Компьютерное зрение — это технология настоящего и будущего. Специализируйтесь с помощью этой программы и достигните того уровня профессионального прогресса, к которому вы стремитесь"

В последние годы искусственный интеллект произвел настоящую революцию в мире технологий. Данная технология позволяет разрабатывать программное обеспечение и машины, способные обучаться, генерировать новые знания и действовать в соответствии с наилучшим доступным решением в каждом конкретном случае. Таким образом, области его применения варьируются от компьютерных наук и исследований в таких областях, как здравоохранение, до разработки таких инструментов, как транспортные средства, роботы или видеоигры.

Эта область постоянно расширяется и уже занимает центральное место в большинстве ИТ- и технологических компаний. Однако именно из-за ее огромного значения и динамики развития в последние годы появились специальности, которые фокусируются лишь на одном из ее специфических аспектов. Компьютерное зрение — одна из самых важных отраслей. Поскольку она фокусируется на том, как машины обрабатывают поступающую визуальную информацию и как эта информация может быть использована либо для улучшения взаимоотношений машины с окружающей средой путем повышения точности ее работы, либо для эффективного сбора данных.

По этой причине она является фундаментальной областью и тесно связана с машинным обучением, и все больше компаний ищут ИТ-специалистов, специализирующихся в этой области, которые могут предложить лучшие технологические решения в разработке проектов, связанных с компьютерным зрением. Эта Специализированная магистратура предлагает углубленное изучение данной области, обеспечивая вас самыми инновационными знаниями и инструментами, чтобы по завершении обучения вы могли сразу же добиться профессионального прогресса благодаря своим новым навыкам.

И все это будет достигнуто благодаря 100% онлайн-методологии TECH Технологического университета, специально разработанной для того, чтобы работающие ИТ-специалисты и инженеры могли совмещать эту программу со своей работой, поскольку она адаптируется к их личным обстоятельствам. Кроме того, на протяжении всего процесса обучения вас будет сопровождать квалифицированный преподавательский состав, и вы сможете пользоваться лучшими мультимедийными учебными ресурсами, такими как практические кейсы, технические видео, мастер-классы или интерактивные конспекты, а также многими другими.

Будущее уже наступило. Не упустите возможность и станьте большим экспертом в области компьютерного зрения благодаря этой Специализированной магистратуре"

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

• Разработка практических кейсов, представленных экспертами в области информатики и компьютерного зрения
• Наглядное, схематичное и исключительно практическое содержание предоставит научную и практическую информацию по тем дисциплинам, которые необходимы для профессиональной деятельности
• Практические упражнения для самопроверки, контроля и улучшения успеваемости
• Инновационные методологии, которым уделяется особое внимание
• 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

Не раздумывайте и получите специализацию в ключевой области технологии будущего, которая позволит вам сразу же продвинуться в профессиональном плане"

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

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит студенту 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 студент попытается разрешить различные ситуации из профессиональной практики, возникающие в течение учебного года. В этом учащемуся будет помогать инновационная система с применением интерактивных видеоматериалов, созданная известными и опытными специалистами.

Погрузитесь в изучение искусственного интеллекта и глубокого обучения и станьте образцовым специалистом в области компьютерного зрения"

Записывайтесь сейчас и начинайте разрабатывать перспективные проекты в области компьютерного зрения, используя то, что вы узнаете на этой программе"

Содержание данной программы Специализированной магистратуры в области компьютерного зрения было разработано ведущими международными экспертами в этой области, чтобы ИТ-специалисты получили доступ к высокоспециализированным знаниям, которые позволят им стать образцовыми специалистами в этой области. Таким образом, в рамках этой программы вы сможете углубленно изучить такие аспекты, как применение компьютерного зрения для изучения пространства и для анализа содержания, а также для поиска паттернов и кодов, в библиотеках обработки 3D-изображений или в автокодерах. 

