Развивайте необходимые навыки в области робототехники и компьютерного зрения, записавшись на данную Профессиональную магистерскую специализацию от TECH"

Развитие искусственного интеллекта и робототехники преобразует технологический, экономический и социальный ландшафт во всем мире. Специализация в таких областях, как компьютерное зрение, имеет решающее значение для того, чтобы оставаться впереди в эпоху быстрого прогресса и разрушительных изменений. Растущее взаимодействие между машинами и людьми, а также необходимость эффективной обработки визуальной информации требуют высококвалифицированных специалистов, способных решать задачи и руководить инновациями.

Профессиональная магистерская специализация в области робототехники и компьютерного зрения предлагает комплексную подготовку по этим развивающимся дисциплинам, охватывая, в частности, такие темы, как дополненная реальность, искусственный интеллект и обработка визуальной информации в машинах. Студенты получат пользу от теоретико-практического подхода, изучая последние достижения в области робототехники и компьютерного зрения и способы применения этих знаний в реальных условиях.

Кроме того, программа реализуется в 100% режиме онлайн, что позволяет студентам адаптировать свое обучение к личным и профессиональным обстоятельствам, облегчая им совмещение учебы с выполнением собственных обязанностей. Студенты получат доступ к высококачественным учебным материалам, таким как видеоконспекты, основная литература и подробные видеоматериалы, что позволит им получить исчерпывающее представление о робототехнике и компьютерном зрении.

Таким образом, Профессиональная магистерская специализация в области робототехники и компьютерного зрения — это уникальная возможность для специалистов в ИТ-области, желающих выделиться на высококонкурентном рынке труда и приобрести специализированные навыки в области с большим потенциалом роста.

Освойте методы компьютерного зрения и станьте экспертом в области анализа изображений и систем трехмерного зрения"

Данная Профессиональная магистерская специализация в области робототехники и компьютерного зрения содержит самую полную и актуальную образовательную программу на рынке. Основными особенностями обучения являются:

• Разбор практических кейсов, представленных экспертами в области информатики
• Наглядное, схематичное и исключительно практичное содержание курса предоставляет научную и практическую информацию по тем дисциплинам, которые необходимы для осуществления профессиональной деятельности
• Практические упражнения для самооценки, контроля и улучшения успеваемости
• Особое внимание уделяется инновационным методологиям в области робототехники и компьютерного зрения
• 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

Узнайте, как роботизированные технологии могут применяться в различных областях, таких как медицина и освоение космоса, значительно усиливая ваше ценностное предложение"

В преподавательский состав входят профессионалы в области дизайна, которые привносят в эту программу опыт своей работы, а также признанные специалисты из ведущих сообществ и престижных университетов.

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит специалисту пройти обучение с учетом ситуации и контекста, то есть в интерактивной среде, которая обеспечит погружение в учебный процесс, запрограммированный на обучение в реальных ситуациях.

В центре внимания этой программы – проблемно-ориентированное обучение, с помощью которого студент должен попытаться решить различные ситуации профессиональной практики, возникающие в течение учебной программы. Для этого специалисту будет помогать инновационная интерактивная видеосистема, созданная признанными и опытными специалистами.

Расширьте возможности своих проектов, изучив применение искусственного интеллекта и компьютерного обучения в робототехнике"

Укрепите свои навыки в алгоритмах планирования и управления для разработки интеллектуальных и эффективных роботов"

Профессиональная магистерская специализация в области робототехники и компьютерного зрения имеет такую структуру и содержание, которые гарантируют всестороннюю и специализированную подготовку в этой области. Программа рассчитана на несколько модулей, начинающихся с базовых понятий и постепенно переходящих к более сложным и конкретным темам. У студентов будет возможность узнать о проектировании, программировании и управлении роботами, а также об алгоритмах компьютерного зрения и методах машинного обучения.

Повысьте эффективность обучения благодаря практическому и теоретическому подходу, который позволит вам решать реальные задачи в мире робототехники"

Модуль 1. Робототехника. Разработка и моделирование роботов

1.1. Робототехника и индустрия 4.0

1.1.1. Робототехника и индустрия 4.0
1.1.2. Области применения и случаи использования
1.1.3. Области специализации в области робототехники

1.2. Архитектуры аппаратного и программного обеспечения роботов

1.2.1. Аппаратные архитектуры и реальное время
1.2.2. Архитектуры программного обеспечения роботов
1.2.3. Коммуникационные модели и технологии промежуточного программного обеспечения
1.2.4. Интеграция программного обеспечения с операционной системой робота (ROS)

1.3. Математическое моделирование роботов

1.3.1. Математическое представление жестких твердых тел
1.3.2. Вращения и переводы
1.3.3. Иерархическое представление государства
1.3.4. Распределенное представление состояний в ROS (Библиотека TF)

1.4. Кинематика и динамика роботов

1.4.1. Кинематика
1.4.2. Динамика
1.4.3. Роботы с пониженной активностью
1.4.4. Резервные роботы

1.5. Моделирование и симуляция роботов

1.5.1. Технологии моделирования роботов
1.5.2. Моделирование роботов с помощью URDF
1.5.3. Моделирование роботов
1.5.4. Моделирование с помощью симулятора Gazebo

1.6. Роботы-манипуляторы

1.6.1. Типы роботов-манипуляторов
1.6.2. Кинематика
1.6.3. Динамика
1.6.4. Моделирование

1.7. Наземные мобильные роботы

1.7.1. Типы наземных мобильных роботов
1.7.2. Кинематика
1.7.3. Динамика
1.7.4. Моделирование

1.8. Воздушные мобильные роботы

1.8.1. Типы воздушных мобильных роботов
1.8.2. Кинематика
1.8.3. Динамика
1.8.4. Моделирование

1.9. Водные мобильные роботы

1.9.1. Типы водных мобильных роботов
1.9.2. Кинематика
1.9.3. Динамика
1.9.4. Моделирование

