Вы получите глубокие знания о адверсарных сетях и сможете генерировать наиболее реалистичные данные благодаря этой 100% онлайн-программе"

Компьютерное зрение — важная область машинного обучения для большинства технологических компаний. Эта технология позволяет компьютерам и системам извлекать значимую информацию из цифровых изображений, видео и других визуальных данных. Среди его многочисленных преимуществ — повышенная точность производственных процессов и исключение человеческого фактора. Таким образом, эти приборы обеспечивают высочайшее качество продукции и облегчают поиск и устранение неисправностей в процессе производства.

Учитывая эту реальность, TECH разрабатывает Специализированную магистратуру, которая будет детально посвящена компьютерному зрению. Разработанная экспертами в этой области, учебная программа будет углубляться в обработку 3D-изображений. В связи с этим в ходе обучения студенты получат самое современное программное обеспечение для визуализации данных. В программе также будет уделено внимание анализу глубокого обучения, учитывая его актуальность для работы с большими и сложными наборами данных. Это позволит студентам обогатить свои обычные рабочие процедуры самыми современными алгоритмами и моделями. Кроме того, в учебных материалах будет представлен широкий спектр методов компьютерного зрения с использованием различных фреймворков (включая Keras, Tensorflow v2 Pytorch).

Что касается формата этого университетской программы, то она на 100% основана на онлайн-методике. Студенты должны иметь электронное устройство с доступом в Интернет (например, компьютер, мобильный телефон или планшет), чтобы получить доступ к Виртуальному кампусу. Здесь вы найдете библиотеку, полную мультимедийных ресурсов, которые помогут вам укрепить свои знания в динамике. Стоит отметить, что TECH использует инновационную методологию Relearning во всех своих программах, что позволит студентам усваивать знания естественным образом, подкрепляя их аудиовизуальными ресурсами, чтобы они надолго оставались в памяти.

Вы будете специализироваться в ключевой области будущих технологий, что сразу же продвинет вашу карьеру"

Данная Специализированная магистратура в области компьютерного зрения содержит самую полную и современную образовательную программу на рынке. Основными особенностями обучения являются:

• Разбор практических кейсов, представленных экспертами в области информатики и компьютерного зрения
• Наглядное, схематичное и исключительно практичное содержание курса предоставляет научную и практическую информацию по тем дисциплинам, которые необходимы для осуществления профессиональной деятельности
• Практические упражнения для самопроверки, контроля и улучшения успеваемости
• Особое внимание уделяется инновационным методологиям
• Теоретические занятия, вопросы эксперту, дискуссионные форумы по спорным темам и самостоятельная работа
• Учебные материалы курса доступны с любого стационарного или мобильного устройства с выходом в интернет

Хотите специализироваться на метриках оценки? Достигните этого с помощью данного обучения всего за 12 месяцев"

В преподавательский состав программы входят профессионалы отрасли, признанные специалисты из ведущих сообществ и престижных университетов, которые привносят в обучение опыт своей работы.

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит специалисту проходить обучение с учетом контекста и ситуации, т.е. в симулированной среде, обеспечивающей иммерсивный учебный процесс, запрограммированный на обучение в реальных ситуациях.

Структура этой программы основана на проблемно-ориентированном обучении, с помощью которого специалист должен попытаться разрешать различные ситуации из профессиональной практики, возникающие в течение учебного курса. В этом специалистам поможет инновационная интерактивная видеосистема, созданная признанными экспертами.

Вы сможете эффективно использовать глубокое обучение для решения самых сложных задач"

Вы получите доступ к системе обучения, основанной на повторении, с естественным и прогрессивным методом в рамках всей учебной программы"

Эта программа предоставит студентам всеобъемлющий обзор современного состояния искусственного интеллекта. Академическая программа, состоящая из 10 комплексных модулей, рассматривает обычные алгоритмы технического зрения и предлагает последние достижения в области глубокого обучения. В учебных материалах будут представлены самые передовые методы компьютерного зрения, с тем чтобы студенты могли сразу же внедрить их в свою профессиональную практику. Кроме того, в программе подробно рассматриваются конволюционные сети, чтобы студенты могли правильно классифицировать объекты на изображениях.

