систем искусственного интеллекта на основе сквозной цифровой
субтехнологии «Компьютерное зрение»
3.3.Иметь навыки и (или) опыт деятельности (владеть):
3.3.1.

4. Структура и содержание дисциплины

Код занятия Наименование разделов и тем Вид занятия Семестр Часов Компетенции Литература
Раздел 1. Современные подходы к решению задач компьютерного зрения
1.1. Обзор некоторых задач компьютерного зрения; Особенности представления изображения в цифровом виде; Принципы цифровой обработки изображений; Основные операции цифровой обработки изображений Лекции 3 2 Л2.1, Л1.1, Л1.2
1.2. Обзор некоторых задач компьютерного зрения; Особенности представления изображения в цифровом виде; Принципы цифровой обработки изображений; Основные операции цифровой обработки изображений Практические 3 2 Л2.1, Л1.1, Л1.2
1.3. Обзор некоторых задач компьютерного зрения; Особенности представления изображения в цифровом виде; Принципы цифровой обработки изображений; Основные операции цифровой обработки изображений Сам. работа 3 10 Л2.1, Л1.1, Л1.2
Раздел 2. Особенности использования методов машинного обучения в задачах компьютерного зрения
2.1. Предмет машинного обучения; Виды признаков изображений; Обзор некоторых методов решения задач компьютерного зрения с использованием машинного обучение; Особенности глубоких нейронных сетей и их место среди методов решения задач компьютерного зрения Лекции 3 2 Л2.1, Л1.1, Л1.2
2.2. Предмет машинного обучения; Виды признаков изображений; Обзор некоторых методов решения задач компьютерного зрения с использованием машинного обучение; Особенности глубоких нейронных сетей и их место среди методов решения задач компьютерного зрения Практические 3 2 Л2.1, Л1.1, Л1.2
2.3. Предмет машинного обучения; Виды признаков изображений; Обзор некоторых методов решения задач компьютерного зрения с использованием машинного обучение; Особенности глубоких нейронных сетей и их место среди методов решения задач компьютерного зрения Сам. работа 3 10 Л2.1, Л1.1, Л1.2
Раздел 3. Особенности нейронных сетей и их обучение на примере полносвязных нейронных сетей
3.1. Описание слоя нейронной сети; Процедура прямого прохождения; Метод обратного распространения ошибки; Стохастический градиентный спуск и его виды; Проблемы обучения методом обратного распространения ошибки; Обзор функций активации; Инициализация весовых параметров нейронных сетей; Особенности выбора функций активации нейронных сетей; Регуляризация обучения нейронных сетей: лассо, Тихонов, дропаут, батчнорм (и др. нормализации); Аугментация изображений; Предобучение нейронных сетей; Перенос обучения; Методы дообучения нейронных сетей Лекции 3 2 Л2.1, Л1.1, Л1.2
3.2. Описание слоя нейронной сети; Процедура прямого прохождения; Метод обратного распространения ошибки; Стохастический градиентный спуск и его виды; Проблемы обучения методом обратного распространения ошибки; Обзор функций активации; Инициализация весовых параметров нейронных сетей; Особенности выбора функций активации нейронных сетей; Регуляризация обучения нейронных сетей: лассо, Тихонов, дропаут, батчнорм (и др. нормализации); Аугментация изображений; Предобучение нейронных сетей; Перенос обучения; Методы дообучения нейронных сетей Практические 3 2 Л2.1, Л1.1, Л1.2
3.3. Описание слоя нейронной сети; Процедура прямого прохождения; Метод обратного распространения ошибки; Стохастический градиентный спуск и его виды; Проблемы обучения методом обратного распространения ошибки; Обзор функций активации; Инициализация весовых параметров нейронных сетей; Особенности выбора функций активации нейронных сетей; Регуляризация обучения нейронных сетей: лассо, Тихонов, дропаут, батчнорм (и др. нормализации); Аугментация изображений; Предобучение нейронных сетей; Перенос обучения; Методы дообучения нейронных сетей Сам. работа 3 10 Л2.1, Л1.1, Л1.2