1.10. Биоинспирированные роботы

1.10.1. Гуманоиды
1.10.2. Роботы с четырьмя и более ногами
1.10.3. Модульные роботы
1.10.4. Роботы с гибкими частями (Мягкая робототехника)

Модуль 2. Интеллектуальные агенты. Применение искусственного интеллекта к роботам и мягким роботам

2.1. Интеллектуальные агенты и искусственный интеллект

2.1.1. Интеллектуальные роботы. Искусственный интеллект
2.1.2. Интеллектуальные агенты

2.1.2.1. Аппаратные агенты. Роботы
2.1.2.2. Программные агенты. Softbots

2.1.3. Применение робототехники

2.2. Связь между мозгом и алгоритмом

2.2.1. Биологическое вдохновение для искусственного интеллекта
2.2.2. Рассуждения, реализованные в алгоритмах. Типология
2.2.3. Объяснимость результатов в алгоритмах искусственного интеллекта
2.2.4. Эволюция алгоритмов к глубокому обучению

2.3. Алгоритмы поиска в пространстве решений

2.3.1. Алгоритмы поиска в пространстве решений
2.3.2. Алгоритмы для поиска решений проблем искусственного интеллекта
2.3.3. Применение алгоритмов поиска и оптимизации
2.3.4. Применение поисковых алгоритмов в машинном обучении

2.4. Машинное обучение

2.4.1. Машинное обучение
2.4.2. Алгоритмы контролируемого обучения
2.4.3. Алгоритмы неконтролируемого обучения
2.4.4. Алгоритмы обучения с подкреплением

2.5. Контролируемое обучение

2.5.1. Методы контролируемого обучения
2.5.2. Деревья решений для классификации
2.5.3. Векторные машины с поддержкой
2.5.4. Искусственные нейронные сети
2.5.5. Применение контролируемого обучения

2.6. Неконтролируемое обучение

2.6.1. Неконтролируемое обучение
2.6.2. Сети Кохонена
2.6.3. Самоорганизующиеся карты
2.6.4. Алгоритм K-средних

2.7. Обучение с усилением

2.7.1. Обучение с усилением
2.7.2. Агенты, основанные на марковских процессах
2.7.3. Алгоритмы обучения с подкреплением
2.7.4. Применение обучения с подкреплением в робототехнике

2.8. Вероятностный вывод

2.8.1. Вероятностный вывод
2.8.2. Виды умозаключений и определение метода
2.8.3. Байесовский вывод в качестве примера
2.8.4. Методы непараметрического вывода
2.8.5. Фильтры Гаусса

2.9. От теории к практике: разработка интеллектуального роботизированного агента

2.9.1. Включение модулей контролируемого обучения в роботизированный агент
2.9.2. Включение модулей обучения с подкреплением в роботизированный агент
2.9.3. Архитектура роботизированного агента, управляемого искусственным интеллектом
2.9.4. Профессиональные инструменты для реализации интеллектуальных агентов
2.9.5. Этапы внедрения алгоритмов ИИ в роботов-агентов

Модуль 3. Глубокое обучение (Deep Learning)

3.1. Искусственный интеллект

3.1.1. Машинное обучение
3.1.2. Глубокое обучение (Deep Learning)
3.1.3. "Взрыв" популярности глубокого обучения. Почему сейчас?

3.2. Нейронные сети

3.2.1. Нейронные сети
3.2.2. Применение нейронных сетей
3.2.3. Линейная регрессия и перцептрон
3.2.4. Прямое распространение
3.2.5. Backpropagation
3.2.6. Feature vectors

3.3. Loss Functions

3.3.1. Loss Functions
3.3.2. Виды функций потерь
3.3.3. Выбор функции потерь

3.4. Функции активации

3.4.1. Функции активации
3.4.2. Линейные функции
3.4.3. Нелинейные функции
3.4.4. Output vs. Функции активации скрытого слоя

3.5. Регуляризация и нормализация

3.5.1. Регуляризация и нормализация
3.5.2. Переобучение и увеличение данных
3.5.3. Методы регуляризации: L1, L2 и отсев
3.5.4. Методы нормализации: Batch, Weight, Layer

3.6. Оптимизация

3.6.1. Gradient Descent
3.6.2. Стохастический градиентный спуск
3.6.3. Мини-пакетный градиентный спуск
3.6.4. Momentum
3.6.5. Adam

3.7. Настройка гиперпараметров и весовые коэффициенты

3.7.1. Гиперпараметры
3.7.2. Размер партии vs. Скорость обучения vs. Step Decay
3.7.3. Веса

3.8. Метрики оценки нейронных сетей

3.8.1. Accuracy
3.8.2. Коэффициент Сёренсена
3.8.3. Чувствительность vs. Специфичность/Полнота vs. Precision
3.8.4. ROC-кривая (AUC)
3.8.5. F1-score
3.8.6. Метод матричной путаницы
3.8.7. Перекрестная проверка

3.9. Фреймворк и аппаратное обеспечение

3.9.1. Tensor Flow
3.9.2. Pytorch
3.9.3. Caffe
3.9.4. Keras
3.9.5. Оборудование для этапа обучения

3.10. Создание, обучение и проверка нейронной сети

3.10.1. Набор данных
3.10.2. Создание сети
3.10.3. Обучение
3.10.4. Визуализация результатов

Модуль 4. Робототехника в автоматизации промышленных процессов

4.1. Проектирование автоматизированных систем

4.1.1. Аппаратные архитектуры
4.1.2. Программируемые логические контроллеры
4.1.3. Промышленные сети связи

4.2. Продвинутое электротехническое проектирование I: автоматизация

4.2.1. Проектирование электрических панелей и символика
4.2.2. Силовые и управляющие цепи. Гармоника
4.2.3. Элементы защиты и заземления

4.3. Продвинутый электротехнический дизайн II: детерминизм и безопасность

4.3.1. Безопасность и резервирование машин
4.3.2. Защитные реле и триггеры
4.3.3. Безопасные ПЛК
4.3.4. Безопасные сети