Обучение без фиксированного расписания и с учебным планом, доступным с первого дня. Установите свой собственный темп обучения!"

Модуль 1. Компьютерное зрение

1.1. Человеческое восприятие

1.1.1. Зрительная система человека
1.1.2. Цвет
1.1.3. Видимые и невидимые частоты

1.2. История компьютерного зрения

1.2.1. Принципы
1.2.2. Развитие
1.2.3. Важность компьютерного зрения

1.3. Композиция цифрового изображения

1.3.1. Цифровое изображение
1.3.2. Типы изображений
1.3.3. Цветовые пространства
1.3.4. КЗС
1.3.5. HSV и HSL
1.3.6. CMY-CMYK
1.3.7. YCbCr
1.3.8. Индексированное изображение

1.4. Системы получения изображений

1.4.1. Эксплуатация цифрового фотоаппарата
1.4.2. Правильная экспозиция для каждой ситуации
1.4.3. Глубина резкости
1.4.4. Разрешение
1.4.5. Форматы изображений
1.4.6. Режим HDR
1.4.7. Камеры высокого разрешения
1.4.8. Высокоскоростные камеры

1.5. Оптические системы

1.5.1. Оптические принципы
1.5.2. Конвенциональные стратегии
1.5.3. Телецентрические стратегии
1.5.4. Типы автофокусных объективов
1.5.5. Фокусное расстояние
1.5.6. Глубина резкости
1.5.7. Оптическое искажение
1.5.8. Калибровка изображения

1.6. Системы освещения

1.6.1. Важность освещения
1.6.2. Частотная характеристика
1.6.3. Светодиодное освещение
1.6.4. Наружное освещение
1.6.5. Типы освещения для промышленного применения. Эффекты

1.7. 3D-сканер

1.7.1. Стереовидение
1.7.2. Метода триангуляции
1.7.3. Структурированный свет
1.7.4. (ToF) камера
1.7.5. Лидар

1.8. Мультиспектр

1.8.1. Мультиспектральные камеры
1.8.2. Гиперспектральные камеры

1.9. Невидимый ближний спектр

1.9.1. ИК-камеры
1.9.2. Ультрафиолетовые камеры
1.9.3. Преобразование из невидимого в видимый с помощью освещения

1.10. Другие диапазоны спектра

1.10.1. Рентген
1.10.2. Терагерцовое излучение

Модуль 2. Приложения и последнее слово техники

2.1. Промышленное применение

2.1.1. Библиотеки компьютерного зрения
2.1.2. Компактные камеры
2.1.3. Системы на базе ПК
2.1.4. Промышленная робототехника
2.1.5. Pick and place 2D
2.1.6. Bin picking
2.1.7. Контроль качества
2.1.8. Наличие отсутствие компонентов
2.1.9. Контроль размеров
2.1.10. Контроль маркировки
2.1.11. Прослеживаемость

2.2. Автономные транспортные средства

2.2.1. Система помощи водителю
2.2.2. Автономное вождение

2.3. Компьютерное зрение для анализа содержания

2.3.1. Сортировка содержимого
2.3.2. Модерация визуального контента
2.3.3. Системы отслеживания
2.3.4. Идентификация брендов и логотипов
2.3.5. Маркировка и классификация видеоматериалов
2.3.6. Обнаружение изменения сцены
2.3.7. Извлечение текстов или кредитов

2.4. Медицинское применение

2.4.1. Выявление и локализация заболеваний
2.4.2. Рак и рентгеновский анализ
2.4.3. Достижения в области компьютерного зрения на примере Covid19
2.4.4. Помощь в операционной

2.5. Применение в космосе

2.5.1. Анализ спутниковых изображений
2.5.2. Компьютерное зрение для изучения космоса
2.5.3. Миссия на Марс

2.6. Применение в коммерческих целях

2.6.1. Контроль запасов
2.6.2. Видеонаблюдение, домашняя безопасность
2.6.3. Парковочные камеры
2.6.4. Камеры для контроля численности населения
2.6.5. Камеры контроля скорости