Раздел 4. Особенности задачи классификации изображений с использованием сверточных нейронных сетей
4.1. Виды сверток в сверточных нейронных сетях; Виды передискретизации (пулинга и интерполяция); Обзор архитектур сверточных нейронных сетей для решения задачи классификации. Тренды развития архитектур сверточных нейронных сетей Лекции 3 2 Л2.1, Л1.1, Л1.2
4.2. Виды сверток в сверточных нейронных сетях; Виды передискретизации (пулинга и интерполяция); Обзор архитектур сверточных нейронных сетей для решения задачи классификации. Тренды развития архитектур сверточных нейронных сетей Практические 3 2 Л2.1, Л1.1, Л1.2
4.3. Виды сверток в сверточных нейронных сетях; Виды передискретизации (пулинга и интерполяция); Обзор архитектур сверточных нейронных сетей для решения задачи классификации. Тренды развития архитектур сверточных нейронных сетей Сам. работа 3 10 Л2.1, Л1.1, Л1.2
Раздел 5. Особенности задач семантической сегментации и сводящихся к ним задач компьютерного зрения
5.1. Задача сегментации; Архитектуры сверточных нейронных сетей семантической сегментации; Транспонированная свертка; Слои повышения разрешения Лекции 3 4 Л2.1, Л1.1, Л1.2
5.2. Задача сегментации; Архитектуры сверточных нейронных сетей семантической сегментации; Транспонированная свертка; Слои повышения разрешения Практические 3 4 Л2.1, Л1.1, Л1.2
5.3. Задача сегментации; Архитектуры сверточных нейронных сетей семантической сегментации; Транспонированная свертка; Слои повышения разрешения Сам. работа 3 12 Л2.1, Л1.1, Л1.2
Раздел 6. Особенности задач поиска и выделения объектов на изображениях и сводящиеся к ним задачи компьютерного зрения
6.1. Обзор особенностей архитектур нейронных сетей многоэтапного поиска и выделения объектов на изображениях; Обзор особенностей архитектур для экземплярной сегментации; Обзор особенностей архитектур одноэтапного поиска и выделения объектов. Обзор задач, сводящихся к поиску и выделению объектов на изображениях Лекции 3 4 Л2.1, Л1.1, Л1.2
6.2. Обзор особенностей архитектур нейронных сетей многоэтапного поиска и выделения объектов на изображениях; Обзор особенностей архитектур для экземплярной сегментации; Обзор особенностей архитектур одноэтапного поиска и выделения объектов. Обзор задач, сводящихся к поиску и выделению объектов на изображениях Практические 3 4 Л2.1, Л1.1, Л1.2
6.3. Обзор особенностей архитектур нейронных сетей многоэтапного поиска и выделения объектов на изображениях; Обзор особенностей архитектур для экземплярной сегментации; Обзор особенностей архитектур одноэтапного поиска и выделения объектов. Обзор задач, сводящихся к поиску и выделению объектов на изображениях Сам. работа 3 10 Л2.1, Л1.1, Л1.2
Раздел 7. Обзор задачи генерирования изображений, и их представления, а также сводящихся к ним задачи компьютерного зрения и методы их решения при помощи глубоких нейронных сетей
7.1. Особенности задачи генерации изображений; Особенности автоэнкодеров, в том числе вариационный автоэнкодер; Виды генеративно-состязательных нейронных сетей; Обзор некоторых нестандартных задач компьютерного зрения и методов их решения Лекции 3 2 Л2.1, Л1.1, Л1.2
7.2. Особенности задачи генерации изображений; Особенности автоэнкодеров, в том числе вариационный автоэнкодер; Виды генеративно-состязательных нейронных сетей; Обзор некоторых нестандартных задач компьютерного зрения и методов их решения Практические 3 2 Л2.1, Л1.1, Л1.2
7.3. Особенности задачи генерации изображений; Особенности автоэнкодеров, в том числе вариационный автоэнкодер; Виды генеративно-состязательных нейронных сетей; Обзор некоторых нестандартных задач компьютерного зрения и методов их решения Сам. работа 3 10 Л2.1, Л1.1, Л1.2