4.4. Электрические характеристики

4.4.1. Двигатели и сервомоторы
4.4.2. Преобразователи частоты и контроллеры
4.4.3. Промышленная робототехника с электрическим приводом

4.5. Гидравлический и пневматический привод

4.5.1. Гидравлическая конструкция и символика
4.5.2. Пневматическая конструкция и символика
4.5.3. Среды ATEX в автоматизации

4.6. Преобразователи в робототехнике и автоматизации

4.6.1. Измерение положения и скорости
4.6.2. Измерение силы и температуры
4.6.3. Измерение присутствия
4.6.4. Датчики для зрения

4.7. Программирование и конфигурирование программируемых логических контроллеров ПЛК

4.7.1. Программирование ПЛК: LD
4.7.2. Программирование ПЛК: ST
4.7.3. Программирование ПЛК: FBD и CFC
4.7.4. Программирование ПЛК: SFC

4.8. Программирование и конфигурирование оборудования на промышленных предприятиях

4.8.1. Программирование приводов и контроллеров
4.8.2. Программирование HMI
4.8.3. Программирование роботов-манипуляторов

4.9. Программирование и конфигурирование промышленного компьютерного оборудования

4.9.1. Программирование систем технического зрения
4.9.2. SCADA/программирование программного обеспечения
4.9.3. Конфигурация сети

4.10. Реализация автоматов

4.10.1. Проектирование машин состояний
4.10.2. Реализация машин состояний в ПЛК
4.10.3. Реализация аналоговых систем управления PID в ПЛК
4.10.4. Обеспечение автоматизации и гигиены кода
4.10.5. Моделирование автоматов и установок

Модуль 5. Системы автоматического управления в робототехнике

5.1. Анализ и проектирование нелинейных систем

5.1.1. Анализ и моделирование нелинейных систем
5.1.2. Управление с обратной связью
5.1.3. Линеаризация с помощью обратной связи

5.2. Проектирование методов управления для продвинутых нелинейных систем

5.2.1. Управление скользящим режимом (Sliding Mode control)
5.2.2. Управление на основе Ляпунова и бэкстеппинга
5.2.3. Контроль на основе пассивности

5.3. Архитектуры управления

5.3.1. Парадигма робототехники
5.3.2. Архитектуры управления
5.3.3. Приложения и примеры архитектур управления

5.4. Управление движением для роботизированных рук

5.4.1. Кинематическое и динамическое моделирование
5.4.2. Контроль в пространстве сустава
5.4.3. Контроль в оперативном пространстве

5.5. Управление усилием на исполнительных механизмах

5.5.1. Контроль силы
5.5.2. Контроль импеданса
5.5.3. Гибридный контроль

5.6. Наземные мобильные роботы

5.6.1. Уравнения движения
5.6.2. Методы управления наземными роботами
5.6.3. Мобильные манипуляторы

5.7. Воздушные мобильные роботы

5.7.1. Уравнения движения
5.7.2. Методы управления воздушными роботами
5.7.3. Обработка воздуха

5.8. Управление на основе методов машинного обучения

5.8.1. Управление с помощью контролируемого обучения
5.8.2. Контроль через усиленное обучение
5.8.3. Управление с помощью неконтролируемого обучения

5.9. Управление на основе зрения

5.9.1. Визуальное сервоуправление в зависимости от положения
5.9.2. Визуальное сервоуправление в зависимости от изображения
5.9.3. Гибридное визуальное сервоуправление

5.10. Предсказательное управление

5.10.1. Моделирование и оценка состояния
5.10.2. Применение MPC в мобильных роботах
5.10.3. Применение MPC к беспилотным летательным аппаратам

Модуль 6. Алгоритмы планирования роботов

6.1. Алгоритмы планирования роботов

6.1.1. Дискретное планирование: пространство состояний
6.1.2. Проблемы планирования в робототехнике. Модели роботизированных систем
6.1.3. Классификация специалистов по планированию

6.2. Проблема планирования пути в мобильных роботах

6.2.1. Способы представления окружающей среды: графики
6.2.2. Алгоритмы графического поиска
6.2.3. Ввод затрат в сетях
6.2.4. Алгоритмы поиска в тяжелых сетях
6.2.5. Алгоритмы с подходом под любым углом

6.3. Планирование в высокоразмерных роботизированных системах

6.3.1. Высокоразмерные задачи робототехники: манипуляторы
6.3.2. Прямая/инверсная кинематическая модель
6.3.3. Алгоритмы планирования выборки PRM и RRT
6.3.4. Планирование с учетом динамических ограничений

6.4. Оптимальное планирование выборки

6.4.1. Проблемы планирования на основе выборки
6.4.2. Концепция вероятностной оптимальности RRT*
6.4.3. Шаг пересоединения: динамические ограничения
6.4.4. CForest. Распараллеливание планирования

6.5. Фактическая реализация системы планирования движения

6.5.1. Общая проблема планирования. Динамические среды
6.5.2. Цикл действия, сенсоризация. Получение информации из окружающей среды
6.5.3. Местное и глобальное планирование

6.6. Координация в многороботных системах I: централизованная система

6.6.1. Проблема координации действий нескольких роботов
6.6.2. Обнаружение и разрешение столкновений: модификация траектории с помощью генетических алгоритмов
6.6.3. Другие биоинспирированные алгоритмы: рой частиц и фейерверк
6.6.4. Алгоритм предотвращения столкновений путем выбора маневра

6.7. Координация в многороботных системах II: распределенные подходы I

6.7.1. Использование сложных целевых функций
6.7.2. Эффективность по Парето
6.7.3. Многоцелевые эволюционные алгоритмы

6.8. Координация в многороботных системах III: распределенные подходы II

6.8.1. Система планирования первого порядка
6.8.2. Алгоритм ORCA
6.8.3. Добавлены кинематические и динамические ограничения в ORCA

