SEWiki - Вклад участника [ru]

Computer vision 2013

2013-12-23T16:22:01Z

Alexey.Velikiy: /* Лекция 1 */

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

 
Видеозаписи распространяются с ограниением 
[http://vk.com/video11773921_166274510 Видео 1.1 (см. комментарии)]
 
[http://vk.com/video11773921_166334522 Видео 2.1]
[http://vk.com/video11773921_166334830 Видео 2.2]
 
[http://vk.com/video11773921_166400367 Видео 3.0]
[http://vk.com/video11773921_166400346 Видео 3.1]
[http://vk.com/video11773921_166400685 Видео 3.2]
 
[http://vk.com/video11773921_166469493 Видео 4.1]
[http://vk.com/video11773921_166469856 Видео 4.2]
[http://vk.com/video11773921_166469865 Видео 4.3 (Темы практик, public)]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

= Вопросы, которые писал один из студентов =
=== Лекция 1 ===
* Введение. Задачи и проблемы компьютерного зрения.
* Проблемы КЗ: дисторсия, виды шумов.
* Соль с перцем, гаусовский шум.
* Линейный фильтр.

=== Лекция 2 ===
''Рассказ про Python+OpenСV (не представляет теор. интереса)''

=== Лекция 3 ===
* Шумы: optical blur, motion blur, spatial quantization, additive intesity noise.
* Свертка. Свертка дискретная. Box фильтр. Медианный фильтр.
* Производные изображения.
* Оператор Лапласа.
* Конечно-разностная схема для оп.Лапласа.
* Матрицы инвар. к поворотам.h
http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching
* Повышение резкости.
* Повышение резкости с помощью вычитания смазанного изображения.
* Преобразование Фурье. Дискретное преобразование Фурье.
* Низкочасточный фильтр.
* Свойства преобразования.
* Теорема о свертке.
* Восстановление изображения.
* Винеровский фильтр

http://aco.ifmo.ru/el_books/image_processing/

=== Лекция 4 ===
* Шум метода фильтрации.
* Гаусовский фильтр.
* Фильтр Ярославкого (Билетеральный)
* Анизатропный фильтр
* Total variation
* Non-local means
* Метрики оценки шума матода. PSNR
* Разряженное представление
* Block Matching 3dapache admin
* Цветная фильтрация и видео
* Вариационный метод восстановления изображения

http://courses.graphicon.ru/files/courses/vision/2011/lectures/cv2011_04_representation.pdf

=== Лекция 5 ===
* Пирамида гауссианов
* Восстановление изображения по пирамиде.
* Возможность локальной обработки изображения.
* Пирамиды как фильтр нижних частот.
* Обзор вейвлет разложений.
* Локальность представления.
* Пример детектирование текстуры дерева.
* Детектирование "особенностей" изображения
* Уголки, критерии уголка
* Разница гаусианов в пирамиде.
* SIFT дескриптор. Построение. Свойства.
* Дескриптор HOG
* Детекторы дескрипторов, kd-деревья для разбиения дискрипторов.

http://robocraft.ru/forum/viewtopic.php?t=227

=== Лекция 6 ===
* Энтропия, Избыточность, связь с сжатием.
* Код Хффмана. Арифметическое кодирование, LZW.Ц
* Сжатие картинок.
* MLP кодирование.
* Восприятие человека. Сжатие с потерями.
* Прогрессирующее декодирование. Пирамиды. Частоты.
* Метрики ошибок. PSNR.
* Декореляция изображений. Умножение на ортготональную матрицу.
* Блочное сжатие. Обзор JPEG. Квантизация.
* Обзор сжатия видео.

http://habrahabr.ru/post/180803/

=== Лекция 7 ===
* Контуры
* Определение детекции краев. Применение.
* Обзор детекторов краев.
* Детектор контуров. Кодирование и обработка контуров.
* Выделение линий. Hough transform.
* Проективной геометрия.
* История и польза.
* Классы эквивалентности.
* Соответствие векторов R^n и R^(n+1).
* Точки и направления.
* Соответсвие прямых в R^n и точек в R^(n+1).
* Смысл векторного произведения проективных векторов.
* Проективные преобразования
* Гомография
* Нахождения гомографии по точкам

http://habrahabr.ru/post/126269/

=== Лекция 8 ===
* Нахождение гомографии (детально).
* Нахождение гомографии с шумом.
* Минимизация расстояний
* Ошибка перепроктирования
* Итеративный метод оптимизации
* Функция стоимости, параметризация.
* Градиентный спуск.
* Проблема неправильного матчинга точек (outliers)
* Идея метода RanSaC
* Проективная модель камеры.
* Система координат камеры.
* Проектирование на плоскость камеры.
* Матрица проектирования.
* Проектирование с учетом измерений в пикселях.
* Учет переноса и поворота камеры.

=== Лекция 9 ===
* Внутренние и внешние параметры камеры, их матрицы.
* Алгоритм RanSaC
* Модель мира.
* Проективная камера и плоскость в мире.
* Линия горизонта.
* Точка зенита.
* Угол между двумя прямыми
* Расстояние между предметами
* Определение положения камеры

=== Лекция 10 ===
* Модель двух камер
* Нахождение матрицы проектции
* Запись системы с неизвестными с нормой 1.
* Обзор SVD разложения.
* Триангуляция и определение точки в пространстве.
* Ошибка регистрации, максимально правдоподобная гомография
* Ризница градиентного метода и метода НЬютона.
* Метод 2d реконструкции
* эпиполярная линия и эпиполюс (эпипол)
* Матрица вектроного произведения
* Essential matrix

http://habrahabr.ru/post/130300/

=== Лекция 11 ===
* Нахождение взаимного пложения камер
* Свойства эпипола
* Фундаментальная матрица
* Возможные положения второй камеры
* Выражение essential matrix через матрицы двух камер
* Связь essential matrix и фундаментальной матрицы
* Положение в пространстве точки по двум проекциям
* Machine Learning
* Определение
* C учителем, без учителя

http://rudocs.exdat.com/docs/index-375716.html

''Лекция похожа на предыдущую и также непонятна. Читать лучше ссылки выше.''

=== Лекция 12 ===
* Ректификация изображений
* Disparity
* Вычисление локальными методами
* Глобальными
* Динамическое программирование
* Scanline подход

http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching

=== Лекция 13 ===
* Постановка задачи обучения с учителем
* Регрессия, классификация
* Персептрон. Определение. Обучение
* Feasibility of learning (почему обучение возможно)
* Неравенство Хёфдинга
* Применение в обучении
* Классификаторы и дихатомии
* Линейные классификаторы.
* Breakpoint.
* VC dimension.
* Input\Output ошибка, bias, genaralization error.
* Выбор размерности решения в зависимости от тестовых данных.
* Пример сведения классификатора "круг" к линейному классификатору.
* Cascade Classification

http://work.caltech.edu/library/053.html

=== Лекция 14 ===
* Задачи распозования лиц и pedestrian detection.
* Haar-like features.
* Идея детектирование по частям.
* Boosting. Weak classifier.
* Случай с невыпуклыми множествами
* Histograms of Oriented Gradients
* SVM. Hard\Soft margin classifier. Нелинейный SVM.

== Список литературы ==

== Ссылки ==

Computer vision 2013

2013-12-23T16:20:57Z

Alexey.Velikiy: /* Лекция 3 */

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

 
Видеозаписи распространяются с ограниением 
[http://vk.com/video11773921_166274510 Видео 1.1 (см. комментарии)]
 
[http://vk.com/video11773921_166334522 Видео 2.1]
[http://vk.com/video11773921_166334830 Видео 2.2]
 
[http://vk.com/video11773921_166400367 Видео 3.0]
[http://vk.com/video11773921_166400346 Видео 3.1]
[http://vk.com/video11773921_166400685 Видео 3.2]
 
[http://vk.com/video11773921_166469493 Видео 4.1]
[http://vk.com/video11773921_166469856 Видео 4.2]
[http://vk.com/video11773921_166469865 Видео 4.3 (Темы практик, public)]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

= Вопросы, которые писал один из студентов =
=== Лекция 1 ===
* Введение. Задачи и проблемы компьютерного зрения.
* Проблемы КЗ: дисторсия, виды шумов.
* Соль с перцем, гаусовский шум.
* Линейный фильтр.

*** Лекция 2 ***
''Рассказ про Python+OpenСV (не представляет теор. интереса)''

=== Лекция 3 ===
* Шумы: optical blur, motion blur, spatial quantization, additive intesity noise.
* Свертка. Свертка дискретная. Box фильтр. Медианный фильтр.
* Производные изображения.
* Оператор Лапласа.
* Конечно-разностная схема для оп.Лапласа.
* Матрицы инвар. к поворотам.h
http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching
* Повышение резкости.
* Повышение резкости с помощью вычитания смазанного изображения.
* Преобразование Фурье. Дискретное преобразование Фурье.
* Низкочасточный фильтр.
* Свойства преобразования.
* Теорема о свертке.
* Восстановление изображения.
* Винеровский фильтр

http://aco.ifmo.ru/el_books/image_processing/

=== Лекция 4 ===
* Шум метода фильтрации.
* Гаусовский фильтр.
* Фильтр Ярославкого (Билетеральный)
* Анизатропный фильтр
* Total variation
* Non-local means
* Метрики оценки шума матода. PSNR
* Разряженное представление
* Block Matching 3dapache admin
* Цветная фильтрация и видео
* Вариационный метод восстановления изображения

http://courses.graphicon.ru/files/courses/vision/2011/lectures/cv2011_04_representation.pdf

=== Лекция 5 ===
* Пирамида гауссианов
* Восстановление изображения по пирамиде.
* Возможность локальной обработки изображения.
* Пирамиды как фильтр нижних частот.
* Обзор вейвлет разложений.
* Локальность представления.
* Пример детектирование текстуры дерева.
* Детектирование "особенностей" изображения
* Уголки, критерии уголка
* Разница гаусианов в пирамиде.
* SIFT дескриптор. Построение. Свойства.
* Дескриптор HOG
* Детекторы дескрипторов, kd-деревья для разбиения дискрипторов.