2.7. Применение в робототехнике

2.7.1. Дроны
2.7.2. AGV
2.7.3. Зрение в сотрудничающих роботах
2.7.4. Глаза роботов

2.8. Дополненная реальность

2.8.1. Операции
2.8.2. Приборы
2.8.3. Применение в промышленности
2.8.4. Применение в коммерческих целях

2.9. Облачные вычисления

2.9.1. Платформы облачных вычислений
2.9.2. От облачных вычислений к производству

2.10. Исследования и последнее слово техники

2.10.1. Научное сообщество
2.10.2. Что на повестке дня
2.10.3. Будущее компьютерного зрения

Модуль 3. Цифровая обработка изображений

3.1. Условия разработки компьютерного зрения

3.1.1. Библиотеки компьютерного зрения
3.1.2. Среда программирования
3.1.3. Инструменты визуализации

3.2. Цифровая обработка изображений

3.2.1. Соотношение пикселей
3.2.2. Операции с изображениями
3.2.3. Геометрические преобразования

3.3. Операции на пиксельном уровне

3.3.1. Гистограмма
3.3.2. Преобразования из гистограммы
3.3.3. Операции над цветными изображениями

3.4. Логические и арифметические операции

3.4.1. Сложение и вычитание
3.4.2. Продукт и подразделение
3.4.3. And / Nand
3.4.4. Or / Nor
3.4.5. Xor / Xnor

3.5. Фильтры

3.5.1. Маски и свертка
3.5.2. Линейная фильтрация
3.5.3. Нелинейная фильтрация
3.5.4. Анализ Фурье

3.6. Морфологические операции

3.6.1. Erode and Dilating
3.6.2. Closing and Open
3.6.3. Top_hat и Black hat
3.6.4. Обнаружение контуров
3.6.5. Структура
3.6.6. Заполнение отверстий
3.6.7. Convex hull

3.7. Инструменты для анализа изображений

3.7.1. Обнаружение краев
3.7.2. Обнаружение пятен
3.7.3. Контроль размеров
3.7.4. Проверка цвета

3.8. Сегментация объектов

3.8.1. Сегментация изображений
3.8.2. Классические методы сегментации
3.8.3. Применение в реальных условиях

3.9. Калибровка изображения

3.9.1. Калибровка изображения
3.9.2. Методы калибровки
3.9.3. Процесс калибровки в системе 2D камера/робот

3.10. Обработка изображений в реальной среде

3.10.1. Анализ проблематики
3.10.2. Обработка изображений
3.10.3. Извлечение признаков
3.10.4. Окончательные результаты

Модуль 4. Продвинутая цифровая обработка изображений

4.1. Оптическое распознавание символов (OCR)

4.1.1. Предварительная обработка изображений
4.1.2. Обнаружение текста
4.1.3. Распознавание текста

4.2. Считывание кода

4.2.1. 1D-коды
4.2.2. 2D коды
4.2.3. Области применения

4.3. Поиск паттернов

4.3.1. Поиск паттернов
4.3.2. Паттерны, основанные на уровне серого цвета
4.3.3. Паттерны на основе контуров
4.3.4. Паттерны на основе геометрических фигур
4.3.5. Другие техники

4.4. Отслеживание объектов с помощью обычного зрения

4.4.1. Извлечение фона
4.4.2. Meanshift
4.4.3. Camshift
4.4.4. Optical flow

4.5. Система распознавания лиц

4.5.1. Обнаружение лицевого ориентира
4.5.2. Области применения
4.5.3. Система распознавания лиц
4.5.4. Распознавание эмоций

4.6. Построение и выравнивание

4.6.1. Stitching
4.6.2. Композиция изображений
4.6.3. Фотомонтаж

4.7. Расширенный динамический диапазон (HDR) и фотометрическое стерео

4.7.1. Увеличенный динамический диапазон
4.7.2. Составление изображений для улучшения контуров
4.7.3. Техники использования динамических приложений

4.8. Сжатие изображений

4.8.1. Сжатие изображений
4.8.2. Типы сжатия
4.8.3. Методы сжатия изображений

4.9. Обработка видео

4.9.1. Последовательности изображений
4.9.2. Видеоформаты и видеокодеки
4.9.3. Чтение видео
4.9.4. Обработка кадров