6.9. Теория планирования решений

6.9.1. Теория принятия решений
6.9.2. Последовательные системы принятия решений
6.9.3. Датчики и информационные пространства
6.9.4. Планирование с учетом неопределенности в зондировании и управлении

6.10. Системы планирования обучения с подкреплением

6.10.1. Получение ожидаемого вознаграждения от системы
6.10.2. Методы обучения со средним вознаграждением
6.10.3. Обратное обучение с подкреплением

Модуль 7. Компьютерное зрение

7.1. Человеческое восприятие

7.1.1. Зрительная система человека
7.1.2. Цвет
7.1.3. Видимые и невидимые частоты

7.2. История машинного зрения

7.2.1. Принципы
7.2.2. Развитие
7.2.3. Важность компьютерного зрения

7.3. Композиция цифрового изображения

7.3.1. Цифровое изображение
7.3.2. Типы изображений
7.3.3. Цветовые пространства
7.3.4. КЗС
7.3.5. HSV и HSL
7.3.6. CMY-CMYK
7.3.7. YCbCr
7.3.8. Индексированное изображение

7.4. Системы получения изображений

7.4.1. Эксплуатация цифрового фотоаппарата
7.4.2. Правильная экспозиция для каждой ситуации
7.4.3. Глубина резкости
7.4.4. Разрешение
7.4.5. Форматы изображений
7.4.6. Цветовой режим HDR
7.4.7. Камеры высокого разрешения
7.4.8. Высокоскоростные камеры

7.5. Оптические системы

7.5.1. Оптические принципы
7.5.2. Конвенциональные стратегии
7.5.3. Телецентрические стратегии
7.5.4. Типы автофокусных объективов
7.5.5. Фокусное расстояние.
7.5.6. Глубина резкости
7.5.7. Оптическое искажение
7.5.8. Калибровка изображения

7.6. Системы освещения

7.6.1. Важность освещения
7.6.2. Частотная характеристика
7.6.3. Светодиодное освещение
7.6.4. Наружное освещение
7.6.5. Типы освещения для промышленного применения. Эффекты

7.7. Системы 3D-захвата

7.7.1. Стереовидение
7.7.2. Метода триангуляции
7.7.3. Структурированный свет
7.7.4. (ToF) камера
7.7.5. Лидар

7.8. Мультиспектр

7.8.1. Мультиспектральные камеры
7.8.2. Гиперспектральные камеры

7.9. Невидимый ближний спектр

7.9.1. ИК-камеры
7.9.2. Ультрафиолетовые камеры
7.9.3. Преобразование из невидимого спектра в видимый с помощью освещения

7.10. Другие диапазоны спектра

7.10.1. Рентген
7.10.2. Терагерцовое излучение

Модуль 8. Приложения и последнее слово техники

8.1. Промышленное применение

8.1.1. Библиотеки компьютерного зрения
8.1.2. Компактные камеры
8.1.3. Системы на базе ПК
8.1.4. Промышленная робототехника
8.1.5. Pick and place 2D
8.1.6. Bin picking
8.1.7. Контроль качества
8.1.8. Наличие отсутствие компонентов
8.1.9. Контроль размеров
8.1.10. Контроль маркировки
8.1.11. Прослеживаемость

8.2. Автономные транспортные средства

8.2.1. Система помощи водителю
8.2.2. Автономное вождение

8.3. Компьютерное зрение для анализа содержания

8.3.1. Сортировка содержимого
8.3.2. Модерация визуального контента
8.3.3. Системы отслеживания
8.3.4. Идентификация брендов и логотипов
8.3.5. Маркировка и классификация видеоматериалов
8.3.6. Обнаружение изменения сцены
8.3.7. Извлечение текстов или кредитов

8.4. Медицинское применение

8.4.1. Выявление и локализация заболеваний
8.4.2. Рак и рентгеновский анализ
8.4.3. Достижения в области машинного зрения на примере COVID-19
8.4.4. Помощь в операционной

8.5. Применение в космосе

8.5.1. Анализ спутниковых изображений
8.5.2. Компьютерное зрение для изучения космоса
8.5.3. Миссия на Марс

8.6. Применение в коммерческих целях

8.6.1. Контроль запасов
8.6.2. Видеонаблюдение, домашняя безопасность
8.6.3. Парковочные камеры
8.6.4. Камеры для контроля численности населения
8.6.5. Камеры контроля скорости

8.7. Применение зрения в робототехнике

8.7.1. Дроны
8.7.2. AGV
8.7.3. Зрение в сотрудничающих роботах
8.7.4. Глаза роботов

8.8. Дополненная реальность

8.8.1. Операции
8.8.2. Приборы
8.8.3. Применение в промышленности
8.8.4. Применение в коммерческих целях

8.9. Облачные вычисления

8.9.1. Платформы облачных вычислений
8.9.2. От облачных вычислений к производству

8.10. Исследования и современные кейсы в области техники

8.10.1. Научное сообщество
8.10.2. Что готовится?
8.10.3. Будущее машинного зрения

Модуль 9. Методы машинного зрения в робототехнике: обработка и анализ изображений

9.1. Компьютерное зрение

9.1.1. Компьютерное зрение
9.1.2. Элементы системы компьютерного зрения
9.1.3. Математические инструменты

9.2. Оптические датчики для робототехники

9.2.1. Пассивные оптические датчики
9.2.2. Активные оптические датчики
9.2.3. Неоптические датчики

9.3. Получение изображения

9.3.1. Представление изображений
9.3.2. Цветовое пространство
9.3.3. Процесс цифровизации

9.4. Геометрия изображений

9.4.1. Модели объективов
9.4.2. Модели камер
9.4.3. Калибровка камеры

9.5. Математические инструменты

9.5.1. Гистограмма изображения
9.5.2. Преобразование
9.5.3. Преобразования Фурье

9.6. Предварительная обработка изображений

9.6.1. Анализ шума
9.6.2. Сглаживание изображений
9.6.3. Улучшение изображения

9.7. Сегментация изображений

9.7.1. Методы, основанные на контурах
9.7.2. Методы на основе гистограмм
9.7.3. Морфологические операции