http://robocraft.ru/forum/viewtopic.php?t=227

=== Лекция 6 ===
* Энтропия, Избыточность, связь с сжатием.
* Код Хффмана. Арифметическое кодирование, LZW.Ц
* Сжатие картинок.
* MLP кодирование.
* Восприятие человека. Сжатие с потерями.
* Прогрессирующее декодирование. Пирамиды. Частоты.
* Метрики ошибок. PSNR.
* Декореляция изображений. Умножение на ортготональную матрицу.
* Блочное сжатие. Обзор JPEG. Квантизация.
* Обзор сжатия видео.

http://habrahabr.ru/post/180803/

=== Лекция 7 ===
* Контуры
* Определение детекции краев. Применение.
* Обзор детекторов краев.
* Детектор контуров. Кодирование и обработка контуров.
* Выделение линий. Hough transform.
* Проективной геометрия.
* История и польза.
* Классы эквивалентности.
* Соответствие векторов R^n и R^(n+1).
* Точки и направления.
* Соответсвие прямых в R^n и точек в R^(n+1).
* Смысл векторного произведения проективных векторов.
* Проективные преобразования
* Гомография
* Нахождения гомографии по точкам

http://habrahabr.ru/post/126269/

=== Лекция 8 ===
* Нахождение гомографии (детально).
* Нахождение гомографии с шумом.
* Минимизация расстояний
* Ошибка перепроктирования
* Итеративный метод оптимизации
* Функция стоимости, параметризация.
* Градиентный спуск.
* Проблема неправильного матчинга точек (outliers)
* Идея метода RanSaC
* Проективная модель камеры.
* Система координат камеры.
* Проектирование на плоскость камеры.
* Матрица проектирования.
* Проектирование с учетом измерений в пикселях.
* Учет переноса и поворота камеры.

=== Лекция 9 ===
* Внутренние и внешние параметры камеры, их матрицы.
* Алгоритм RanSaC
* Модель мира.
* Проективная камера и плоскость в мире.
* Линия горизонта.
* Точка зенита.
* Угол между двумя прямыми
* Расстояние между предметами
* Определение положения камеры

=== Лекция 10 ===
* Модель двух камер
* Нахождение матрицы проектции
* Запись системы с неизвестными с нормой 1.
* Обзор SVD разложения.
* Триангуляция и определение точки в пространстве.
* Ошибка регистрации, максимально правдоподобная гомография
* Ризница градиентного метода и метода НЬютона.
* Метод 2d реконструкции
* эпиполярная линия и эпиполюс (эпипол)
* Матрица вектроного произведения
* Essential matrix

http://habrahabr.ru/post/130300/

=== Лекция 11 ===
* Нахождение взаимного пложения камер
* Свойства эпипола
* Фундаментальная матрица
* Возможные положения второй камеры
* Выражение essential matrix через матрицы двух камер
* Связь essential matrix и фундаментальной матрицы
* Положение в пространстве точки по двум проекциям
* Machine Learning
* Определение
* C учителем, без учителя

http://rudocs.exdat.com/docs/index-375716.html

''Лекция похожа на предыдущую и также непонятна. Читать лучше ссылки выше.''

=== Лекция 12 ===
* Ректификация изображений
* Disparity
* Вычисление локальными методами
* Глобальными
* Динамическое программирование
* Scanline подход

http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching

=== Лекция 13 ===
* Постановка задачи обучения с учителем
* Регрессия, классификация
* Персептрон. Определение. Обучение
* Feasibility of learning (почему обучение возможно)
* Неравенство Хёфдинга
* Применение в обучении
* Классификаторы и дихатомии
* Линейные классификаторы.
* Breakpoint.
* VC dimension.
* Input\Output ошибка, bias, genaralization error.
* Выбор размерности решения в зависимости от тестовых данных.
* Пример сведения классификатора "круг" к линейному классификатору.
* Cascade Classification

http://work.caltech.edu/library/053.html

=== Лекция 14 ===
* Задачи распозования лиц и pedestrian detection.
* Haar-like features.
* Идея детектирование по частям.
* Boosting. Weak classifier.
* Случай с невыпуклыми множествами
* Histograms of Oriented Gradients
* SVM. Hard\Soft margin classifier. Нелинейный SVM.

== Список литературы ==

== Ссылки ==

Computer vision 2013

2013-12-23T16:20:30Z

Alexey.Velikiy: /* Вопросы, которые писал один из студентов */

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

 
Видеозаписи распространяются с ограниением 
[http://vk.com/video11773921_166274510 Видео 1.1 (см. комментарии)]
 
[http://vk.com/video11773921_166334522 Видео 2.1]
[http://vk.com/video11773921_166334830 Видео 2.2]
 
[http://vk.com/video11773921_166400367 Видео 3.0]
[http://vk.com/video11773921_166400346 Видео 3.1]
[http://vk.com/video11773921_166400685 Видео 3.2]
 
[http://vk.com/video11773921_166469493 Видео 4.1]
[http://vk.com/video11773921_166469856 Видео 4.2]
[http://vk.com/video11773921_166469865 Видео 4.3 (Темы практик, public)]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

= Вопросы, которые писал один из студентов =
=== Лекция 1 ===
* Введение. Задачи и проблемы компьютерного зрения.
* Проблемы КЗ: дисторсия, виды шумов.
* Соль с перцем, гаусовский шум.
* Линейный фильтр.

*** Лекция 2 ***
''Рассказ про Python+OpenСV (не представляет теор. интереса)''

=== Лекция 3 ===
* Шумы: optical blur, motion blur, spatial quantization, additive intesity noise.
* Свертка. Свертка дискретная. Box фильтр. Медианный фильтр.
* Производные изображения.
* Оператор Лапласа.
* Конечно-разностная схема для оп.Лапласа.
* Матрицы инвар. к поворотам.h
[http://vk.com/video117739ttp://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching
* Повышение резкости.
* Повышение резкости с помощью вычитания смазанного изображения.
* Преобразование Фурье. Дискретное преобразование Фурье.
* Низкочасточный фильтр.
* Свойства преобразования.
* Теорема о свертке.
* Восстановление изображения.
* Винеровский фильтр

http://aco.ifmo.ru/el_books/image_processing/

=== Лекция 4 ===
* Шум метода фильтрации.
* Гаусовский фильтр.
* Фильтр Ярославкого (Билетеральный)
* Анизатропный фильтр
* Total variation
* Non-local means
* Метрики оценки шума матода. PSNR
* Разряженное представление
* Block Matching 3dapache admin
* Цветная фильтрация и видео
* Вариационный метод восстановления изображения

http://courses.graphicon.ru/files/courses/vision/2011/lectures/cv2011_04_representation.pdf

=== Лекция 5 ===
* Пирамида гауссианов
* Восстановление изображения по пирамиде.
* Возможность локальной обработки изображения.
* Пирамиды как фильтр нижних частот.
* Обзор вейвлет разложений.
* Локальность представления.
* Пример детектирование текстуры дерева.
* Детектирование "особенностей" изображения
* Уголки, критерии уголка
* Разница гаусианов в пирамиде.
* SIFT дескриптор. Построение. Свойства.
* Дескриптор HOG
* Детекторы дескрипторов, kd-деревья для разбиения дискрипторов.

http://robocraft.ru/forum/viewtopic.php?t=227

=== Лекция 6 ===
* Энтропия, Избыточность, связь с сжатием.
* Код Хффмана. Арифметическое кодирование, LZW.Ц
* Сжатие картинок.
* MLP кодирование.
* Восприятие человека. Сжатие с потерями.
* Прогрессирующее декодирование. Пирамиды. Частоты.
* Метрики ошибок. PSNR.
* Декореляция изображений. Умножение на ортготональную матрицу.
* Блочное сжатие. Обзор JPEG. Квантизация.
* Обзор сжатия видео.

http://habrahabr.ru/post/180803/

=== Лекция 7 ===
* Контуры
* Определение детекции краев. Применение.
* Обзор детекторов краев.
* Детектор контуров. Кодирование и обработка контуров.
* Выделение линий. Hough transform.
* Проективной геометрия.
* История и польза.
* Классы эквивалентности.
* Соответствие векторов R^n и R^(n+1).
* Точки и направления.
* Соответсвие прямых в R^n и точек в R^(n+1).
* Смысл векторного произведения проективных векторов.
* Проективные преобразования
* Гомография
* Нахождения гомографии по точкам

http://habrahabr.ru/post/126269/

=== Лекция 8 ===
* Нахождение гомографии (детально).
* Нахождение гомографии с шумом.
* Минимизация расстояний
* Ошибка перепроктирования
* Итеративный метод оптимизации
* Функция стоимости, параметризация.
* Градиентный спуск.
* Проблема неправильного матчинга точек (outliers)
* Идея метода RanSaC
* Проективная модель камеры.
* Система координат камеры.
* Проектирование на плоскость камеры.
* Матрица проектирования.
* Проектирование с учетом измерений в пикселях.
* Учет переноса и поворота камеры.

