Лекции МГУ
Материал из CompVision
Содержание:
- Алгоритмы бинарной классификации
(дискриминантный подход):
- Деревья решений
- Нейронные сети
- Метод опорных векторов
- Bagging
- Boosting
- Пример задачи классификации: Поиск лиц на изображениях
И еще Лаборатория компьютерной графики при ВМК МГУ, там такие материалы:
Введение, обзор содержания курса. Основные понятия машинного зрения. Взаимосвязь машинного зрения и ряда других дисциплин: обработки сигналов, распознавания образов, машинного обучения. Примеры практических задач. Извлечение геометрических признаков из изображения. Методы выделения краев, анализа контуров (цепные кода, полигональная аппроксимация).Презентация.
Алгоритмы автоматической сегментации изображений. Постановка задачи сегментации. Методы пороговой фильтрации, цветовой сегментации, слияния/разделения, водораздела, основанные на методах теории графов. Извлечение признаков площадных объектов из изображения. Цветовые признаки, гистограмма. Характеристики формы объекта, инвариантные моменты.Презентация.
Анализ областей после применения сегментации. Методы выделения параметрических кривых на изображении. Выделение точечных особенностей на изображении. Робастная оценка параметров модели по наблюдаемым значениям в приложении к анализу изображений. Метод наименьших квадратов, М-оценочные функции, RANSAC, схемы голосования (преобразование Хафа и Радона). Презентация.
Основы машинного обучения. Постановка задачи, основные определения. Метод минимизации эмпирического риска, проблема переобучения. Понятия о теории Вапника-Червоненкиса, VCD, оценка состоятельности. Экспериментальные методы оценки и сравнения классификаторов - удерживание, скользящий контроль, ROC кривые, статистические тесты. Презентация.
Обзор методов классификации. Деревья классификации, Байесовский подход, нормальный дискрименантный анализ, нейронные сети, метод опорных векторов, коммитетные методы (бустинг). Презентация.
Элементы интеллектуального анализа данных (обучение без учителя). Кластеризация: метод К-средних, EM-алгоритм, кластеризация смесью нормальных распределений. Понижение размерности данных: метод главных компонент, самоорганизующиеся карты. Презентация.
Камера, ее модель и свойста. Камера-обскура. Линза: фокусировка, глубина резкости, трансфокация. Хроматическая аберрация и радиальная дисторсия. Модель камеры: внутренняя и внешняя калибровка камеры, полная матрица проекции. Презентация.
Реконструкция по 1 изображению. Точки схода, исчезающая линия и их вычисление. Схема алгоритма реконструкции. Алгоритмы реконструкции по одному изображению: Tour into Picture, Image-based modeling and photo-editing, Auto pop-up. Презентация.
Стерео-реконструкция. Активное и пассивное стерео. Триангуляция. Поиск соответствий. Эпиполярная геометрия. Диспаритет. Карта глубины. Стерео по более 2 изображений. Активное стерео. Совмещение облаков точек. Презентация.
Выравнивание изображений и сопоставление особенностей Выравнивание изображений: прямое согласование, градиентный спуск. Понятие оптического потока. Апертура. Алгоритм Лукаса-Канаде. Согласование особенностей. Детектор Харриса. Сегментация ложных соответствий.Презентация.