9.8. Обнаружение особенностей изображения

9.8.1. Обнаружение точек интереса
9.8.2. Характерные дескрипторы
9.8.3. Соответствия между характеристиками

9.9. Системы трехмерного видения

9.9.1. 3D-восприятие
9.9.2. Сопоставление характеристик изображений
9.9.3. Многоракурсная геометрия

9.10. Локализация на основе искусственного зрения

9.10.1. Проблема локализации робота
9.10.2. Визуальная одометрия
9.10.3. Сенсорное слияние

Модуль 10. Системы визуального восприятия роботов с машинным обучением

10.1. Методы неконтролируемого обучения, применяемые в машинном зрении

10.1.1. Кластеризация
10.1.2. PCA
10.1.3. Nearest Neighbors
10.1.4. Подобие и разложение матрицы

10.2. Методы контролируемого обучения, применяемые в компьютерном зрении

10.2.1. Концепция »Мешок слов»
10.2.2. Векторная машина поддержки
10.2.3. Латентное размещение Дирихле
10.2.4. Нейронные сети

10.3. Глубокие нейронные сети: структуры, основы и трансферное обучение

10.3.1. Слои, генерирующие характеристики

10.3.1.1. VGG
10.3.1.2. Densenet
10.3.1.3. ResNet
10.3.1.4. Inception
 10.3.1.5. GoogLeNet

10.3.2. Трансферное обучение
10.3.3. Данные. Подготовка к обучению

10.4. Компьютерное зрение с глубоким обучением I: обнаружение и сегментация

10.4.1. Различия и сходства YOLO и SSD
10.4.2. Unet
10.4.3. Другие структуры

10.5. Машинное зрение с глубоким обучением II: Генеративные адверсариальные сети

10.5.1. Сверхразрешающая визуализация с использованием GAN
10.5.2. Создание реалистичных изображений
10.5.3. Понимание сцены

10.6. Методы обучения для локализации и картографирования в мобильной робототехнике

10.6.1. Обнаружение и перемещение замыкания шлейфа
10.6.2. Magic Leap. Super Point и Super Glue
10.6.3. Глубина в монокуляре

10.7. Байесовский вывод и 3D-моделирование

10.7.1. Байесовские модели и "классическое" обучение
10.7.2. Неявные поверхности с гауссовскими процессами (GPIS)
10.7.3. 3D-сегментация с использованием GPIS
10.7.4. Нейронные сети для трехмерного моделирования поверхностей

10.8. Приложения End-to-End глубоких нейронных сетей

10.8.1. Система end-to-end. Пример идентификации лиц
10.8.2. Манипулирование объектами с помощью визуальных датчиков
10.8.3. Генерация и планирование движения с помощью визуальных датчиков

10.9. Облачные технологии для ускорения разработки алгоритмов глубокого обучения

10.9.1. Использование графических процессоров для глубокого обучения
10.9.2. Гибкая разработка с помощью Google IColab
10.9.3. Удаленные графические процессоры, Google Cloud и AWS

10.10. Развертывание нейронных сетей в реальных приложениях

10.10.1. Встраиваемые системы
10.10.2. Развертывание нейронных сетей. Применение
10.10.3. Оптимизация сети при развертывании, пример с TensorRT

Модуль 11. Визуальный SLAM. Одновременная локализация роботов и картографирование с использованием методов компьютерного зрения

11.1. Одновременная локализация и картирование (SLAM)

11.1.1. Одновременная локализация и картирование. SLAM
11.1.2. Приложения SLAM
11.1.3. Как работает SLAM

11.2. Проективная геометрия

11.2.1. Модель Pin-Hole
11.2.2. Оценка внутренних параметров камеры
11.2.3. Гомография, основные принципы и оценка
11.2.4. Фундаментальная матрица, принципы и оценка

11.3. Фильтры Гаусса

11.3.1. Фильтр Калмана
11.3.2. Информационный фильтр
11.3.3. Настройка и параметризация фильтров Гаусса

11.4. Стерео EKF-SLAM

11.4.1. Геометрия стереокамеры
11.4.2. Извлечение характеристик и поиск
11.4.3. Фильтр Калмана для стерео SLAM
11.4.4. Настройки стереопараметров EKF-SLAM

11.5. Монокулярный EKF-SLAM

11.5.1. Параметризация ориентиров в EKF-SLAM
11.5.2. Фильтр Калмана для монокулярного SLAM
11.5.3. Настройка параметров монокулярного EKF-SLAM

11.6. Обнаружение замыкания петель

11.6.1. Алгоритм грубой силы
11.6.2. FABMAP
11.6.3. Абстрагирование с помощью GIST и HOG
11.6.4. Обнаружение с помощью глубокого обучения

11.7. Graph-SLAM

11.7.1. Graph-SLAM
11.7.2. RGBD-SLAM
11.7.3. ORB-SLAM

11.8. Прямой визуальный SLAM

11.8.1. Анализ алгоритма прямого визуального SLAM
11.8.2. LSD-SLAM
11.8.3. SVO

11.9. Визуальный инерционный SLAM

11.9.1. Интеграция инерционных измерений
11.9.2. Низкое сцепление: SOFT-SLAM
11.9.3. Высокое сцепление: Vins-Mono

11.10. Другие технологии SLAM

11.10.1. Применение за пределами визуального SLAM
11.10.2. Lidar-SLAM
11.10.3. Range-only SLAM

Модуль 12. Применение технологий виртуальной и дополненной реальности в робототехнике

12.1. Иммерсивные технологии в робототехнике

12.1.1. Виртуальная реальность в робототехнике
12.1.2. Дополненная реальность в робототехнике
12.1.3. Смешанная реальность в робототехнике
12.1.4. Разница между реальностями