=== Лекция 9 ===
* Внутренние и внешние параметры камеры, их матрицы.
* Алгоритм RanSaC
* Модель мира.
* Проективная камера и плоскость в мире.
* Линия горизонта.
* Точка зенита.
* Угол между двумя прямыми
* Расстояние между предметами
* Определение положения камеры

=== Лекция 10 ===
* Модель двух камер
* Нахождение матрицы проектции
* Запись системы с неизвестными с нормой 1.
* Обзор SVD разложения.
* Триангуляция и определение точки в пространстве.
* Ошибка регистрации, максимально правдоподобная гомография
* Ризница градиентного метода и метода НЬютона.
* Метод 2d реконструкции
* эпиполярная линия и эпиполюс (эпипол)
* Матрица вектроного произведения
* Essential matrix

http://habrahabr.ru/post/130300/

=== Лекция 11 ===
* Нахождение взаимного пложения камер
* Свойства эпипола
* Фундаментальная матрица
* Возможные положения второй камеры
* Выражение essential matrix через матрицы двух камер
* Связь essential matrix и фундаментальной матрицы
* Положение в пространстве точки по двум проекциям
* Machine Learning
* Определение
* C учителем, без учителя

http://rudocs.exdat.com/docs/index-375716.html

''Лекция похожа на предыдущую и также непонятна. Читать лучше ссылки выше.''

=== Лекция 12 ===
* Ректификация изображений
* Disparity
* Вычисление локальными методами
* Глобальными
* Динамическое программирование
* Scanline подход

http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching

=== Лекция 13 ===
* Постановка задачи обучения с учителем
* Регрессия, классификация
* Персептрон. Определение. Обучение
* Feasibility of learning (почему обучение возможно)
* Неравенство Хёфдинга
* Применение в обучении
* Классификаторы и дихатомии
* Линейные классификаторы.
* Breakpoint.
* VC dimension.
* Input\Output ошибка, bias, genaralization error.
* Выбор размерности решения в зависимости от тестовых данных.
* Пример сведения классификатора "круг" к линейному классификатору.
* Cascade Classification

http://work.caltech.edu/library/053.html

=== Лекция 14 ===
* Задачи распозования лиц и pedestrian detection.
* Haar-like features.
* Идея детектирование по частям.
* Boosting. Weak classifier.
* Случай с невыпуклыми множествами
* Histograms of Oriented Gradients
* SVM. Hard\Soft margin classifier. Нелинейный SVM.

== Список литературы ==

== Ссылки ==

Computer vision 2013

2013-12-23T16:19:31Z

Alexey.Velikiy: /* Вопросы, которые писал один из студентов */

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

 
Видеозаписи распространяются с ограниением 
[http://vk.com/video11773921_166274510 Видео 1.1 (см. комментарии)]
 
[http://vk.com/video11773921_166334522 Видео 2.1]
[http://vk.com/video11773921_166334830 Видео 2.2]
 
[http://vk.com/video11773921_166400367 Видео 3.0]
[http://vk.com/video11773921_166400346 Видео 3.1]
[http://vk.com/video11773921_166400685 Видео 3.2]
 
[http://vk.com/video11773921_166469493 Видео 4.1]
[http://vk.com/video11773921_166469856 Видео 4.2]
[http://vk.com/video11773921_166469865 Видео 4.3 (Темы практик, public)]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

= Вопросы, которые писал один из студентов =
=== Лекция 1 ===
* Введение. Задачи и проблемы компьютерного зрения.
* Проблемы КЗ: дисторсия, виды шумов.
* Соль с перцем, гаусовский шум.
* Линейный фильтр.

*** Лекция 2 ***
''Рассказ про Python+OpenСV (не представляет теор. интереса)''

*** Лекция 3 ***
* Шумы: optical blur, motion blur, spatial quantization, additive intesity noise.
* Свертка. Свертка дискретная. Box фильтр. Медианный фильтр.
* Производные изображения.
* Оператор Лапласа.
* Конечно-разностная схема для оп.Лапласа.
* Матрицы инвар. к поворотам.h
[http://vk.com/video117739ttp://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching
* Повышение резкости.
* Повышение резкости с помощью вычитания смазанного изображения.
* Преобразование Фурье. Дискретное преобразование Фурье.
* Низкочасточный фильтр.
* Свойства преобразования.
* Теорема о свертке.
* Восстановление изображения.
* Винеровский фильтр

http://aco.ifmo.ru/el_books/image_processing/

*** Лекция 4 ***
* Шум метода фильтрации.
* Гаусовский фильтр.
* Фильтр Ярославкого (Билетеральный)
* Анизатропный фильтр
* Total variation
* Non-local means
* Метрики оценки шума матода. PSNR
* Разряженное представление
* Block Matching 3dapache admin
* Цветная фильтрация и видео
* Вариационный метод восстановления изображения

http://courses.graphicon.ru/files/courses/vision/2011/lectures/cv2011_04_representation.pdf

*** Лекция 5 ***
* Пирамида гауссианов
* Восстановление изображения по пирамиде.
* Возможность локальной обработки изображения.
* Пирамиды как фильтр нижних частот.
* Обзор вейвлет разложений.
* Локальность представления.
* Пример детектирование текстуры дерева.
* Детектирование "особенностей" изображения
* Уголки, критерии уголка
* Разница гаусианов в пирамиде.
* SIFT дескриптор. Построение. Свойства.
* Дескриптор HOG
* Детекторы дескрипторов, kd-деревья для разбиения дискрипторов.

http://robocraft.ru/forum/viewtopic.php?t=227

*** Лекция 6 ***
* Энтропия, Избыточность, связь с сжатием.
* Код Хффмана. Арифметическое кодирование, LZW.Ц
* Сжатие картинок.
* MLP кодирование.
* Восприятие человека. Сжатие с потерями.
* Прогрессирующее декодирование. Пирамиды. Частоты.
* Метрики ошибок. PSNR.
* Декореляция изображений. Умножение на ортготональную матрицу.
* Блочное сжатие. Обзор JPEG. Квантизация.
* Обзор сжатия видео.

http://habrahabr.ru/post/180803/

*** Лекция 7 ***
* Контуры
* Определение детекции краев. Применение.
* Обзор детекторов краев.
* Детектор контуров. Кодирование и обработка контуров.
* Выделение линий. Hough transform.
* Проективной геометрия.
* История и польза.
* Классы эквивалентности.
* Соответствие векторов R^n и R^(n+1).
* Точки и направления.
* Соответсвие прямых в R^n и точек в R^(n+1).
* Смысл векторного произведения проективных векторов.
* Проективные преобразования
* Гомография
* Нахождения гомографии по точкам

http://habrahabr.ru/post/126269/

*** Лекция 8 ***
* Нахождение гомографии (детально).
* Нахождение гомографии с шумом.
* Минимизация расстояний
* Ошибка перепроктирования
* Итеративный метод оптимизации
* Функция стоимости, параметризация.
* Градиентный спуск.
* Проблема неправильного матчинга точек (outliers)
* Идея метода RanSaC
* Проективная модель камеры.
* Система координат камеры.
* Проектирование на плоскость камеры.
* Матрица проектирования.
* Проектирование с учетом измерений в пикселях.
* Учет переноса и поворота камеры.

*** Лекция 9 ***
* Внутренние и внешние параметры камеры, их матрицы.
* Алгоритм RanSaC
* Модель мира.
* Проективная камера и плоскость в мире.
* Линия горизонта.
* Точка зенита.
* Угол между двумя прямыми
* Расстояние между предметами
* Определение положения камеры

*** Лекция 10 ***
* Модель двух камер
* Нахождение матрицы проектции
* Запись системы с неизвестными с нормой 1.
* Обзор SVD разложения.
* Триангуляция и определение точки в пространстве.
* Ошибка регистрации, максимально правдоподобная гомография
* Ризница градиентного метода и метода НЬютона.
* Метод 2d реконструкции
* эпиполярная линия и эпиполюс (эпипол)
* Матрица вектроного произведения
* Essential matrix

http://habrahabr.ru/post/130300/

*** Лекция 11 ***
* Нахождение взаимного пложения камер
* Свойства эпипола
* Фундаментальная матрица
* Возможные положения второй камеры
* Выражение essential matrix через матрицы двух камер
* Связь essential matrix и фундаментальной матрицы
* Положение в пространстве точки по двум проекциям
* Machine Learning
* Определение
* C учителем, без учителя

http://rudocs.exdat.com/docs/index-375716.html

== Лекция похожа на предыдущую и также непонятна. Читать лучше ссылки выше. ==

*** Лекция 12 ***
* Ректификация изображений
* Disparity
* Вычисление локальными методами
* Глобальными
* Динамическое программирование
* Scanline подход

http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching

*** Лекция 13 ***
* Постановка задачи обучения с учителем
* Регрессия, классификация
* Персептрон. Определение. Обучение
* Feasibility of learning (почему обучение возможно)
* Неравенство Хёфдинга
* Применение в обучении
* Классификаторы и дихатомии
* Линейные классификаторы.
* Breakpoint.
* VC dimension.
* Input\Output ошибка, bias, genaralization error.
* Выбор размерности решения в зависимости от тестовых данных.
* Пример сведения классификатора "круг" к линейному классификатору.
* Cascade Classification

http://work.caltech.edu/library/053.html

*** Лекция 14 ***
* Задачи распозования лиц и pedestrian detection.
* Haar-like features.
* Идея детектирование по частям.
* Boosting. Weak classifier.
* Случай с невыпуклыми множествами
* Histograms of Oriented Gradients
* SVM. Hard\Soft margin classifier. Нелинейный SVM.

== Список литературы ==

== Ссылки ==

Computer vision 2013

2013-12-23T16:19:12Z

Alexey.Velikiy: /* Вопросы, которые писал один из студентов */

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

 
Видеозаписи распространяются с ограниением 
[http://vk.com/video11773921_166274510 Видео 1.1 (см. комментарии)]
 
[http://vk.com/video11773921_166334522 Видео 2.1]
[http://vk.com/video11773921_166334830 Видео 2.2]
 
[http://vk.com/video11773921_166400367 Видео 3.0]
[http://vk.com/video11773921_166400346 Видео 3.1]
[http://vk.com/video11773921_166400685 Видео 3.2]
 
[http://vk.com/video11773921_166469493 Видео 4.1]
[http://vk.com/video11773921_166469856 Видео 4.2]
[http://vk.com/video11773921_166469865 Видео 4.3 (Темы практик, public)]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

= Вопросы, которые писал один из студентов =
*** Лекция 1 ***
* Введение. Задачи и проблемы компьютерного зрения.
* Проблемы КЗ: дисторсия, виды шумов.
* Соль с перцем, гаусовский шум.
* Линейный фильтр.

