✅Вариант страницы одобрен авторами курса
<aside> 💡 Курс разработан при поддержке фонда и рекомендован к прослушиванию студентами в рамках Академической программы по искусственному интеллекту.
</aside>
Курс является обязательным для студентов 301 группы спецсеминара “Обработка изображений и компьютерное моделирование” кафедры математической физики, а также может быть выбран в качестве спецкурса по выбору для студентов 3 и 4 курса бакалавриата ВМК.
кандидат физ.-мат. наук, старший научный сотрудник лаборатории математических методов обработки изображений, ВМК МГУ.
Основные научные интересы: математические методы обработки и анализа изображений, обработка биомедицинских изображений.
кандидат физ.-мат. наук, старший научный сотрудник лаборатории математических методов обработки изображений, ВМК МГУ.
Основные научные интересы: математические методы повышения качества изображений, регуляризирующие методы.
кандидат физ.-мат. наук, младший научный сотрудник, лаборатория математических методов обработки изображений, ВМК МГУ.
Основные научные интересы: обработка и анализ изображений, компьютерное зрение, медицинские изображения, машинное обучение, глубокое обучение, свёрточные нейронные сети, гибридные методы.
Курс посвящен применению классических вариационных методов в обработке и анализе изображений, а также их современных аналогов и расширений, основанных на машинном обучении. Курс состоит из двух частей. В первой части представлены методы сегментации изображений, основанные на аппарате активных контуров, линий уровня, минимизации функционала Chan-Vese. В курсе рассматривается алгоритм "быстрого марширования" (fast marching), а также различные практические аспекты реализации метода активных контуров. Также обсуждается метод обучаемых активных контуров. Во второй части курса излагается ряд постановок задач повышения качества изображений, для решения которых применяются вариационные методы, основанные на методе регуляризации Тихонова: шумоподавление, повышение разрешения изображений, восстановление размытых изображений, многокадровое суперразрешение, заполнение пустот. Рассматриваются аспекты выбора параметров регуляризирующих методов с учётом специфики решаемой задачи. Для решения задачи минимизации регуляризирующих функционалов предлагаются современные численные методы, в том числе широко используемые в задачах оптимизации параметров свёрточных нейронных сетей, позволяющие достичь качественный результат за минимальное число итераций. Курс включает 2 практических задания по каждой из частей.
В рамках практикума по курсу студентам предлагается выполнить два задания с использованием языка Python 3 - по одному по каждой из частей курса. Задание по первой части связано с реализацией алгоритма сегментации изображений с помощью метода активных контуров. Задание имеет творческий характер и предполагает экспериментирование с параметрами метода. Задание по второй части связано с реализацией алгоритма восстановления размытых и зашумлённых изображений с помощью регуляризирующих методов. Задание имеет творческий характер и предполагает экспериментирование с параметрами регуляризирующих методов и численных методов. Дополнительно к оценкам используется рейтинговая система, добавляющая соревновательный эффект: решения студентов ранжируется по качеству получаемых результатов, а студенты, получившие лучшие результаты, получают дополнительные бонусы на экзамене.