12.2. Создание виртуальных сред

12.2.1. Материалы и текстуры
12.2.2. Освещение
12.2.3. Виртуальный звук и запах

12.3. Моделирование роботов в виртуальных средах

12.3.1. Геометрическое моделирование
12.3.2. Физическое моделирование
12.3.3. Стандартизация моделей

12.4. Моделирование динамики и кинематики роботов: виртуальные физические двигатели

12.4.1. Физические двигатели. Типология
12.4.2. Конфигурация физического двигателя
12.4.3. Физические двигатели в индустрии

12.5. Платформы, периферийные устройства и инструменты, наиболее часто используемые в виртуальной реальности

12.5.1. Зрители виртуальной реальности
12.5.2. Взаимодействующие периферийные устройства
12.5.3. Виртуальные датчики

12.6. Системы дополненной реальности

12.6.1. Вставка виртуальных элементов в реальность
12.6.2. Типы визуальных маркеров
12.6.3. Технологии дополненной реальности

12.7. Метавселенная: виртуальные среды интеллектуальных агентов и людей

12.7.1. Создание аватара
12.7.2. Интеллектуальные агенты в виртуальных средах
12.7.3. Создание многопользовательских сред для VR/AR

12.8. Создание проектов виртуальной реальности для робототехники

12.8.1. Фазы разработки проекта виртуальной реальности
12.8.2. Развертывание систем виртуальной реальности
12.8.3. Ресурсы виртуальной реальности

12.9. Создание проектов дополненной реальности для робототехники

12.9.1. Этапы разработки проекта дополненной реальности
12.9.2. Развертывание проектов дополненной реальности
12.9.3. Ресурсы дополненной реальности

12.10. Телеоперация роботов с помощью мобильных устройств

12.10.1. Смешанная реальность на мобильных устройствах
12.10.2. Иммерсивные системы с использованием датчиков мобильных устройств
12.10.3. Примеры мобильных проектов

Модуль 13. Системы коммуникации и взаимодействия с роботами

13.1. Распознавание речи: стохастические системы

13.1.1. Акустическое моделирование речи
13.1.2. Скрытые марковские модели
13.1.3. Лингвистическое моделирование речи: N-грамматики, BNF-грамматики

13.2. Распознавание речи: Глубокое обучение 

13.2.1. Глубокие нейронные сети
13.2.2. Рекуррентные нейронные сети
13.2.3. LSTM-клетки

13.3. Распознавание речи: просодия и влияние окружающей среды

13.3.1. Окружающий шум
13.3.2. Признание многих партнеров
13.3.3. Речевые патологии

13.4. Понимание естественного языка: эвристические и вероятностные системы

13.4.1. Синтаксико-семантический анализ: лингвистические правила
13.4.2. Понимание на основе эвристических правил
13.4.3. Вероятностные системы: логистическая регрессия и SVM
13.4.4. Понимание на основе нейронных сетей

13.5. Управление диалогом: эвристические/пробабилистические стратегии

13.5.1. Намерение собеседника
13.5.2. Диалог на основе шаблонов
13.5.3. Стохастическое управление диалогом: байесовские сети

13.6. Управление диалогом: передовые стратегии

13.6.1. Системы обучения на основе подкрепления
13.6.2. Системы на основе нейронных сетей
13.6.3. От речи к намерениям в одной сети

13.7. Генерация ответов и синтез речи

13.7.1. Формирование ответа: от идеи к связному тексту
13.7.2. Синтез речи путем конкатенации
13.7.3. Стохастический синтез речи

13.8. Адаптация и контекстуализация диалога

13.8.1. Инициатива диалога
13.8.2. Адаптация к оратору
13.8.3. Адаптация к контексту диалога

13.9. Роботы и социальное взаимодействие: распознавание, синтез и выражение эмоций

13.9.1. Парадигмы искусственного голоса: роботизированный голос и естественный голос
13.9.2. Распознавание эмоций и анализ настроения
13.9.3. Синтез эмоционального голоса

13.10. Роботы и социальное взаимодействие: продвинутые мультимодальные интерфейсы

13.10.1. Сочетание голосового и сенсорного интерфейсов
13.10.2. Распознавание и перевод языка жестов
13.10.3. Визуальные аватары: перевод с голоса на язык жестов

Модуль 14. Цифровая обработка изображений

14.1. Среда разработки компьютерного зрения

14.1.1. Библиотеки компьютерного зрения
14.1.2. Среда программирования
14.1.3. Инструменты визуализации

14.2. Цифровая обработка изображений

14.2.1. Соотношение пикселей
14.2.2. Операции с изображениями
14.2.3. Геометрические преобразования

14.3. Операции на пиксельном уровне

14.3.1. Гистограмма
14.3.2. Преобразования из гистограммы
14.3.3. Операции над цветными изображениями

14.4. Логические и арифметические операции

14.4.1. Сложение и вычитание
14.4.2. Продукт и подразделение
14.4.3. И/НЕ И (И-НЕ)
14.4.4. ИЛИ/НЕ ИЛИ (ИЛИ-НЕ)
14.4.5. Исключающее ИЛИ/Исключающее ИЛИ с инверсией

14.5. Фильтры

14.5.1. Маски и свертка
14.5.2. Линейная фильтрация
14.5.3. Нелинейная фильтрация
14.5.4. Анализ Фурье

14.6. Морфологические операции

14.6.1. Erode и Dilating
14.6.2. Closing и Open
14.6.3. Top hat и Black hat
14.6.4. Обнаружение контуров
14.6.5. Структура
14.6.6. Заполнение отверстий
14.6.7. Convex hull

14.7. Инструменты для анализа изображений

14.7.1. Обнаружение краев
14.7.2. Обнаружение BLOB-объектов
14.7.3. Контроль размеров
14.7.4. Проверка цвета

14.8. Сегментация объектов

14.8.1. Сегментация изображений
14.8.2. Классические методы сегментации
14.8.3. Применение в реальных условиях