*** Лекция 2 ***
''Рассказ про Python+OpenСV (не представляет теор. интереса)''

*** Лекция 3 ***
* Шумы: optical blur, motion blur, spatial quantization, additive intesity noise.
* Свертка. Свертка дискретная. Box фильтр. Медианный фильтр.
* Производные изображения.
* Оператор Лапласа.
* Конечно-разностная схема для оп.Лапласа.
* Матрицы инвар. к поворотам.h
[http://vk.com/video117739ttp://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching
* Повышение резкости.
* Повышение резкости с помощью вычитания смазанного изображения.
* Преобразование Фурье. Дискретное преобразование Фурье.
* Низкочасточный фильтр.
* Свойства преобразования.
* Теорема о свертке.
* Восстановление изображения.
* Винеровский фильтр

http://aco.ifmo.ru/el_books/image_processing/

*** Лекция 4 ***
* Шум метода фильтрации.
* Гаусовский фильтр.
* Фильтр Ярославкого (Билетеральный)
* Анизатропный фильтр
* Total variation
* Non-local means
* Метрики оценки шума матода. PSNR
* Разряженное представление
* Block Matching 3dapache admin
* Цветная фильтрация и видео
* Вариационный метод восстановления изображения

http://courses.graphicon.ru/files/courses/vision/2011/lectures/cv2011_04_representation.pdf

*** Лекция 5 ***
* Пирамида гауссианов
* Восстановление изображения по пирамиде.
* Возможность локальной обработки изображения.
* Пирамиды как фильтр нижних частот.
* Обзор вейвлет разложений.
* Локальность представления.
* Пример детектирование текстуры дерева.
* Детектирование "особенностей" изображения
* Уголки, критерии уголка
* Разница гаусианов в пирамиде.
* SIFT дескриптор. Построение. Свойства.
* Дескриптор HOG
* Детекторы дескрипторов, kd-деревья для разбиения дискрипторов.

http://robocraft.ru/forum/viewtopic.php?t=227

*** Лекция 6 ***
* Энтропия, Избыточность, связь с сжатием.
* Код Хффмана. Арифметическое кодирование, LZW.Ц
* Сжатие картинок.
* MLP кодирование.
* Восприятие человека. Сжатие с потерями.
* Прогрессирующее декодирование. Пирамиды. Частоты.
* Метрики ошибок. PSNR.
* Декореляция изображений. Умножение на ортготональную матрицу.
* Блочное сжатие. Обзор JPEG. Квантизация.
* Обзор сжатия видео.

http://habrahabr.ru/post/180803/

*** Лекция 7 ***
* Контуры
* Определение детекции краев. Применение.
* Обзор детекторов краев.
* Детектор контуров. Кодирование и обработка контуров.
* Выделение линий. Hough transform.
* Проективной геометрия.
* История и польза.
* Классы эквивалентности.
* Соответствие векторов R^n и R^(n+1).
* Точки и направления.
* Соответсвие прямых в R^n и точек в R^(n+1).
* Смысл векторного произведения проективных векторов.
* Проективные преобразования
* Гомография
* Нахождения гомографии по точкам

http://habrahabr.ru/post/126269/

*** Лекция 8 ***
* Нахождение гомографии (детально).
* Нахождение гомографии с шумом.
* Минимизация расстояний
* Ошибка перепроктирования
* Итеративный метод оптимизации
* Функция стоимости, параметризация.
* Градиентный спуск.
* Проблема неправильного матчинга точек (outliers)
* Идея метода RanSaC
* Проективная модель камеры.
* Система координат камеры.
* Проектирование на плоскость камеры.
* Матрица проектирования.
* Проектирование с учетом измерений в пикселях.
* Учет переноса и поворота камеры.

*** Лекция 9 ***
* Внутренние и внешние параметры камеры, их матрицы.
* Алгоритм RanSaC
* Модель мира.
* Проективная камера и плоскость в мире.
* Линия горизонта.
* Точка зенита.
* Угол между двумя прямыми
* Расстояние между предметами
* Определение положения камеры

*** Лекция 10 ***
* Модель двух камер
* Нахождение матрицы проектции
* Запись системы с неизвестными с нормой 1.
* Обзор SVD разложения.
* Триангуляция и определение точки в пространстве.
* Ошибка регистрации, максимально правдоподобная гомография
* Ризница градиентного метода и метода НЬютона.
* Метод 2d реконструкции
* эпиполярная линия и эпиполюс (эпипол)
* Матрица вектроного произведения
* Essential matrix

http://habrahabr.ru/post/130300/

*** Лекция 11 ***
* Нахождение взаимного пложения камер
* Свойства эпипола
* Фундаментальная матрица
* Возможные положения второй камеры
* Выражение essential matrix через матрицы двух камер
* Связь essential matrix и фундаментальной матрицы
* Положение в пространстве точки по двум проекциям
* Machine Learning
* Определение
* C учителем, без учителя

http://rudocs.exdat.com/docs/index-375716.html

== Лекция похожа на предыдущую и также непонятна. Читать лучше ссылки выше. ==

*** Лекция 12 ***
* Ректификация изображений
* Disparity
* Вычисление локальными методами
* Глобальными
* Динамическое программирование
* Scanline подход

http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching

*** Лекция 13 ***
* Постановка задачи обучения с учителем
* Регрессия, классификация
* Персептрон. Определение. Обучение
* Feasibility of learning (почему обучение возможно)
* Неравенство Хёфдинга
* Применение в обучении
* Классификаторы и дихатомии
* Линейные классификаторы.
* Breakpoint.
* VC dimension.
* Input\Output ошибка, bias, genaralization error.
* Выбор размерности решения в зависимости от тестовых данных.
* Пример сведения классификатора "круг" к линейному классификатору.
* Cascade Classification

http://work.caltech.edu/library/053.html

*** Лекция 14 ***
* Задачи распозования лиц и pedestrian detection.
* Haar-like features.
* Идея детектирование по частям.
* Boosting. Weak classifier.
* Случай с невыпуклыми множествами
* Histograms of Oriented Gradients
* SVM. Hard\Soft margin classifier. Нелинейный SVM.

== Список литературы ==

== Ссылки ==

Computer vision 2013

2013-12-23T16:18:49Z

Alexey.Velikiy:

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

 
Видеозаписи распространяются с ограниением 
[http://vk.com/video11773921_166274510 Видео 1.1 (см. комментарии)]
 
[http://vk.com/video11773921_166334522 Видео 2.1]
[http://vk.com/video11773921_166334830 Видео 2.2]
 
[http://vk.com/video11773921_166400367 Видео 3.0]
[http://vk.com/video11773921_166400346 Видео 3.1]
[http://vk.com/video11773921_166400685 Видео 3.2]
 
[http://vk.com/video11773921_166469493 Видео 4.1]
[http://vk.com/video11773921_166469856 Видео 4.2]
[http://vk.com/video11773921_166469865 Видео 4.3 (Темы практик, public)]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

= Вопросы, которые писал один из студентов =
*** Лекция 1 ***
* Введение. Задачи и проблемы компьютерного зрения.
* Проблемы КЗ: дисторсия, виды шумов.
* Соль с перцем, гаусовский шум.
* Линейный фильтр.

*** Лекция 2 ***
== Рассказ про Python+OpenСV ==
(не представляет теор. интереса)

*** Лекция 3 ***
* Шумы: optical blur, motion blur, spatial quantization, additive intesity noise.
* Свертка. Свертка дискретная. Box фильтр. Медианный фильтр.
* Производные изображения.
* Оператор Лапласа.
* Конечно-разностная схема для оп.Лапласа.
* Матрицы инвар. к поворотам.h
[http://vk.com/video117739ttp://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching
* Повышение резкости.
* Повышение резкости с помощью вычитания смазанного изображения.
* Преобразование Фурье. Дискретное преобразование Фурье.
* Низкочасточный фильтр.
* Свойства преобразования.
* Теорема о свертке.
* Восстановление изображения.
* Винеровский фильтр

http://aco.ifmo.ru/el_books/image_processing/

*** Лекция 4 ***
* Шум метода фильтрации.
* Гаусовский фильтр.
* Фильтр Ярославкого (Билетеральный)
* Анизатропный фильтр
* Total variation
* Non-local means
* Метрики оценки шума матода. PSNR
* Разряженное представление
* Block Matching 3dapache admin
* Цветная фильтрация и видео
* Вариационный метод восстановления изображения

http://courses.graphicon.ru/files/courses/vision/2011/lectures/cv2011_04_representation.pdf

*** Лекция 5 ***
* Пирамида гауссианов
* Восстановление изображения по пирамиде.
* Возможность локальной обработки изображения.
* Пирамиды как фильтр нижних частот.
* Обзор вейвлет разложений.
* Локальность представления.
* Пример детектирование текстуры дерева.
* Детектирование "особенностей" изображения
* Уголки, критерии уголка
* Разница гаусианов в пирамиде.
* SIFT дескриптор. Построение. Свойства.
* Дескриптор HOG
* Детекторы дескрипторов, kd-деревья для разбиения дискрипторов.

http://robocraft.ru/forum/viewtopic.php?t=227

*** Лекция 6 ***
* Энтропия, Избыточность, связь с сжатием.
* Код Хффмана. Арифметическое кодирование, LZW.Ц
* Сжатие картинок.
* MLP кодирование.
* Восприятие человека. Сжатие с потерями.
* Прогрессирующее декодирование. Пирамиды. Частоты.
* Метрики ошибок. PSNR.
* Декореляция изображений. Умножение на ортготональную матрицу.
* Блочное сжатие. Обзор JPEG. Квантизация.
* Обзор сжатия видео.

http://habrahabr.ru/post/180803/

*** Лекция 7 ***
* Контуры
* Определение детекции краев. Применение.
* Обзор детекторов краев.
* Детектор контуров. Кодирование и обработка контуров.
* Выделение линий. Hough transform.
* Проективной геометрия.
* История и польза.
* Классы эквивалентности.
* Соответствие векторов R^n и R^(n+1).
* Точки и направления.
* Соответсвие прямых в R^n и точек в R^(n+1).
* Смысл векторного произведения проективных векторов.
* Проективные преобразования
* Гомография
* Нахождения гомографии по точкам

http://habrahabr.ru/post/126269/

*** Лекция 8 ***
* Нахождение гомографии (детально).
* Нахождение гомографии с шумом.
* Минимизация расстояний
* Ошибка перепроктирования
* Итеративный метод оптимизации
* Функция стоимости, параметризация.
* Градиентный спуск.
* Проблема неправильного матчинга точек (outliers)
* Идея метода RanSaC
* Проективная модель камеры.
* Система координат камеры.
* Проектирование на плоскость камеры.
* Матрица проектирования.
* Проектирование с учетом измерений в пикселях.
* Учет переноса и поворота камеры.

