School of Software Engineering

Regular version of the site

Publications

Book

The Dynamic Adaptive Packet Buffering (DAPB) Algorithm for Service Mesh Performance Enhancement Based on eBPF
In press

Hank-Debain Djambong Tenkeu, Alexandrov D.

Vol. 37. Iss. 5. Institute for System Programming of the RAS, 2025.

Article

Object-centric process management: A research manifesto

Seidel A., Weske M., Montali M. et al.

Information Systems . 2026. Vol. 141.

Book chapter

ML²B: Benchmarking LLMs on Cross-Lingual ML Pipeline Generation

Trofimova E., Shamina Z., Selifanova M. et al.

In bk.: Proceedings of the Generative Code Intelligence Workshop (GeCoIn 2026), co-located with the 35th International Joint Conference on Artificial Intelligence (IJCAI-ECAI 2026). Vol. 4238. CEUR-WS.org, 2026.

Working paper

Approach to Designing CV Systems for Medical Applications: Data, Architecture and AI
In press

Ryabtsev D., Vasilyev Boris, Shershakov S.

Computer Science ::Computer Vision and Pattern Recognition. 2501.14689. arXiv, 2025

All publications

Delivered by:: School of Software Engineering

Type:: Elective course

When:: 3 year, 1-3 module

Instructor

Ганичев Антон Александрович

Дополнительные материалы в LMS Задать вопрос

Аннотация

Компьютерное зрение - это раздел искусственного интеллекта связанный с анализом визуальных данных. Он включает методы позволяющие производить обнаружение, отслеживание и классификацию объектов на изображениях и в видеопотоке. Технологии компьютерного зрения находят применение в - Робототехнике: промышленные роботы, автономные транспортные средства;- Системах безопасности: контроль доступа, распознавание лиц, обнаружение подозрительного поведения; - Здравоохранении: анализ медицинских изображений, топографическое моделирование; - Системах взаимодействия и дополненной реальности: поиск по изображениям, аннотация, ввода информации В последние годы в области компьютерного зрения достигнут значительный прогресс. Он связан с прежде всего с технологиями глубокого обучения (Deep learning) которые будут рассматриваться в рамках данного семинара.

Цель освоения дисциплины

Обеспечить студентов базовыми знаниями о технологиях применяющихся для анализа изображений и видео
Заложить основы знаний об архитектурах и способах обучения сверточных нейросетей (CNN)
Познакомить студентов с основными программными и аппаратными средствами применяющимися для создания и обучения CNN

Планируемые результаты обучения

Знать принцип работы основных алгоритмов детектирования объектов.
Понимать принцип работы линейного классификатора, знать алгоритмы kNN, SVM
Понимать принцип работы сверточной нейросети. Знать алгоритм обратного распространения.
Уметь самостоятельно обучить нейросетевой классификатор.

Содержание учебной дисциплины

Анализ изображений.
Линейный классификатор.
Обратное распространение и алгоритмы оптимизации
Сверточная нейронная сеть и методы улучшения сходимости.
Архитектуры СNN & ViT
Работа с реальными данными
Генеративные модели
Metric lerning
Сегментация изображений.

Элементы контроля

Доклад
Выполненные в ходе подготовки доклада эксперименты могут быть зачтены в качестве выполнения практических задач (см. пункт "Работа на семинаре"). Оценка за дисциплину выставляется в соответствии с формулой оценивания от всех пройденных элементов контроля. Экзамен не проводится.
Работа на семинаре
Включает: участие в обсуждении, ответы на вопросы и выполнение практических заданий (см пример).

Промежуточная аттестация

2021/2022 учебный год 3 модуль
0.5 * Работа на семинаре + 0.5 * Доклад

Список литературы

Авторы

Ганичев Антон Александрович

Research Seminar "Computer Vision Technologies"