Вас ждет самый полный учебный курс по компьютерному зрению. Пройдите эту программу и войдите в будущее своей профессии"

Модуль 1. Компьютерное зрение

1.1. Человеческое восприятие

1.1.1. Зрительная система человека
1.1.2. Цвета
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. Виды изображений
1.3.3. Цветовые пространства
1.3.4. RGB
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. Цветовой 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. Виды 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. Виды освещения для промышленного применения. Эффекты

1.7. Системы 3D-захвата

1.7.1. Стереовидение
1.7.2. Метод триангуляции
1.7.3. Структурированный свет
1.7.4. Время пролета
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 спектра в видимый с помощью освещения

1.10. Другие диапазоны спектра

1.10.1. Рентген
1.10.2. Терагерцовое излучение

Модуль 2. Применения и современные технологии

2.1. Промышленное применение

2.1.1. Библиотеки промышленного зрения
2.1.2. Компактные камеры
2.1.3. Системы на базе ПК
2.1.4. Промышленная робототехника
2.1.5. Pick and place — системы поверхностного 2D-монтажа
2.1.6. Технология Bin picking
2.1.7. Контроль качества
2.1.8. Определение отсутствия компонентов
2.1.9. Контроль размеров
2.1.10. Контроль маркировки
2.1.11. Отслеживаемость

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 содержания
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 лицензий

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 COVID-19
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
2.6.4. Камеры контроля скорости

2.7. Применение зрения в робототехнике

2.7.1. Дроны
2.7.2. AGV
2.7.3. Зрение для сотрудничающих роботов
2.7.4. Глаза роботов

2.8. Дополненная реальность

2.8.1. Эксплуатация
2.8.2. Устройства
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 современные технологии

2.10.1. Научное сообщество
2.10.2. Что готовится?
2.10.3. Будущее компьютерного зрения

Модуль 3. Цифровая обработка изображений

3.1. Среда 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. И/НЕ И (И-НЕ)
3.4.4. ИЛИ/НЕ ИЛИ (ИЛИ-НЕ)
3.4.5. Исключающее ИЛИ/Исключающее ИЛИ с инверсией

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 и Dilating
3.6.2. Closing и Open
3.6.3. Top hat и Black hat
3.6.4. Обнаружение контуров
3.6.5. Скелет
3.6.6. Заполнение отверстий
3.6.7. Выпуклая оболочка

3.7. Инструменты для анализа изображений

3.7.1. Обнаружение краев
3.7.2. Обнаружение BLOB-объектов
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. Приложения

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
4.4.3. 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. Сдвиг среднего значения
4.4.3. Непрерывно адаптивный средний сдвиг
4.4.4. Оптический поток

4.5. Система распознавания лиц

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

4.6. Построение и выравнивание

4.6.1. Сшивание
4.6.2. Композиция изображений
4.6.3. Фотомонтаж

4.7. Расширенный динамический диапазон (HDR) и фотометрическое стерео

4.7.1. Увеличение динамического диапазона
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 кодеки
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. Метрологическое программное обеспечение

5.2. Библиотека Open 3D

5.2.1. Библиотека для обработки 3D-данных
5.2.2. Характеристики
5.2.3. Установка и использование

5.3. Данные

5.3.1. Карты глубины 2D-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, устранение выбросов
5.5.2. Фильтр высоких частот
5.5.3. Децимация

5.6. Геометрия и извлечение признаков

5.6.1. Извлечение профиля
5.6.2. Измерение глубины
5.6.3. Объем
5.6.4. Геометрические 3D-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. Регистрация и построение сетки

5.7.1. Конкатенация
5.7.2. ICP
5.7.3. Ransac 3D

5.8. Распознавание 3D-объектов

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

5.9. Анализ поверхности

5.9.1. Сглаживание
5.9.2. Ориентируемые поверхности
5.9.3. Октодерево

5.10. Метод 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. Прямое распространение
6.2.5. Обратное распространение
6.2.6. Признаковое описание объекта