*** Лекция 9 ***
* Внутренние и внешние параметры камеры, их матрицы.
* Алгоритм RanSaC
* Модель мира.
* Проективная камера и плоскость в мире.
* Линия горизонта.
* Точка зенита.
* Угол между двумя прямыми
* Расстояние между предметами
* Определение положения камеры

*** Лекция 10 ***
* Модель двух камер
* Нахождение матрицы проектции
* Запись системы с неизвестными с нормой 1.
* Обзор SVD разложения.
* Триангуляция и определение точки в пространстве.
* Ошибка регистрации, максимально правдоподобная гомография
* Ризница градиентного метода и метода НЬютона.
* Метод 2d реконструкции
* эпиполярная линия и эпиполюс (эпипол)
* Матрица вектроного произведения
* Essential matrix

http://habrahabr.ru/post/130300/

*** Лекция 11 ***
* Нахождение взаимного пложения камер
* Свойства эпипола
* Фундаментальная матрица
* Возможные положения второй камеры
* Выражение essential matrix через матрицы двух камер
* Связь essential matrix и фундаментальной матрицы
* Положение в пространстве точки по двум проекциям
* Machine Learning
* Определение
* C учителем, без учителя

http://rudocs.exdat.com/docs/index-375716.html

== Лекция похожа на предыдущую и также непонятна. Читать лучше ссылки выше. ==

*** Лекция 12 ***
* Ректификация изображений
* Disparity
* Вычисление локальными методами
* Глобальными
* Динамическое программирование
* Scanline подход

http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching

*** Лекция 13 ***
* Постановка задачи обучения с учителем
* Регрессия, классификация
* Персептрон. Определение. Обучение
* Feasibility of learning (почему обучение возможно)
* Неравенство Хёфдинга
* Применение в обучении
* Классификаторы и дихатомии
* Линейные классификаторы.
* Breakpoint.
* VC dimension.
* Input\Output ошибка, bias, genaralization error.
* Выбор размерности решения в зависимости от тестовых данных.
* Пример сведения классификатора "круг" к линейному классификатору.
* Cascade Classification

http://work.caltech.edu/library/053.html

*** Лекция 14 ***
* Задачи распозования лиц и pedestrian detection.
* Haar-like features.
* Идея детектирование по частям.
* Boosting. Weak classifier.
* Случай с невыпуклыми множествами
* Histograms of Oriented Gradients
* SVM. Hard\Soft margin classifier. Нелинейный SVM.

== Список литературы ==

== Ссылки ==

Computer vision 2013

2013-12-23T16:18:05Z

Alexey.Velikiy:

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

 
Видеозаписи распространяются с ограниением 
[http://vk.com/video11773921_166274510 Видео 1.1 (см. комментарии)]
 
[http://vk.com/video11773921_166334522 Видео 2.1]
[http://vk.com/video11773921_166334830 Видео 2.2]
 
[http://vk.com/video11773921_166400367 Видео 3.0]
[http://vk.com/video11773921_166400346 Видео 3.1]
[http://vk.com/video11773921_166400685 Видео 3.2]
 
[http://vk.com/video11773921_166469493 Видео 4.1]
[http://vk.com/video11773921_166469856 Видео 4.2]
[http://vk.com/video11773921_166469865 Видео 4.3 (Темы практик, public)]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

== Вопросы, которые писал один из студентов ==
*** Лекция 1 ***
* Введение. Задачи и проблемы компьютерного зрения.
* Проблемы КЗ: дисторсия, виды шумов.
* Соль с перцем, гаусовский шум.
* Линейный фильтр.

*** Лекция 2 ***
== Рассказ про Python+OpenСV ==
(не представляет теор. интереса)

*** Лекция 3 ***
* Шумы: optical blur, motion blur, spatial quantization, additive intesity noise.
* Свертка. Свертка дискретная. Box фильтр. Медианный фильтр.
* Производные изображения.
* Оператор Лапласа.
* Конечно-разностная схема для оп.Лапласа.
* Матрицы инвар. к поворотам.http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching
* Повышение резкости.
* Повышение резкости с помощью вычитания смазанного изображения.
* Преобразование Фурье. Дискретное преобразование Фурье.
* Низкочасточный фильтр.
* Свойства преобразования.
* Теорема о свертке.
* Восстановление изображения.
* Винеровский фильтр

http://aco.ifmo.ru/el_books/image_processing/

*** Лекция 4 ***
* Шум метода фильтрации.
* Гаусовский фильтр.
* Фильтр Ярославкого (Билетеральный)
* Анизатропный фильтр
* Total variation
* Non-local means
* Метрики оценки шума матода. PSNR
* Разряженное представление
* Block Matching 3dapache admin
* Цветная фильтрация и видео
* Вариационный метод восстановления изображения

http://courses.graphicon.ru/files/courses/vision/2011/lectures/cv2011_04_representation.pdf

*** Лекция 5 ***
* Пирамида гауссианов
* Восстановление изображения по пирамиде.
* Возможность локальной обработки изображения.
* Пирамиды как фильтр нижних частот.
* Обзор вейвлет разложений.
* Локальность представления.
* Пример детектирование текстуры дерева.
* Детектирование "особенностей" изображения
* Уголки, критерии уголка
* Разница гаусианов в пирамиде.
* SIFT дескриптор. Построение. Свойства.
* Дескриптор HOG
* Детекторы дескрипторов, kd-деревья для разбиения дискрипторов.

http://robocraft.ru/forum/viewtopic.php?t=227

*** Лекция 6 ***
* Энтропия, Избыточность, связь с сжатием.
* Код Хффмана. Арифметическое кодирование, LZW.Ц
* Сжатие картинок.
* MLP кодирование.
* Восприятие человека. Сжатие с потерями.
* Прогрессирующее декодирование. Пирамиды. Частоты.
* Метрики ошибок. PSNR.
* Декореляция изображений. Умножение на ортготональную матрицу.
* Блочное сжатие. Обзор JPEG. Квантизация.
* Обзор сжатия видео.

http://habrahabr.ru/post/180803/

*** Лекция 7 ***
* Контуры
* Определение детекции краев. Применение.
* Обзор детекторов краев.
* Детектор контуров. Кодирование и обработка контуров.
* Выделение линий. Hough transform.
* Проективной геометрия.
* История и польза.
* Классы эквивалентности.
* Соответствие векторов R^n и R^(n+1).
* Точки и направления.
* Соответсвие прямых в R^n и точек в R^(n+1).
* Смысл векторного произведения проективных векторов.
* Проективные преобразования
* Гомография
* Нахождения гомографии по точкам

http://habrahabr.ru/post/126269/

*** Лекция 8 ***
* Нахождение гомографии (детально).
* Нахождение гомографии с шумом.
* Минимизация расстояний
* Ошибка перепроктирования
* Итеративный метод оптимизации
* Функция стоимости, параметризация.
* Градиентный спуск.
* Проблема неправильного матчинга точек (outliers)
* Идея метода RanSaC
* Проективная модель камеры.
* Система координат камеры.
* Проектирование на плоскость камеры.
* Матрица проектирования.
* Проектирование с учетом измерений в пикселях.
* Учет переноса и поворота камеры.

*** Лекция 9 ***
* Внутренние и внешние параметры камеры, их матрицы.
* Алгоритм RanSaC
* Модель мира.
* Проективная камера и плоскость в мире.
* Линия горизонта.
* Точка зенита.
* Угол между двумя прямыми
* Расстояние между предметами
* Определение положения камеры

*** Лекция 10 ***
* Модель двух камер
* Нахождение матрицы проектции
* Запись системы с неизвестными с нормой 1.
* Обзор SVD разложения.
* Триангуляция и определение точки в пространстве.
* Ошибка регистрации, максимально правдоподобная гомография
* Ризница градиентного метода и метода НЬютона.
* Метод 2d реконструкции
* эпиполярная линия и эпиполюс (эпипол)
* Матрица вектроного произведения
* Essential matrix

http://habrahabr.ru/post/130300/

*** Лекция 11 ***
* Нахождение взаимного пложения камер
* Свойства эпипола
* Фундаментальная матрица
* Возможные положения второй камеры
* Выражение essential matrix через матрицы двух камер
* Связь essential matrix и фундаментальной матрицы
* Положение в пространстве точки по двум проекциям
* Machine Learning
* Определение
* C учителем, без учителя

http://rudocs.exdat.com/docs/index-375716.html

== Лекция похожа на предыдущую и также непонятна. Читать лучше ссылки выше. ==

*** Лекция 12 ***
* Ректификация изображений
* Disparity
* Вычисление локальными методами
* Глобальными
* Динамическое программирование
* Scanline подход

http://stackoverflow.com/questions/17607312/difference-between-disparity-map-and-disparity-image-in-stereo-matching

*** Лекция 13 ***
* Постановка задачи обучения с учителем
* Регрессия, классификация
* Персептрон. Определение. Обучение
* Feasibility of learning (почему обучение возможно)
* Неравенство Хёфдинга
* Применение в обучении
* Классификаторы и дихатомии
* Линейные классификаторы.
* Breakpoint.
* VC dimension.
* Input\Output ошибка, bias, genaralization error.
* Выбор размерности решения в зависимости от тестовых данных.
* Пример сведения классификатора "круг" к линейному классификатору.
* Cascade Classification

http://work.caltech.edu/library/053.html

*** Лекция 14 ***
* Задачи распозования лиц и pedestrian detection.
* Haar-like features.
* Идея детектирование по частям.
* Boosting. Weak classifier.
* Случай с невыпуклыми множествами
* Histograms of Oriented Gradients
* SVM. Hard\Soft margin classifier. Нелинейный SVM.