5. Фонд оценочных средств

5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины
в приложении
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.)
в приложении
5.3. Фонд оценочных средств для проведения промежуточной аттестации
в приложении
Приложения

6. Учебно-методическое и информационное обеспечение дисциплины

6.1. Рекомендуемая литература
6.1.1. Основная литература
Авторы Заглавие Издательство, год Эл. адрес
Л1.1 Кудрявцев Н. Г., Фролов И. Н. Практика применения компьютерного зрения и элементов машинного обучения в учебных проектах: учебное пособие : , 2022 e.lanbook.com
Л1.2 Матвеев А. И. Цифровая обработка изображений в OpenCv. Практикум: Учебное пособие для вузов: Издательство "Лань", 2022 e.lanbook.com
6.1.2. Дополнительная литература
Авторы Заглавие Издательство, год Эл. адрес
Л2.1 Ян Эрик Солем Программирование компьютерного зрения на языке Python: Самоучители и руководства Издательство "ДМК Пресс", 2016 e.lanbook.com
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет"
Название Эл. адрес
Э1 Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных www.machinelearning.ru
Э2 Дьяков А. Глубокое обучение github.com
Э3 Михаил Романов, Игорь Слинько, Николай Копырин, Антон Попов. Нейронные сети и компьютерное зрение stepik.org
Э4 Drive into deep learning, Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J. 2021 d2l.ai
Э5 Deep Learning Book. Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 www.deeplearningbook.org
Э6 М.В. Ронкин Компьютерное зрение. https://github.com/MVRonkin/Computer- Vision-Course_lec-practice
Э7 Deep learning theory lecture notes Matus Telgarsky 2021 mjt.cs.illinois.edu
Э8 Онлайн курс “Программирование глубоких нейронных сетей на Python” openedu.ru
Э9 Компьютерное зрение portal.edu.asu.ru
6.3. Перечень программного обеспечения
Браузер (Google Chrome, Mozilia Firefox)

Используется бесплатно-распространяемое программное обеспечение:
1. Python – https://www.python.org/
2. PyTorch - https://pytorch.org/
3. TensorFlow, Keras - https://www.tensorflow.org/
4. opencv - https://opencv.org/
5. skimage - https://scikit-image.org/
6. Anaconda solution - https://www.anaconda.com/
7. Веб - среда разработки для языка программирования Python: google colab - https://colab.research.google.com/



Microsoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно);
Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно);
Chrome (http://www.chromium.org/chromium-os/licenses), (бессрочно); 7-Zip (http://www.7-zip.org/license.txt), (бессрочно);
AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно);
ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно);
LibreOffice (https://ru.libreoffice.org/), (бессрочно);
Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно);
Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024);
Архиватор Ark (https://apps.kde.org/ark/), (бессрочно);
Okular (https://okular.kde.org/ru/download/), (бессрочно);
Редактор изображений Gimp (https://www.gimp.org/), (бессрочно)
6.4. Перечень информационных справочных систем
Профессиональные базы данных, информационно-справочные системы
1. Цифровая библиотека научно-технических изданий Института инженеров по
электротехнике и радиоэлектронике (Institute of Electrical and Electronic Engineers (IEEE)) на
английском языке – http://www.ieee.org/ieeexplore
2. Oxford University Press – http://www.oxfordjournals.org/en/
3. Архив препринтов с открытым доступом – https://arxiv.org/
Материалы для лиц с ОВЗ
Весь контент ЭБС представлен в виде файлов специального формата для воспроизведения
синтезатором речи, а также в тестовом виде, пригодном для прочтения с использованием
экранной лупы и настройкой контрастности.
Базы данных, информационно-справочные и поисковые системы
1. Academic Search Ultimate EBSCO publishing – http://search.ebscohost.com
2. eBook Collections Springer Nature – https://link.springer.com/
3. Гугл Академия – https://scholar.google.ru/
4. СПС КонсультантПлюс (инсталлированный ресурс АлтГУ или http://www.consultant.ru/).
5. Электронная база данных «Scopus» (http://www.scopus.com);
6. Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/)
7. Электронный научный архив УрФУ https://elar.urfu.ru/
8. Зональная научная библиотека (УрФУ) - http://lib.urfu.ru/
9. Портал информационно-образовательных ресурсов УрФУ https://study.urfu.ru/
10. Электронно-библиотечная система «Лань» – https://e.lanbook.com/
11. Университетская библиотека ONLINE – https://biblioclub.ru/
12. Электронно-библиотечная система "Библиокомплектатор" (IPRbooks) http://www.bibliocomplectator.ru/available
13. Электронные информационные ресурсы Российской государственной библиотеки https://www.rsl.ru/
14. Научная электронная библиотека «КиберЛенинка» https://cyberleninka.ru/