6.3. Функция потерь

6.3.1. Функция потерь
6.3.2. Виды функций потерь
6.3.3. Выбор функций потерь

6.4. Функции активации

6.4.1. Функция активации
6.4.2. Линейные функции
6.4.3. Нелинейные функции
6.4.4. Функции активации выходного слоя vs. Функции активации скрытого слоя

6.5. Регуляризация и нормализация

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

6.6. Оптимизация

6.6.1. Градиентный спуск
6.6.2. Стохастический градиентный спуск
6.6.3. Мини-пакетный градиентный спуск
6.6.4. Импульс
6.6.5. Алгоритм Adam

6.7. Настройка гиперпараметров и весовые коэффициенты

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. Точность
6.8.2. Коэффициент Сёренсена
6.8.3. Чувствительность vs. Специфичность/Полнота vs. Прецизионность
6.8.4. ROC-кривая (AUC)
6.8.5. F1-мера
6.8.6. Метод матричной путаницы
6.8.7. Перекрестная проверка

6.9. Фреймворки и аппаратное обеспечение

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

6.10. Создание, обучение и проверка нейронной сети

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

Модуль 7. Сверточные сети и классификация изображений

7.1. Сверточные нейронные сети

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

7.2. Виды слоев сверточных нейронных сетей

7.2.1. Сверточный
7.2.2. Слой активации
7.2.3. Слой пакетной нормализации
7.2.4. Пулинговый
7.2.5. Полносвязный

7.3. Метрические данные

7.3.1. Матрица запутанности
7.3.2. Точность
7.3.3. Прецизионность
7.3.4. Полнота
7.3.5. F1-мера
7.3.6. ROC-кривая
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 сверточных нейронных сетей

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

7.7. Передовой опыт в области глубокого обучения

7.7.1. Трансферное 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. Вывод

7.10. Практический кейс: классификация изображений

7.10.1. Анализ и подготовка данных
7.10.2. Тестирование конвейеров 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 — коэффициент Жаккара
8.2.2. Доверительный интервал
8.2.3. Полнота
8.2.4. Прецизионность
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. Датасеты

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. Трекинг объекта

8.8.1. Классические подходы
8.8.2. Многочастичный фильтр
8.8.3. Фильтр Калмана
8.8.4. Sorttracker
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 моделей
8.9.5. Версионирование моделей

8.10. Исследование: обнаружение и мониторинг людей

8.10.1. Обнаружение людей
8.10.2. Отслеживание 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 экземпляров

9.1.2.1. Варианты использования сегментации экземпляров

9.2. Метрики оценки

9.2.1. Сходство с другими методами
9.2.2. Точность до пикселя
9.2.3. Коэффициент Сёренсена (F1 мера)

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. Применение пороговой обработки с применением метода Оцу и Риддлена
9.4.2. Самоорганизующиеся карты
9.4.3. Алгоритм GMM-EM

9.5. Семантическая сегментация с применением глубокого обучения: Полностью сверточная нейронная сеть

9.5.1. Полностью сверточная нейронная сеть
9.5.2. Архитектура
9.5.3. Применение полностью сверточных нейронных сетей

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 экземпляров с применением глубокого обучения: Mask RCNN

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

9.9. Сегментация видео

9.9.1. STFCN
9.9.2. Сверточные сети для семантической сегментации видео
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 задач сегментации

10.1.1. Pascal Context
10.1.2. CelebAMask-HQ
10.1.3. Датасет Cityscapes
10.1.4. Датасет CCP

10.2. Семантическая сегментация в медицине

10.2.1. Семантическая сегментация в медицине
10.2.2. Датасеты для решения медицинских задач
10.2.3. Практическое применение

10.3. Инструменты аннотирования

10.3.1. Инструмент аннотирования для 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. Прочие

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

10.5.1. Анализ задачи
10.5.2. Входной источник 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 с шумоподавлением
10.8.4. Автоэнкодер с автоматическим о

Эта Специализированная магистратура имеет наиболее глубокое и современное содержание в области компьютерного зрения. Не упустите возможность и запишитесь сейчас"