== Список литературы ==

== Ссылки ==

Devdays

2013-11-14T05:16:39Z

Alexey.Velikiy: /* Видео */

== DevDays ==

=== Фичи ===
* Список девдейсов по годам
* Предстоящий девдейс: отображается список идей
* Возможность лайкать идеи
* Добавление идей
* Этап выбора тем для проектов
* Этап идущего мероприятия: список проектов в разработке
* Статистика открытых, закрытых тасков и коммитов с гитхаба (in progress)
* Авторизация пользователей с правами
* Комментарии и обсуждения к темам (won't do)
* Админка

=== Баги ===
* Один пользователь может участвовать в двух проектах
* Нельзя выбрать руками идеи для девдейса (выбирается только по числу лайков)

=== Состав команды ===
* Анастасия Моисеева
* Влад Савельев
* Екатерина Устюжанина
* Алексей Великий

=== Репозиторий ===
https://github.com/vladsaveliev/devdays

===Видео===
http://www.youtube.com/watch?v=PwLKu7xVY3Q

http://www.youtube.com/watch?v=vJzYgv-jeAI

Devdays

2013-11-14T05:16:31Z

Alexey.Velikiy: /* Видео */

Devdays

2013-11-14T05:16:24Z

Alexey.Velikiy: /* Видео (среда, 10:00) */

Devdays

2013-11-11T08:01:54Z

Alexey.Velikiy: /* Задачи */

== DevDays ==

=== Задачи ===
* Тестовые таски
* Организационные вопросы типа проета на гитхабе
* Простая схема приложения

=== Фичи ===
* Выдача базаой инфомрации о мероприятии
* Форма заявки новой темы
* Авторизация пользователей
* Лайки тем
* Комментарии и обсуждения к темам

=== Состав команды ===
* Анастасия Моисеева
* Влад Савельев
* Екатерина Устюжанина

=== Репозиторий ===
https://github.com/vladsaveliev/devdays

Devdays

2013-11-11T08:01:29Z

Alexey.Velikiy: Новая страница: « == DevDays == === Задачи === * Сдеать тестовые таски * Организационные вопросы типа проета на гитх…»

== DevDays ==

=== Задачи ===
* Сдеать тестовые таски
* Организационные вопросы типа проета на гитхабе
* Простая схема приложения

=== Фичи ===
* Выдача базаой инфомрации о мероприятии
* Форма заявки новой темы
* Авторизация пользователей
* Лайки тем
* Комментарии и обсуждения к темам

=== Состав команды ===
* Анастасия Моисеева
* Влад Савельев
* Екатерина Устюжанина

=== Репозиторий ===
https://github.com/vladsaveliev/devdays

Prpojects fall 2013

2013-11-11T07:49:31Z

Alexey.Velikiy:

Devdays fall 2013

2013-11-03T14:00:17Z

Alexey.Velikiy: /* DevDays */

Тут пишем идеи. Нумеруйте или подписывайте названия своих идей, чтобы было видно, где начинается новая идея.

Подсказочка: жмём вверхнем правом углу "представиться системе", после авторизации жмём вверху слева "править"

== День рождения каждый день ==
Сайтик с использованием вк апи, на котором каждый вошедший может собрать себе людей в группы так, чтобы ходить по дням рождения с заданной периодичностью.

Технологии: Питон + VKApi.

Предложили: Никита Карташов, Марат Хабибуллин.

== Отметка маршрута путешествия по фотографиям ==

Как говорилось раньше, андройд впиливает данные геолокации, когда делает фотки, потому есть идея запилить андройд-приложение для того, чтобы отображать эти фотки на гуглокартах, хвастаться этим друзьям и вообще. Дополнительная возможность: делать все то же самое без телефона, с сайтика напрямую.

Технологии: Питон (сайтик) + GoogleApi + Java (под android).

Предложили: Никита Карташов, Марат Хабибуллин.

== Рисовач ==

Если у андройдофона есть датчики (аксилерометр, GPS и т.д.), то можно, в принципе, рисовать с его помощью картинки в воздухе. Предполагается сначала рисовать внутри телефона, потом уже загружать куда-нибудь или сразу рисовать удаленно, тут уж как получится.

Технологии: Java (под android) + какое-то апи для рисования.

Предложили: Никита Карташов, Марат Хабибуллин.

== Поможем метеорологам ==
У большого количества современных телефонов есть датчики давления, влажности, температуры и.т.д., которые на данный момент используются в основном для того, чтобы показать всем остальным что у тебя есть датчик давления, влажности, температуры. Идея состоит в том, чтобы собирать показания с этих датчиков(давление и влажность, температуру бессмысленно) и их координаты, записывать их, после чего выдавать в виде синхронизированном с какими-нибудь яндекс-гугло-картами виде. Такая штука может, как мне кажется, помочь с предсказанием погоды, да и просто круто.)

Технологии: БД, Java (под android), может быть Питон и может быть что-то ещё)

Предложил Семён Атамась

== Бот домашнего задания ==

Количество сообщений в наших группах рассылки растет и найти среди них домашку скоро будет NP-полной задачей. Предлагаю написать email-бота который по заданным правилам (адресату, ключевому слову "домашка", айпишнику в конце концов:) определяет тип домашней работы, скачивает это все куда-нибудь к себе на сервер в папочку и разумно переименовывает. Для пущего удобства можно запилить к нему веб-морду в которой будет список файлов сортированный по предметам или по дате.
В качестве бонуса можно прикрутить небольшую статистику сообщений в группах: кто писал чаще всех, кто пишет днем, а кто ночью, у кого больше всего многоточий в сообщениях и т.д.

Технологии: я бы хотел на Haskell, но будем честны:) Так что Python, sqlite.

Предложил Обедин Николай

== Финансовый планировщик ==

Есть крутая система финансового планирования, [http://www.kraynov.com/2008/01/22/4-envelope-rule/ 4 конверта]. Однако, [https://www.4konverta.com/ единственное приложение], которое позволяет планировать по этой системе настолько перегружено и неудобно, что я прям не знаю что сказать. Надо сделать (насколько можно) упрощенную версию планировщика,
которая к тому же должна работать нормально и на мобильных устройствах. Летом я уже немного начал писать прототип, но так и не закончил.

Технологии: Haskell на сервере, Backbone + Foundation на клиенте

Предложил Обедин Николай

== VK data analyzer ==
Пожалуй многие видели у wolframalpha возможность сделать достаточно подробную статистику по вашему аккаунту в facebook [http://www.wolframalpha.com/input/?i=facebook+report посмотреть]. Интересно сделать что-нибудь похожее для канташки. Вероятно лучше делать как веб-приложение, но можно и сделать обычное приложение.

Технологии: python+django+vkAPI и(или) еще что-нибудь. Для десктопа: qt+vkAPI.

Предложил Михайленко Дмитрий

== Music visualizer ==
Есть интересная либа для разработки приложений под андроид и не только, называется [http://www.kivy.org/#home kivy]. Про нее в русскоязычном интернете как-то не густо.Так как там активно используется openGL, интересно было бы написать что-нубудь красивое, например, визуализатор музыки. Можно писать как плагин к какому-нибудь музыкальному плееру, или как отдельное приложение, как заставку и т. п. Посмотрите на сайте различные [http://kivy.org/#gallery проектики], сделанные с использованием этой библиотеки, может еще какие-нибудь идеи появятся.

Технологии: python+kivy+androidSDK+androidNDK...

Предложил Михайленко Дмитрий

== Планировщик времени ==
Приложение - экспертная система для грамотного планирования времени для учебы. Предполагается возможность распределения часов на каждый предмет или универсально или вручную, приложение должно быть обучаемым и самообучаемым, т.е. со временем оно само запомнить сколько времени ты тратишь на предмет. Если соединить его с "ботом домашнего задания" то оно само сможет определять какие домашки и к какому сроку надо выполнить и примерно распределять время на выполнения. Можно добавить различные стратегии и возможность выбора приоритетов итп. Неплохо было б если оно могло намекать, что ты уже засиделся в вконтакте и спать тебе сегодня меньше из за этого итп.

Технологии: в зависимости от приложения(Desktop/под мобильные устройства)

Предложила Устюжанина Екатерина

== Magic 8 Ball ==
Многие, наверное, видели фильм трасса 60 и там был шарик отвечающий на вопросы. Такие приложения уже есть https://play.google.com/store/apps/details?id=com.game4minute.magicball3d , но хотелось бы его завязать на датчики, чтобы шар можно было как бы потрясти. Еще круто было бы соединить приложение с сообщениями, посылаемыми пользователем (это несложно сделать с помощью Content Providerов)Основная сложнасть придумать алгоритм который из смс пользователя составляет более менее разумное предложение, или подобрать несколько шаблонов в которые можно добавлять практические любые слова

Технологии: Java(под Android)

Предложила Устюжанина Екатерина

== VK Messenger под Tizen ==
Ряд корпораций разрабатывают новую мобильную ОS на основе MeeGo. ОС имеет некоторые перспективы, т.к. планируется её использование в огромном количестве бытовой техники одной из компаний, участвующей в разработке. ([http://ru.wikipedia.org/wiki/Tizen|wiki Tizen])
Предлагается написать под эту платформу приложение для обмена сообщениями в одной известной популярной социальной сети. Если получится за три дня сделать что-либо толковое, то можно попробовать поучаствовать в конкурсе, который сейчас проводится Samsung. Иначе можно получить опыта разработки под Tizen.