4.10. Реальное применение обработки изображений

4.10.1. Анализ проблематики
4.10.2. Обработка изображений
4.10.3. Извлечение признаков
4.10.4. Окончательные результаты

Модуль 5. Обработка 3D-изображений

5.1. 3D-изображение

5.1.1. 3D-изображение
5.1.2. Программное обеспечение для обработки 3d изображений и визуализации
5.1.3. Программное обеспечение для метрологии

5.2. Open3D

5.2.1. Библиотека обработки трехмерных данных
5.2.2. Характеристики
5.2.3. Установка и использование

5.3. Данные

5.3.1. Карты глубины двумерного изображения
5.3.2. Облако точек
5.3.3. Нормы
5.3.4. Поверхности

5.4. Визуализация

5.4.1. Визуализация данных
5.4.2. Контроль
5.4.3. Веб-визуализация

5.5. Фильтры

5.5.1. Расстояние между точками, удаление выбросов
5.5.2. Фильтр высоких частот
5.5.3. Downsampling

5.6. Геометрия и извлечение признаков

5.6.1. Извлечение профиля
5.6.2. Измерение глубины
5.6.3. Объем
5.6.4. 3D геометрические фигуры
5.6.5. Планы
5.6.6. Проекция точки
5.6.7. Геометрические расстояния
5.6.8. K-d дерево
5.6.9. Функции 3D

5.7. Оформление и составление сетки

5.7.1. Конкатенация
5.7.2. ICP
5.7.3. Ransac 3D

5.8. Распознавание трехмерных объектов

5.8.1. Поиск объекта в 3D-сцене
5.8.2. Сегментация
5.8.3. Bin picking

5.9. Анализ поверхности

5.9.1. Smoothing
5.9.2. Ориентируемые поверхности
5.9.3. Octree

5.10. Метода триангуляции

5.10.1. От создания сетки до облака точек
5.10.2. Триангуляция карт глубины
5.10.3. Триангуляция неупорядоченных облаков точек

Модуль 6. Глубокое обучение

6.1. Искусственный интеллект

6.1.1. Машинное обучение
6.1.2. Глубокое обучение
6.1.3. "Взрыв" популярности глубокого обучения. Почему сейчас

6.2. Нейронные сети

6.2.1. Нейронная сеть
6.2.2. Применение нейронных сетей
6.2.3. Линейная регрессия и перцептрон
6.2.4. Forward propagation
6.2.5. Backpropagation
6.2.6. Feature vectors

6.3. Функции потерь (loss functions)

6.3.1. Loss function
6.3.2. Виды функции потерь
6.3.3. Выбор функции потерь

6.4. Функции активации

6.4.1. Функции активации
6.4.2. Линейные функции
6.4.3. Нелинейные функции
6.4.4. Функции активации выходного и скрытого слоев

6.5. Регуляризация и стандартизация

6.5.1. Регуляризация и стандартизация
6.5.2. Переобучение и увеличение данных
6.5.3. Методы регуляризации: L1, L2 и отсев
6.5.4. Методы нормализации: Batch, Weight, Layer

6.6. Оптимизация

6.6.1. Gradient Descent
6.6.2. Стохастический градиентный спуск
6.6.3. Мини-пакетный градиентный спуск
6.6.4. Momentum
6.6.5. Adam

6.7. Настройка гиперпараметров и вес

6.7.1. Гиперпараметры
6.7.2. Batch Size vs Learning Rate vs Step Decay
6.7.3. Веса

6.8. Метрики оценки нейронных сетей

6.8.1. Accuracy
6.8.2. Dice coefficient
6.8.3. Sensitivity vs Specificity / Recall vs precision
6.8.4. ROC-кривая (AUC)
6.8.5. F1-score
6.8.6. Матрица запутанности
6.8.7. Кросс-валидация