7. Материально-техническое обеспечение дисциплины

Аудитория Назначение Оборудование
107Л лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации Учебная мебель на 18 посадочных мест; компьютеры: марка HP, модель ProOne 400 - 18 единиц; проектор: марка SMART, модель UF70 - 1 единица; интерактивная доска: марка SMART Board модель SMB680 - 1 единица
205Л лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации Учебная мебель на 9 посадочных мест; компьютеры: марка КламаС Офис, мониторы: марка ACER модель V223HQL - 8 единиц; доска интерактивная Triumph MULTI TOUCH 78 + проектор NEC UM280X в комплекте
204Л лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации Учебная мебель на 14 посадочных мест; компьютеры: марка DEPO модель Neos 260 - 14 единиц; Интерактивная доска Smart board 680 IV со встроенным проектором v25
Учебная аудитория для проведения занятий лекционного типа, занятий семинарского типа (лабораторных и(или) практических), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проектирования (выполнения курсовых работ), проведения практик Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска, мультимедийное оборудование стационарное или переносное)

8. Методические указания для обучающихся по освоению дисциплины

Изучение дисциплины завершается зачетом. Успешное изучение дисциплины требует посещения лекций, активной работы на лабораторных работах, выполнения всех практических заданий преподавателя, ознакомления с основной и дополнительной литературой. Во время лекции студент должен вести краткий конспект. При этом обучающийся должен стараться найти ответы на затруднительные вопросы, используя рекомендуемую литературу или общедоступные ресурсы. Если ему самостоятельно не удалось разобраться в материале, необходимо сформулировать вопросы и обратится за помощью к преподавателю на консультации или ближайшей лекции. Выполнение студентами практических заданий направлено на:
- обобщение, систематизацию, углубление, закрепление полученных теоретических знаний по конкретным темам дисциплин;
- формирование необходимых профессиональных умений и навыков.
Помимо собственно выполнения практических заданий для каждого задания предусмотрена процедура защиты, в ходе которой преподаватель проводит устный или письменный опрос студентов для контроля понимания выполненных ими действий по теме занятия.
Самостоятельная работа.
- При изучении дисциплины не все вопросы рассматриваются на занятиях, часть вопросов рекомендуется преподавателем для самостоятельного изучения.
- Поиск ответов на вопросы и выполнение заданий для самостоятельной работы позволит вам расширить и углубить свои знания по курсу, применить теоретические знания в решении задач практического содержания, закрепить изученное ранее.
- Эти задания следует выполнять не «наскоком», а постепенно, планомерно, следуя порядку изучения тем курса.
- При возникновении вопросов обратитесь к преподавателю в день консультаций на кафедру.
- Выполнив их, проанализируйте качество их выполнения. Это поможет вам развивать умения самоконтроля и оценочные компетенции.
При подготовке к зачету в дополнение к изучению конспектов лекций, учебно-методических материалов и слайдов, необходимо пользоваться учебной литературой, рекомендованной настоящей программой. При подготовке к зачету нужно изучить определения всех понятий и теоретические подходы до состояния понимания материала, а также выполнить все практические задания в курсе.