Технологии: C++ (native application) / JS + html5(web application), Tizen API, социальная сеть API.

Предложил Алексей Козятинский

== Синхронизатор музыки ==
Проблема: Есть, например, два устройства - ПК и планшет. На том и на другом находится огромное количество папок с бесконечным числом любимой музыки. После добавления очередного музыкального хита на одно из устройств, возникает необходимость синхронизировать его с другим. Но когда слишком много накопилось новой музыки на одном из устройств, понять, чего же не хватает на другом, достаточно тяжело. Хочется, чтобы недостающие композиции сами перекидывались туда, где их нет.

Решение: Приложение, позволяющее по указанным исходной и целевой папкам на ПК и планшете, определять, каких композиций не хватает и, собственно, осуществлять синхронизацию. Предлагается реализовать приложение так, чтобы для обмена информацией использовалось соединение по WiFi между двумя устройствами (ПК расшаривает доступ, планшет коннектится и происходит магия).

Технологии: С++-python / andriodSDK-Java (под андроид)

Предложил: Новокрещенов Константин

== Вычислитель по IP ==
Активно общаясь и дискутируя на жизненно важные и насущные проблемы нашего бытия (например, по Skype), у многих пользователей (чаще всего у молодых ребят) возникает острая необходимость определить местоположение своего собеседника, дабы встретиться с ним и преподнести свои аргументы в несколько иной форме. Так давайте поможем им!
Существует множество сайтов, позволяющих определить координаты устройства по предоставленному IP адресу. Предлагается написать приложение (или плагин), собирающее информацию со всех этих сайтов о владельце IP адреса и предоставляющий её в удобной наглядной форме (можно как-нибудь подключить Google-карты). Скорее всего, создаваемое приложение должно также использовать SkypeAPI, поскольку с помощью некоторых уязвимостей последнего можно попытаться узнать IP собеседника. Вообщем, амбициозно, непонятно и тяжело.

[[Файл:Ip_determine.jpeg|200px]]

Технологии: С++ / python

Предложил: Новокрещенов Константин

== DevDays ==
Суть сделать DevDays, проходящий в АФТУ публичным. Создать веб-платформу с трекингом проектов, команд и их задач, разбирытые по этапам. Выполнение задач оцениваются экспертами.
Усехи команды видны в глобальной рейтинговой таблице. В качестве фичи можно рассмотреть заморозку рейтинга на вечер последнего дня.
Между следующими DevDays люди (может даже организации) смогут предложить свои задачи, а когда наступет сам DevDays команды смогут выбрать себе понравившиеся.
Когда будут изветны результаты, то можно сделать интернет-трансляцию награждения победителей ценными призами.

Технологии: Django (желательно) + классический frontend.

Предложил: Великий Алексей

Devdays fall 2013

2013-11-03T09:12:44Z

Alexey.Velikiy:

Networks 2013

2013-10-17T15:06:46Z

Alexey.Velikiy: /* Ссылки */

Лектор - Антон Кузнецов

Практика - Антон Кузнецов

== Лекции ==

== Домашние задания ==

Домашнее задание от 11/10

a) ICMP-типы 13 -- запрос синхронизации времени и 14 -- время отправки, получения и т.д.
Нужно реализовать клиент и сервер.
Проверить, чтобы работало со стандартными службами ОС.

б) ICMP-типы 17 и 18. В 17-ом пакете есть адрес, а в 18 -- маска, соответствующая его сети.
Клиент и сервер.
C, С++, С++ + Boost.Asio, Java, C#, Python, Haskell, Erlang

Дедлайн 25/10.

== Список литературы ==

== Ссылки ==
[http://www.pcvr.nl/tcpip/ TCP/IP Illustrated, Vol. 1]

Computational geometry 2013

2013-10-08T01:58:33Z

Alexey.Velikiy: /* Ссылки */

Лектор -

Практика -

== Лекции ==

[http://vk.com/video11773921_166317565 Видео 2.1]
[http://vk.com/video11773921_166317513 Видео 2.2]
 
[http://vk.com/video11773921_166380537 Видео 3.1]
[http://vk.com/video11773921_166381399 Видео 3.2]
[http://vk.com/video11773921_166381548 Видео 3.2]
 
[http://vk.com/video11773921_166437694 Видео 4.1]
[http://vk.com/video11773921_166437799 Видео 4.2]
[http://vk.com/video11773921_166437863 Видео 4.3]
 
[http://vk.com/video11773921_166493901 Видео 5.1]
[http://vk.com/video11773921_166493902 Видео 5.2]
[http://vk.com/video11773921_166493903 Видео 5.3]

== Домашние задания ==

== Список литературы ==

== Ссылки ==
По первой лекции:
http://robotics.stanford.edu/~birch/projective/node4.html

Qt проект:
https://github.com/AndreyG/Geometry-Visualization-Library

Пример использования:
https://github.com/AndreyG/Visualization-Example

Computational geometry 2013

2013-10-08T01:23:31Z

Alexey.Velikiy: /* Ссылки */

Лектор -

Практика -

== Лекции ==

[http://vk.com/video11773921_166317565 Видео 2.1]
[http://vk.com/video11773921_166317513 Видео 2.2]
 
[http://vk.com/video11773921_166380537 Видео 3.1]
[http://vk.com/video11773921_166381399 Видео 3.2]
[http://vk.com/video11773921_166381548 Видео 3.2]
 
[http://vk.com/video11773921_166437694 Видео 4.1]
[http://vk.com/video11773921_166437799 Видео 4.2]
[http://vk.com/video11773921_166437863 Видео 4.3]
 
[http://vk.com/video11773921_166493901 Видео 5.1]
[http://vk.com/video11773921_166493902 Видео 5.2]
[http://vk.com/video11773921_166493903 Видео 5.3]

== Домашние задания ==

== Список литературы ==

== Ссылки ==
По первой лекции:
http://robotics.stanford.edu/~birch/projective/node4.html

Qt проект
https://github.com/AndreyG/Geometry-Visualization-Library

Computational geometry 2013

2013-10-05T07:29:07Z

Alexey.Velikiy: /* Лекции */

Computer vision 2013

2013-10-02T20:25:28Z

Alexey.Velikiy: /* Лекции */

Computer vision 2013

2013-10-02T20:25:12Z

Alexey.Velikiy: /* Лекции */

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

 
Видеозаписи распространяются с ограниением 
[http://vk.com/video11773921_166274510 Видео 1.1 (см. комментарии)]
 
[http://vk.com/video11773921_166334522 Видео 2.1]
[http://vk.com/video11773921_166334830 Видео 2.2]
 
[http://vk.com/video11773921_166400367 Видео 3.0]
[http://vk.com/video11773921_166400346 Видео 3.1]
[http://vk.com/video11773921_166400685 Видео 3.2]
 
[http://vk.com/video11773921_166469493 Видео 4.1]
[http://vk.com/video11773921_166469856 Видео 4.2]
[http://vk.com/video11773921_166469865 Видео 4.3 (Темы практик, public)]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

== Список литературы ==

== Ссылки ==

Computer vision 2013

2013-10-02T20:24:50Z

Alexey.Velikiy: /* Лекции */

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

 
Видеозаписи распространяются с ограниением
[http://vk.com/video11773921_166274510 Видео 1.1 (см. комментарии)]
 
[http://vk.com/video11773921_166334522 Видео 2.1]
[http://vk.com/video11773921_166334830 Видео 2.2]
 
[http://vk.com/video11773921_166400367 Видео 3.0]
[http://vk.com/video11773921_166400346 Видео 3.1]
[http://vk.com/video11773921_166400685 Видео 3.2]
 
[http://vk.com/video11773921_166469493 Видео 4.1]
[http://vk.com/video11773921_166469856 Видео 4.2]
[http://vk.com/video11773921_166469865 Видео 4.3 (Темы практик, public)]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

== Список литературы ==

== Ссылки ==

Computer vision 2013

2013-10-02T09:27:39Z

Alexey.Velikiy: /* Лекции */

Лектор -

Практика -

== Лекции ==
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

== Список литературы ==

== Ссылки ==

Компьютерная графика 2013

2013-09-30T09:05:13Z

Alexey.Velikiy: /* Ссылки */

Лектор -

Практика -

== Лекции ==

== Домашние задания ==

== Список литературы ==

== Ссылки ==
https://sites.google.com/site/cgcourseau2013autumn/

 
'''Tutorials''' 
http://www.opengl-tutorial.org/ 
http://www.g-truc.net/project-0026.html 
http://oglplus.org/

Компьютерная графика 2013

2013-09-30T09:05:05Z

Alexey.Velikiy: /* Ссылки */

Лектор -

Практика -

== Лекции ==

== Домашние задания ==

== Список литературы ==

== Ссылки ==
https://sites.google.com/site/cgcourseau2013autumn/

 
'''Tutorials'''
http://www.opengl-tutorial.org/ 
http://www.g-truc.net/project-0026.html 
http://oglplus.org/

Computational geometry 2013

2013-09-28T21:24:55Z

Alexey.Velikiy: /* Лекции */

Computational geometry 2013

2013-09-28T07:50:48Z

Alexey.Velikiy: /* Лекции */

Computational geometry 2013

2013-09-25T11:20:41Z

Alexey.Velikiy: /* Лекции */

Computational geometry 2013

2013-09-25T11:20:24Z

Alexey.Velikiy: /* Лекции */

Computational geometry 2013

2013-09-22T23:10:29Z

Alexey.Velikiy: /* Лекции */

Лектор -

Практика -

== Лекции ==

[http://vk.com/video?section=album_49760770 Видео]