6.9. Фреймворк и аппартное обеспечение

6.9.1. Tensor Flow
6.9.2. Pytorch
6.9.3. Caffe
6.9.4. Keras
6.9.5. Аппаратное обеспечение для этапа обучения

6.10. Создание нейронной сети – обучение и валидация

6.10.1. Набор данных
6.10.2. Создание сети
6.10.3. Обучение
6.10.4. Визуализация результатов

Модуль 7. Конволюционные сети и классификация изображений

7.1. Конволюционные нейронные сети

7.1.1. Введение
7.1.2. Конволюция
7.1.3. Сверточные нейронные сети: строительные блоки

7.2. Типы слоев CNN

7.2.1. Конволюционный
7.2.2. Активация
7.2.3. Пакетная нормализация
7.2.4. Polling
7.2.5. Полносвязная нейронная сеть

7.3. Метрические данные

7.3.1. Метод матричной путаницы
7.3.2. Accuracy
7.3.3. Четкость
7.3.4. Recall
7.3.5. F1 Score
7.3.6. ROC Curve
7.3.7. AUC

7.4. Основные архитектуры

7.4.1. AlexNet
7.4.2. VGG
7.4.3. Resnet
7.4.4. GoogleLeNet

7.5. Классификация изображений

7.5.1. Введение
7.5.2. Анализ данных
7.5.3. Подготовка данных
7.5.4. Обучение модели
7.5.5. Валидация модели

7.6. Практические соображения по обучению CNN

7.6.1. Выбор оптимизатора
7.6.2. Изменение скорости обучение
7.6.3. Тестирование конвейеров обучения
7.6.4. Обучение с регуляризацией

7.7. Передовой опыт в области глубокого обучения

7.7.1. Трансфертное обучение
7.7.2. Тонкая настройка
7.7.3. Расширение данных

7.8. Статистическая оценка данных

7.8.1. Количество наборов данных
7.8.2. Количество меток
7.8.3. Количество изображений
7.8.4. Балансировка данных

7.9. Развертывание

7.9.1. Сохранение и загрузка моделей
7.9.2. Onnx
7.9.3. Заключение

7.10. Пример из практики: Классификация изображений

7.10.1. Анализ и подготовка данных
7.10.2. Тестирование пайплайна обучения
7.10.3. Обучение модели
7.10.4. Валидация модели

Модуль 8. Обнаружение объектов

8.1. Обнаружение и отслеживание объектов

8.1.1. Обнаружение объектов
8.1.2. Примеры использования
8.1.3. Отслеживание объектов
8.1.4. Примеры использования
8.1.5. Окклюзии, rigid and No rigid poses

8.2. Метрики оценки

8.2.1. IOU - Intersection Over Union
8.2.2. Доверительный интервал
8.2.3. Recall
8.2.4. Четкость
8.2.5. Кривая полноты—прецизионности
8.2.6. Mean Average Precision (mAP)

8.3. Традиционный метод

8.3.1. Скользящее окно
8.3.2. Метод Виолы - Джонса
8.3.3. HOG
8.3.4. Non Maximal Supresion (NMS)

8.4. Датасет

8.4.1. Pascal VC
8.4.2. MS Coco
8.4.3. ImageNet (2014)
8.4.4. MOTA Challenge

8.5. Two Shot Object Detector

8.5.1. R-CNN
8.5.2. Fast R-CNN
8.5.3. Faster R-CNN
8.5.4. Mask R-CNN

8.6. Single Shot Object Detector

8.6.1. SSD
8.6.2. YOLO
8.6.3. RetinaNet
8.6.4. CenterNet
8.6.5. EfficientDet

8.7. Backbones

8.7.1. VGG
8.7.2. ResNet
8.7.3. Mobilenet
8.7.4. Shufflenet
8.7.5. Darknet

8.8. Object Tracking

8.8.1. Классические подходы
8.8.2. Фильтры твердых частиц
8.8.3. Kalman
8.8.4. Sort tracker
8.8.5. Deep Sort

8.9. Развертывание

8.9.1. Вычислительная платформа
8.9.2. Выбор Backbone
8.9.3. Выбор фреймворка
8.9.4. Оптимизация модели
8.9.5. Версионирование моделей

