Нейросетевые методы обработки изображений (В.В.Китов)
Материал из MachineLearning.
(→Экзамен) |
|||
| (102 промежуточные версии не показаны) | |||
| Строка 1: | Строка 1: | ||
| - | |||
__NOTOC__ | __NOTOC__ | ||
| + | [[Категория:Учебные курсы]] | ||
| + | |||
| + | ==О курсе== | ||
| + | Спецкурс проходит на ф-те ВМиК в весеннем семестре и посвящен задаче автоматической стилизации изображений, в которой входное изображение необходимо отобразить в стиле, задаваемым другим изображением. Например, это может быть стилизация семейной фотографии под стиль известного художника, либо стилизация дневного фото в ночное, либо преобразование фотогрфии в схематичную книжную иллюстрацию. Для решения задачи существуют современные подходы переноса стиля (style transfer) и генеративно-состязательные сети (generative adversarial networks). Эта задача широко используется в индустрии разлечений (например, мобильное приложение Prisma было самым скачиваемым на Android в странах СНГ в течение 10 дней после выхода), при обработке фотографий и дизайне (функции стилизации были добавлены в Adobe Photoshop 2021), может применяться в мультипликации, наложении спецэффектов в фильмах, видеоиграх и средствах дополненной реальности, а также для более точной настройки методов машинного при обучении на одной предметной области, а применении модели к другой (transfer learning). Помимо изображений указанный подход применим для видеопоследовательностей и данных из других предметных областей (текст, речь и музыка). Основные методы стилизации были предложены в последние 7 лет и опираются на глубокие нейронные сети, базовому изучению которых посвящена начальная часть курса. | ||
| + | |||
| + | Занятия проходят в формате лекций. В процессе прохождения курса каждый студент должен сделать презентацию основных идей и подходов одной из недавних статей, посвященных стилизации изображений, а также представить свои идеи улучшений традиционных методов стилизации изображений и их обосновать. | ||
| + | |||
| + | ==Экзамен== | ||
| + | [https://disk.yandex.ru/i/isoVOoVDo2DObw список билетов]. | ||
| - | |||
| - | |||
==Лектор== | ==Лектор== | ||
| - | [[Участник:Victor Kitov|Виктор Владимирович Китов]], к.ф.-м.н., преподаватель кафедры [[Mmp|математических методов прогнозирования]] [http://cmc.msu.ru ВМК МГУ]. Почта: v.v.kitov(at)yandex.ru. | + | [[Участник:Victor Kitov|Виктор Владимирович Китов]], к.ф.-м.н., преподаватель кафедры [[Mmp|математических методов прогнозирования]] [http://cmc.msu.ru ВМК МГУ]. |
| + | |||
| + | Телеграм: VictorKitov | ||
| + | |||
| + | Почта: v.v.kitov(at)yandex.ru. | ||
| + | |||
| + | ==Время занятий== | ||
| + | По вторникам 16-20 - 17-55, ауд. 609. | ||
| + | Первое занятие будет 14.02.2023. | ||
| + | |||
| + | ==Лекции== | ||
| + | |||
| + | [https://disk.yandex.ru/i/L3-gyBerNhNH5g Задачи глубокого обучения.] | ||
| + | |||
| + | [https://disk.yandex.ru/i/X92ZQYaDmJdMSA Нейросети. Многослойный персептрон.] | ||
| + | |||
| + | [https://disk.yandex.ru/i/yzx2n6_GAeknVA Оптимизация нейросетей.] | ||
| + | |||
| + | [https://disk.yandex.ru/i/1Myn1D-_A-nxRg Сверточные нейросети.] | ||
| + | |||
| + | [https://disk.yandex.ru/i/lZEK0TYOIg2Dhw Оптимизационный метод переноса стиля.] | ||
| + | |||
| + | [https://disk.yandex.ru/i/lLfe3zOC0IX28Q Трансформационный метод переноса стиля.] | ||
| + | |||
| + | [https://disk.yandex.ru/i/9jzeENMDEA3-eA Патчевый метод переноса стиля.] | ||
| - | + | [https://disk.yandex.ru/i/4RMfxk1Lg5eC9Q Технические улучшения методов стилизации изображений.] | |
| - | + | ||
| - | + | [https://disk.yandex.ru/i/GJQPwB02CJXoaA Концептуальные улучшения методов стилизации изображений.] | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| + | [https://disk.yandex.ru/i/f7D9e7dX-iOfjA Мульти-стилевые трансформационные модели.] | ||
| - | + | [https://disk.yandex.ru/i/G2nm-lSOWWRIgw Сингулярное разложение.] | |
| - | + | [https://disk.yandex.ru/i/ng48clrTsdE_6w Семантическая сегментация.] | |
| - | [https:// | + | |
| + | [https://disk.yandex.ru/i/gN5hPPNT8V8EdQ Детекция объектов и instance-сегментация.] | ||