== Домашние задания ==

== Список литературы ==

== Ссылки ==
По первой лекции:
http://robotics.stanford.edu/~birch/projective/node4.html

Computer vision 2013

2013-09-22T23:09:53Z

Alexey.Velikiy: /* Лекции */

Лектор -

Практика -

== Лекции ==
[http://vk.com/video?section=album_49679777 Видео (ограниченный доступ)] 
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

== Список литературы ==

== Ссылки ==

Computer vision 2013

2013-09-22T23:09:39Z

Alexey.Velikiy: /* Лекции */

Лектор -

Практика -

== Лекции ==
[http://vk.com/video?section=album_49679777 Видео (ограниченный доступ)]
[https://docs.google.com/file/d/0ByEzmeJ-IkqAVmh4QkJtUUVWTU0/edit?usp=sharing Python + OpenCV]

== Домашние задания ==

=== Задача по определению движения: ===
# Посчитать фон (варианты: среднее по всем кадрам, скользящее среднее, фиксированный кадр)
# Вычислить маску для движения ( |кадр - фон| > T )
# Применить cv::dilate для пост-обработки маски, изучить, что делает данный оператор.
# Найти на каждом кадре движ. объекты при помощи поиска связанных областей (cv::floodFill)
#(*) Сопоставить объекты на соседних кадрах между собой при помощи http://en.wikipedia.org/wiki/Hungarian_algorithm на основе расстояния м\д центрами масс

Тестовые видео брать отсюда:
http://iselab.cvc.uab.es/outdoor-cams

Также можно пробовать на http://www.cvc.uab.es/~bagdanov/master/videos.html (Video surveillance sequences)

Видео для тестирования алгоритма стабилизации (также можно пробовать на видео из презентации):
https://docs.google.com/file/d/0ByEzmeJ-IkqAYWpkVFkwN1d3eEE/edit?usp=sharing

== Список литературы ==

== Ссылки ==

Computational geometry 2013

2013-09-22T22:51:54Z

Alexey.Velikiy: /* Лекции */

Лектор -

Практика -

== Лекции ==

[http://vk.com/video?section=album_49760770 Запись лекций на видео]

== Домашние задания ==

== Список литературы ==

== Ссылки ==
По первой лекции:
http://robotics.stanford.edu/~birch/projective/node4.html

Computational geometry 2013

2013-09-14T11:35:49Z

Alexey.Velikiy: /* Лекции */

Лектор -

Практика -

== Лекции ==

[http://vk.com/video11773921_166317565 Лекция 2.1 (видео)] 
[http://vk.com/video11773921_166317513 Лекция 2.2 (видео)]

== Домашние задания ==

== Список литературы ==

== Ссылки ==
По первой лекции:
http://robotics.stanford.edu/~birch/projective/node4.html

Computational geometry 2013

2013-09-14T11:35:32Z

Alexey.Velikiy: /* Лекции */

Лектор -

Практика -

== Лекции ==

[http://vk.com/video11773921_166317565 Лекция 2.1] 
[http://vk.com/video11773921_166317513 Лекция 2.2]

== Домашние задания ==

== Список литературы ==

== Ссылки ==
По первой лекции:
http://robotics.stanford.edu/~birch/projective/node4.html

Generative programming 2013

2013-09-05T08:22:14Z

Alexey.Velikiy: /* Лекции */

Преподаватели - Власьев Михаил Игоревич (mailto:michael.vlassiev@jetbrains.com), 
Мухин Михаил Александрович (mailto:Mihail.Muhin@jetbrains.com)

== Лекции ==
04.09.2013:
[[Медиа: Lect_1_1.pdf‎ | О чем курс]],
[[Медиа: AMSE_4.9.pdf | Textmapper]],
[https://dl.dropboxusercontent.com/u/34699053/Study/TextmapperTest.zip Textmapper example] 

== Домашние задания ==

1. Парсер упрощенного XML, срок сдачи до 15.09 
Написать на Textmapper (плагин к IntelliJ IDEA) парсер текста вида:
 <asdf1>
 <abc>text 123</abc>
 <zxcv2> text text</zxcv2>
 </asdf1>
Написать программу, использующую сгенеренный парсер. На вход программе подается файл с текстом. Программа выписывает в консоль полученное от парсера AST или выводит ошибки, возникшие при разборе (в случае, когда они есть). Как передается файл и как выводится дерево - не важно, главное, чтобы было понятно, как запустить программу, и что получилось в итоге.
 
'''Спецификация языка'''
*Теги бывают вида <xyz> и </xyz>, но не <xyz/>
*Внутри каждого тега может быть '''либо''' несколько тегов, '''либо''' один кусок текста. Текст состоит из слов, каждое из которых - набор букв. Имя тега - набор букв (без цифр). Корневой тег - ровно один
*Теги должны образовывать правильную скобочную структуру. Hint: проверку соответствия идентификаторов открывающего и закрывающего тегов проще всего сделать через semantic actions (см. документацию).
 
'''Приблизительная разбалловка'''
 5 - задание сделано и полностью работает
 4 - небольшие недочеты, в целом все работает
 3 - не работает в некоторых случаях
 1 - задание не сдано

 +1 балл - все то же самое, но имя тега может включать цифры и буквы, а текст внутри тега состоит из букв, цифр, точек, запятых и знаков пробелов, другие символы в тексте запрещены (см. lexer states в документации textmapper'а).
 +1 балл - найти максимальное кол-во ошибок в Textmapper (5 лучших результатов по состоянию на 15.09)
 Максимум за все задание можно получить 6 баллов

----
'''NB!'''
Не забудьте отключить external build (File->Preferences->Compiler->Use external build -- disable) и написать в начале .tm-файла магические строчки:
 gentree = true
 genast = true
 positions = "offset,line"
 endpositions = "offset"

== Список литературы ==
Generative Programming: Methods, Tools, and Applications 
Krysztof Czarnecki, Ulrich Eisenecker 
Addison-Wesley Professional; 1 edition (June 16, 2000) 
Перевод: Чернецки К., Айзенекер У. Порождающее программирование: методы, инструменты, применение / Пер. с англ. СПб: Питер, 2005.

Domain-Specific Languages 
Martin Fowler 
Addison-Wesley; 2011 

== Полезные ссылки ==
JetBrains MPS: http://www.jetbrains.com/mps 
Отчеты об ошибках писать сюда: http://youtrack.jetbrains.com/issues/MPS

Generative programming 2013

2013-09-05T08:21:44Z

Alexey.Velikiy: /* Лекции */

Преподаватели - Власьев Михаил Игоревич (mailto:michael.vlassiev@jetbrains.com), 
Мухин Михаил Александрович (mailto:Mihail.Muhin@jetbrains.com)

== Лекции ==
04.09.2013:
[[Медиа: Lect_1_1.pdf‎ | О чем курс]],
[[Медиа: AMSE_4.9.pdf | Textmapper]],
[https://dl.dropboxusercontent.com/u/34699053/Study/TextmapperTest.zip | Textmapper example] 

== Домашние задания ==

1. Парсер упрощенного XML, срок сдачи до 15.09 
Написать на Textmapper (плагин к IntelliJ IDEA) парсер текста вида:
 <asdf1>
 <abc>text 123</abc>
 <zxcv2> text text</zxcv2>
 </asdf1>
Написать программу, использующую сгенеренный парсер. На вход программе подается файл с текстом. Программа выписывает в консоль полученное от парсера AST или выводит ошибки, возникшие при разборе (в случае, когда они есть). Как передается файл и как выводится дерево - не важно, главное, чтобы было понятно, как запустить программу, и что получилось в итоге.
 
'''Спецификация языка'''
*Теги бывают вида <xyz> и </xyz>, но не <xyz/>
*Внутри каждого тега может быть '''либо''' несколько тегов, '''либо''' один кусок текста. Текст состоит из слов, каждое из которых - набор букв. Имя тега - набор букв (без цифр). Корневой тег - ровно один
*Теги должны образовывать правильную скобочную структуру. Hint: проверку соответствия идентификаторов открывающего и закрывающего тегов проще всего сделать через semantic actions (см. документацию).
 
'''Приблизительная разбалловка'''
 5 - задание сделано и полностью работает
 4 - небольшие недочеты, в целом все работает
 3 - не работает в некоторых случаях
 1 - задание не сдано

 +1 балл - все то же самое, но имя тега может включать цифры и буквы, а текст внутри тега состоит из букв, цифр, точек, запятых и знаков пробелов, другие символы в тексте запрещены (см. lexer states в документации textmapper'а).
 +1 балл - найти максимальное кол-во ошибок в Textmapper (5 лучших результатов по состоянию на 15.09)
 Максимум за все задание можно получить 6 баллов

----
'''NB!'''
Не забудьте отключить external build (File->Preferences->Compiler->Use external build -- disable) и написать в начале .tm-файла магические строчки:
 gentree = true
 genast = true
 positions = "offset,line"
 endpositions = "offset"

== Список литературы ==
Generative Programming: Methods, Tools, and Applications 
Krysztof Czarnecki, Ulrich Eisenecker 
Addison-Wesley Professional; 1 edition (June 16, 2000) 
Перевод: Чернецки К., Айзенекер У. Порождающее программирование: методы, инструменты, применение / Пер. с англ. СПб: Питер, 2005.

Domain-Specific Languages 
Martin Fowler 
Addison-Wesley; 2011 

== Полезные ссылки ==
JetBrains MPS: http://www.jetbrains.com/mps 
Отчеты об ошибках писать сюда: http://youtrack.jetbrains.com/issues/MPS