8.10. Исследование: Обнаружение и отслеживание людей

8.10.1. Обнаружение людей
8.10.2. Мониторинг людей
8.10.3. Повторная идентификация
8.10.4. Подсчет людей в толпе

Модуль 9. Сегментация изображений с помощью глубокого обучения

9.1. Обнаружение и сегментация объектов

9.1.1. Семантическая сегментация

9.1.1.1. Примеры использования семантической сегментации

9.1.2. Сегментация объектов

9.1.2.1. Варианты использования сегментации объектов

9.2. Метрики оценки

9.2.1. Показатели оценки
9.2.2. Сходство с другими методами
9.2.3. Коэффициент Сёренсена (F1 Score)

9.3. Функции затрат

9.3.1. Dice Loss
9.3.2. Focal Loss
9.3.3. Tversky Loss
9.3.4. Другие функции

9.4. Традиционные методы сегментации

9.4.1. Определение порога с помощью метода Оцу и Риддлена
9.4.2. Самоорганизующиеся карты
9.4.3. Алгоритм GMM-EM

9.5. Семантическая сегментация с применением глубокого обучения: FCN

9.5.1. FCN
9.5.2. Архитектура
9.5.3. Применение FCN

9.6. Семантическая сегментация с применением глубокого обучения: U-NET

9.6.1. U-NET
9.6.2. Архитектура
9.6.3. Применение U-NET

9.7. Семантическая сегментация с применением глубокого обучения: Deep Lab

9.7.1. Deep Lab
9.7.2. Архитектура
9.7.3. Применение Deep Lab

9.8. Сегментация объектов с применением глубокого обучения: Mask RCNN

9.8.1. Mask RCNN
9.8.2. Архитектура
9.8.3. Применение Mas RCNN

9.9. Сегментация видео

9.9.1. STFCN
9.9.2. Семантические видео CNN
9.9.3. Clockwork Convnets
9.9.4. Low-Latency

9.10. Сегментация облака точек

9.10.1. Облако точек
9.10.2. PointNet
9.10.3. A-CNN

Модуль 10. Продвинутая сегментация изображений и продвинутые методы компьютерного зрения

10.1. База данных для общих проблем сегментации

10.1.1. Паскаль Контекст
10.1.2. CelebAMask-HQ
10.1.3. Набор данных Cityscapes
10.1.4. Набор данныхCCP

10.2. Семантическая сегментация в медицине

10.2.1. Семантическая сегментация в медицине
10.2.2. Наборы данных для решения медицинских проблем
10.2.3. Практическое применение

10.3. Инструменты аннотации

10.3.1. Инструмент аннотации компьютерного зрения
10.3.2. LabelMe
10.3.3. Другие инструменты

10.4. Инструменты сегментации с использованием различных фреймворков

10.4.1. Keras
10.4.2. Tensorflow v2
10.4.3. Pytorch
10.4.4. Прочее

10.5. Проект “Семантическая сегментация”. Данные, фаза 1

10.5.1. Анализ проблемы
10.5.2. Источник ввода данных
10.5.3. Анализ данных
10.5.4. Подготовка данных

10.6. Проект “Семантическая сегментация”. Обучение, фаза 2

10.6.1. Выбор алгоритма
10.6.2. Обучение
10.6.3. Оценка

10.7. Проект “Семантическая сегментация”. Результаты, фаза 3

10.7.1. Тонкая настройка
10.7.2. Презентация решения
10.7.3. Выводы

10.8. Автоэнкодеры

10.8.1. Автоэнкодеры
10.8.2. Архитектура автоэнкодера.
10.8.3. Автоэнкодеры для устранения шумов
10.8.4. Автоэнкодеры раскрашивания

10.9. Генеративно-состязательная сеть (GANs)

10.9.1. Генеративно-состязательная сеть (GANs)
10.9.2. Архитектура DCGAN
10.9.3. Условная GAN

10.10. Улучшенные генеративные адверсарные сети

10.10.1. Общий обзор проблем
10.10.2. WGAN
10.10.3. LSGAN
10.10.4. ACGAN

Воспользуйтесь возможностью узнать о последних достижениях в этой области и применить их в своей повседневной практике"