=Рекомендуемые ресурсы= | =Рекомендуемые ресурсы= | ||
| - | * Примеры переноса стиля для видео: [https://www.youtube.com/watch?v=Khuj4ASldmU пример 1], [https://www.youtube.com/watch?v= | + | * Примеры переноса стиля для видео: [https://www.youtube.com/watch?v=Khuj4ASldmU пример 1], [https://www.youtube.com/watch?v=vMyMUNvsGfQ пример 2], [https://www.youtube.com/watch?v=BcflKNzO31A пример 3]. |
* [https://arxiv.org/pdf/1705.04058.pdf Обзорная статья по переносу стиля для изображений.] | * [https://arxiv.org/pdf/1705.04058.pdf Обзорная статья по переносу стиля для изображений.] | ||
* [https://www.youtube.com/playlist?list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv Лекции курса в Стэнфорде по сверточным нейронным сетям.] | * [https://www.youtube.com/playlist?list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv Лекции курса в Стэнфорде по сверточным нейронным сетям.] | ||
| + | * [http://www.pittnuts.com/2015/07/top-conferences-on-machine-learning-and-computer-vision/ Топовые конференции по машинному обучению и компьютерному зрению] (самые интересные статьи там) | ||
| + | * [https://scholar.google.ru/ Поиск google по статьям.] | ||
| + | * [https://pytorch.org/tutorials/ Образовательные материалы по библиотеке глубинного обучения PyTorch.] | ||
* [http://d2l.ai/index.html Книга по глубинному обучению.] | * [http://d2l.ai/index.html Книга по глубинному обучению.] | ||
Текущая версия
О курсе
Спецкурс проходит на ф-те ВМиК в весеннем семестре и посвящен задаче автоматической стилизации изображений, в которой входное изображение необходимо отобразить в стиле, задаваемым другим изображением. Например, это может быть стилизация семейной фотографии под стиль известного художника, либо стилизация дневного фото в ночное, либо преобразование фотогрфии в схематичную книжную иллюстрацию. Для решения задачи существуют современные подходы переноса стиля (style transfer) и генеративно-состязательные сети (generative adversarial networks). Эта задача широко используется в индустрии разлечений (например, мобильное приложение Prisma было самым скачиваемым на Android в странах СНГ в течение 10 дней после выхода), при обработке фотографий и дизайне (функции стилизации были добавлены в Adobe Photoshop 2021), может применяться в мультипликации, наложении спецэффектов в фильмах, видеоиграх и средствах дополненной реальности, а также для более точной настройки методов машинного при обучении на одной предметной области, а применении модели к другой (transfer learning). Помимо изображений указанный подход применим для видеопоследовательностей и данных из других предметных областей (текст, речь и музыка). Основные методы стилизации были предложены в последние 7 лет и опираются на глубокие нейронные сети, базовому изучению которых посвящена начальная часть курса.
Занятия проходят в формате лекций. В процессе прохождения курса каждый студент должен сделать презентацию основных идей и подходов одной из недавних статей, посвященных стилизации изображений, а также представить свои идеи улучшений традиционных методов стилизации изображений и их обосновать.
Экзамен
Лектор
Виктор Владимирович Китов, к.ф.-м.н., преподаватель кафедры математических методов прогнозирования ВМК МГУ.
Телеграм: VictorKitov
Почта: v.v.kitov(at)yandex.ru.
Время занятий
По вторникам 16-20 - 17-55, ауд. 609. Первое занятие будет 14.02.2023.
Лекции
Нейросети. Многослойный персептрон.
Оптимизационный метод переноса стиля.
Трансформационный метод переноса стиля.
Патчевый метод переноса стиля.
Технические улучшения методов стилизации изображений.
Концептуальные улучшения методов стилизации изображений.
Мульти-стилевые трансформационные модели.
Детекция объектов и instance-сегментация.
Рекомендуемые ресурсы
- Примеры переноса стиля для видео: пример 1, пример 2, пример 3.
- Обзорная статья по переносу стиля для изображений.
- Лекции курса в Стэнфорде по сверточным нейронным сетям.
- Топовые конференции по машинному обучению и компьютерному зрению (самые интересные статьи там)
- Поиск google по статьям.
- Образовательные материалы по библиотеке глубинного обучения PyTorch.
- Книга по глубинному обучению.