14.9. Калибровка изображения

14.9.1. Калибровка изображения
14.9.2. Методы калибровки
14.9.3. Процесс калибровки в системе 2D-камера/робот

14.10. Обработка изображений в реальной среде

14.10.1. Анализ проблематики
14.10.2. Обработка изображений
14.10.3. Извлечение признаков
14.10.4. Окончательные результаты

Модуль 15. Продвинутая цифровая обработка изображений

15.1. Оптическое распознавание символов (OCR)

15.1.1. Предварительная обработка изображений
15.1.2. Обнаружение текста
15.1.3. Распознавание текста

15.2. Считывание кода

15.2.1. 1D-коды
15.2.2. 2D-коды
15.2.3. Приложения

15.3. Поиск паттернов

15.3.1. Поиск паттернов
15.3.2. Паттерны, основанные на уровне серого цвета
15.3.3. Паттерны на основе контуров
15.3.4. Паттерны на основе геометрических фигур
15.3.5. Другие техники

15.4. Отслеживание объектов с помощью обычного зрения

15.4.1. Извлечение фона
15.4.2. Meanshift
15.4.3. Camshift
15.4.4. Optical flow

15.5. Система распознавания лиц

15.5.1. Обнаружение лицевого ориентира
15.5.2. Приложения
15.5.3. Система распознавания лиц
15.5.4. Распознавание эмоций

15.6. Построение и выравнивание

15.6.1. Stitching
15.6.2. Композиция изображений
15.6.3. Фотомонтаж

15.7. Расширенный динамический диапазон (HDR) и фотометрическое стерео

15.7.1. Увеличенный динамический диапазон
15.7.2. Составление изображений для улучшения контуров
15.7.3. Техники использования динамических приложений

15.8. Сжатие изображений

15.8.1. Сжатие изображений
15.8.2. Типы сжатия
15.8.3. Методы сжатия изображений

15.9. Обработка видео

15.9.1. Последовательности изображений
15.9.2. Видеоформаты и кодеки
15.9.3. Чтение видео
15.9.4. Обработка кадров

15.10. Реальное применение обработки изображений

15.10.1. Анализ проблематики
15.10.2. Обработка изображений
15.10.3. Извлечение признаков
15.10.4. Окончательные результаты

Модуль 16. Обработка 3D-изображений

16.1. 3D-изображение

16.1.1. 3D-изображение
16.1.2. Программное обеспечение для обработки 3D-изображений и визуализации
16.1.3. Метрологическое программное обеспечение

16.2. Библиотека Open 3D

16.2.1. Библиотека для обработки 3D-данных
16.2.2. Характеристики
16.2.3. Установка и использование

16.3. Данные

16.3.1. Карты глубины двумерного изображения
16.3.2. Облако точек
16.3.3. Нормы
16.3.4. Поверхности

16.4. Визуализация

16.4.1. Визуализация данных
16.4.2. Контроль
16.4.3. Веб-визуализация

16.5. Фильтры

16.5.1. Расстояние между точками, устранение выбросов
16.5.2. Фильтр высоких частот
16.5.3. Downsampling

16.6. Геометрия и извлечение признаков

16.6.1. Извлечение профиля
16.6.2. Измерение глубины
16.6.3. Объем
16.6.4. 3D геометрические фигуры
16.6.5. Планы
16.6.6. Проекция точки
16.6.7. Геометрические расстояния
16.6.8. K-d дерево
16.6.9. Функции 3D

16.7. Регистрация и построение сетки

16.7.1. Конкатенация
16.7.2. ICP
16.7.3. Ransac 3D

16.8. Распознавание трехмерных объектов

16.8.1. Поиск объекта в 3D-сцене
16.8.2. Сегментация
16.8.3. Bin picking

16.9. Анализ поверхности

16.9.1. Smoothing
16.9.2. Ориентируемые поверхности
16.9.3. Octree

16.10. Метода триангуляции

16.10.1. От создания сетки до облака точек
16.10.2. Триангуляция карт глубины
16.10.3. Триангуляция неупорядоченных облаков точек

Модуль 17. Конволюционные сети и классификация изображений

17.1. Конволюционные (сверточные) нейронные сети

17.1.1. Введение
17.1.2. Конволюция
17.1.3. CNN Building Blocks

17.2. Типы слоев CNN

17.2.1. Конволюционный
17.2.2. Активация
17.2.3. Пакетная нормализация
17.2.4. Polling
17.2.5. Полносвязная нейронная сеть

17.3. Метрические данные

17.3.1. Матрица запутанности
17.3.2. Accuracy
17.3.3. Четкость
17.3.4. Recall
17.3.5. F1 Score
17.3.6. ROC Curve
17.3.7. AUC

17.4. Основные архитектуры

17.4.1. AlexNet
17.4.2. VGG
17.4.3. Resnet
17.4.4. GoogleLeNet

17.5. Классификация изображений

17.5.1. Введение
17.5.2. Анализ данных
17.5.3. Подготовка данных
17.5.4. Обучение модели
17.5.5. Валидация модели

17.6. Практические соображения по обучению CNN

17.6.1. Выбор оптимизатора
17.6.2. Изменение скорости обучение
17.6.3. Тестирование конвейеров обучения
17.6.4. Обучение с регуляризацией

17.7. Передовой опыт в области глубокого обучения

17.7.1. Трансферное обучение
17.7.2. Тонкая настройка
17.7.3. Расширение данных

17.8. Статистическая оценка данных

17.8.1. Количество наборов данных
17.8.2. Количество меток
17.8.3. Количество изображений
17.8.4. Балансировка данных

17.9. Развертывание

17.9.1. Сохранение и загрузка моделей
17.9.2. Onnx
17.9.3. Заключение

17.10. Практический кейс: классификация изображений

17.10.1. Анализ и подготовка данных
17.10.2. Тестирование конвейеров обучения
17.10.3. Обучение модели
17.10.4. Валидация модели

