School of Software Engineering

Regular version of the site

Publications

Book

The EG-TD3 Machine Learning Architecture: Evolutionary-Guided Twin Delayed Deep Deterministic Policy Gradient

Djambong Tenkeu H.

Vol. 38. Prt. 1. Iss. 4. Institute for System Programming of the RAS, 2026.

Article

Synthesis of Acyclic Models for Processes Without Repeating Events

Joulitov A.K., Lomazova I.A.

Proceedings of the Institute for System Programming of the RAS. 2026. Vol. 38. No. 4(2) . P. 215-224.

Book chapter

An LLM-Based Approach for Creating Multi-agent Systems

Rezunik L., Alexandrov D., Mikhail Prozorskiy.

In bk.: Intelligent Decision Technologies. Proceedings of the 17th KES-IDT 2025 Conference. Vol. 450. Cham: Springer, 2026. P. 81-91.

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"