Модуль 18. Обнаружение объектов

18.1. Обнаружение и отслеживание объектов

18.1.1. Обнаружение объектов
18.1.2. Примеры использования
18.1.3. Отслеживание объектов
18.1.4. Примеры использования
18.1.5. Окклюзии, жесткие и нежесткие позы

18.2. Метрики оценки

18.2.1. IOU - Intersection Over Union
18.2.2. Доверительный интервал
18.2.3. Recall
18.2.4. Четкость
18.2.5. Кривая полноты—прецизионности
18.2.6. Mean Average Precision (mAP)

18.3. Традиционный метод

18.3.1. Скользящее окно
18.3.2. Метод Виолы - Джонса
18.3.3. HOG
18.3.4. Не максимальное подавление(NMS)

18.4. Датасет

18.4.1. Pascal VC
18.4.2. MS Coco
18.4.3. ImageNet (2014)
18.4.4. MOTA Challenge

18.5. Two Shot Object Detector

18.5.1. R-CNN
18.5.2. Fast R-CNN
18.5.3. Faster R-CNN
18.5.4. Mask R-CNN

18.6. Single Shot Object Detector

18.6.1. SSD
18.6.2. YOLO
18.6.3. RetinaNet
18.6.4. CenterNet
18.6.5. EfficientDet

18.7. Backbones

18.7.1. VGG
18.7.2. ResNet
18.7.3. Mobilenet
18.7.4. Shufflenet
18.7.5. Darknet

18.8. Object Tracking

18.8.1. Классические подходы
18.8.2. Фильтры твердых частиц
18.8.3. Kalman
18.8.4. Sorttracker
18.8.5. Deep Sort

18.9. Развертывание

18.9.1. Вычислительная платформа
18.9.2. Выбор Backbone
18.9.3. Выбор фреймворка
18.9.4. Оптимизация моделей
18.9.5. Версионирование моделей

18.10. Исследование: обнаружение и мониторинг людей

18.10.1. Обнаружение людей
18.10.2. Мониторинг людей
18.10.3. Повторная идентификация
18.10.4. Подсчет людей в толпе

Модуль 19. Сегментация изображений с помощью глубокого обучения

19.1. Обнаружение и сегментация объектов

19.1.1. Семантическая сегментация

19.1.1.1. Примеры использования семантической сегментации

19.1.2. Инстантированная сегментация

19.1.2.1. Варианты использования сегментации

19.2. Метрики оценки

19.2.1. Показатели оценки
19.2.2. Сходство с другими методами
19.2.3. Коэффициент кубика (F1 Score)

19.3. Функции затрат

19.3.1. Dice Loss
19.3.2. Focal Loss
19.3.3. Tversky Loss
19.3.4. Другие функции

19.4. Традиционные методы сегментации

19.4.1. Применение пороговой обработки с применением метода Оцу и Риддлена
19.4.2. Самоорганизующиеся карты
19.4.3. Алгоритм GMM-EM

19.5. Семантическая сегментация с применением глубокого обучения: FCN

19.5.1. FCN
19.5.2. Архитектура
19.5.3. Применение FCN

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

19.6.1. U-NET
19.6.2. Архитектура
19.6.3. Применение U-NET

19.7. Семантическая сегментация с применением глубокого обучения: Deep Lab

19.7.1. Deep Lab
19.7.2. Архитектура
19.7.3. Применение Deep Lab

19.8. Сегментация экземпляров с применением глубокого обучения: Mask RCNN

19.8.1. Mask RCNN
19.8.2. Архитектура
19.8.3. Применение Mas RCNN

19.9. Сегментация видео

19.9.1. STFCN
19.9.2. Семантические видео CNN
19.9.3. Clockwork Convnets
19.9.4. Low-Latency

19.10. Сегментация облака точек

19.10.1. Облако точек
19.10.2. PointNet
19.10.3. A-CNN

Модуль 20. Продвинутая сегментация изображений и продвинутые методы компьютерного зрения

20.1. База данных для общих задач сегментации

20.1.1. Паскаль Контекст
20.1.2. CelebAMask-HQ
20.1.3. Набор данных Cityscapes
20.1.4. Датасет CCP

20.2. Семантическая сегментация в медицине

20.2.1. Семантическая сегментация в медицине
20.2.2. Наборы данных для решения медицинских проблем
20.2.3. Практическое применение

20.3. Инструменты аннотации

20.3.1. Инструмент аннотации компьютерного зрения
20.3.2. LabelMe
20.3.3. Другие инструменты

20.4. Инструменты сегментации с использованием различных фреймворков

20.4.1. Keras
20.4.2. Tensorflow v2
20.4.3. Pytorch
20.4.4. Прочее

20.5. Проект “Семантическая сегментация” Данные, фаза 1

20.5.1. Анализ проблемы
20.5.2. Источник ввода данных
20.5.3. Анализ данных
20.5.4. Подготовка данных

20.6. Проект “Семантическая сегментация” Обучение, фаза 2

20.6.1. Выбор алгоритма
20.6.2. Обучение
20.6.3. Оценка

20.7. Проект “Семантическая сегментация” Результаты, фаза 3

20.7.1. Тонкая настройка
20.7.2. Презентация решения
20.7.3. Выводы

20.8. Автоэнкодеры

20.8.1. Автоэнкодеры
20.8.2. Архитектура автоэнкодера
20.8.3. Автоэнкодеры с шумоподавлением
20.8.4. Автоэнкодер с автоматическим окрашиванием

20.9. Генеративно-состязательная сеть (GANs)

20.9.1. Генеративно-состязательная сеть (GANs)
20.9.2. Архитектура DCGAN
20.9.3. Условная GAN

20.10. Усовершенствованные генеративные состязательные сети

20.10.1. Обзор проблем
20.10.2. WGAN
20.10.3. LSGAN
20.10.4. ACGAN

Совершенствуйте свои навыки проектирования, программирования и управления роботами с помощью компьютерного зрения и алгоритмов машинного обучения"