CV2015. Лекция 1. Понятия и история компьютерного зрения. Свет и цвет.Anton Konushin
Курс "Введение в компьютерное зрение", читаемый на
ВМК МГУ имени М.В. Ломоносова в весеннем семестре 2015 года. Лектор - Конушин Антон. Лекция 1. Темы - понятие о компьютерном зрение, сложности, связь с искусственным интеллектом. История и достижения компьютерного зрения. Свет и цвет, модели цвета, цифровое изображение.
Введение. История компьютерного зрения. Трудности и подсказки. Практическое применение. Обзор курса. Устройство оптической системы человека, фотокамеры. Цвет и свет.
CV2015. Лекция 1. Понятия и история компьютерного зрения. Свет и цвет.Anton Konushin
Курс "Введение в компьютерное зрение", читаемый на
ВМК МГУ имени М.В. Ломоносова в весеннем семестре 2015 года. Лектор - Конушин Антон. Лекция 1. Темы - понятие о компьютерном зрение, сложности, связь с искусственным интеллектом. История и достижения компьютерного зрения. Свет и цвет, модели цвета, цифровое изображение.
Введение. История компьютерного зрения. Трудности и подсказки. Практическое применение. Обзор курса. Устройство оптической системы человека, фотокамеры. Цвет и свет.
Нейросетевые системы автоматического распознавания морских объектовNatalia Polkovnikova
Полковникова Н.А. Нейросетевые системы автоматического распознавания морских объектов // Эксплуатация морского транспорта. Гос. морской университет им. адмирала Ф.Ф. Ушакова, Новороссийск. – 2020, №1(94). – C. 207-219.
Встроенная видеоаналитика для детектирования и сопровождения объектов при пом...Nikolai Ptitsyn
Novel video analytics algorithms are presented enabling embedded motion detection and object tracking for CCTV systems.
The motion detection algorithm is based on the neurobiological mechanism of the primary visual cortex V1. A sequence of simple pixel operations is used including linear operators (weighted sum) and nonlinear operator (max, saturation).
The object tracking algorithm is a hybrid of two approaches: (1) time series analysis of motion detector regions and (2) space correlation between the current frame features and object model features.
Unique advantages of the present analytics pipeline include the efficiency on the high definition (HD) video stream and the ability to track low contrast overlapping objects against a dynamic background.
The embedded video analytics is implemented and deployed on different platforms including the Texas Instruments’s DSP.
A comprehensive testing environment was setup used to estimate the overall performance of the video analytics implementations. A fully embedded implementation on DSP has been i-LIDS approved both as a primary detection system for operational alert use and as an event based recording system in sterile zone monitoring applications.
Keywords: embedded video analytics, primary visual cortex V1, multiple scale features, motion detection, object tracking, i-LIDS.
Предложен новый алгоритм встроенной видеоаналитики для автоматического детектирования и сопровождения подвижных объектов в системах охранного наблюдения.
Для детектирования объектов заимствованы принципы анализа изображения из зрительной коры мозга. Использована последовательность простых пиксельных операций: линейных (взвешенное суммирование) и нелинейных (выбор максимального значения, насыщение).
Для сопровождения объектов использован гибридный алгоритм на основе (1) анализа временного ряда детектора объектов и (2) пространственной корреляции признаков текущего кадра и статистической модели объекта.
Отличительными особенностями разработанного конвейера являются вычислительная эффективность на видеопотоке высокой четкости (HD) и возможность сопровождения слабоконтрастных перекрывающихся целей на изменчивом фоне. Алгоритм реализован и внедрен на различных платформах, в том числе на сигнальных процессорах (DSP). Оценка точности встроенных алгоритмов детектирования и сопровождения произведена по методике i-LIDS. Полностью встроенная реализация на DSP одобрена i-LIDS как система первичного обнаружения для формирования оперативных тревог и для записи событий в приложениях видеонаблюдения стерильной зоны.
Ключевые слова: встроенная видеоаналитика, первичная зрительная кора V1, многомасштабный анализ, детектирование движения, сопровождение целей, поточное видео, i-LIDS.
Нейросетевые системы автоматического распознавания морских объектовNatalia Polkovnikova
Полковникова Н.А. Нейросетевые системы автоматического распознавания морских объектов // Эксплуатация морского транспорта. Гос. морской университет им. адмирала Ф.Ф. Ушакова, Новороссийск. – 2020, №1(94). – C. 207-219.
Встроенная видеоаналитика для детектирования и сопровождения объектов при пом...Nikolai Ptitsyn
Novel video analytics algorithms are presented enabling embedded motion detection and object tracking for CCTV systems.
The motion detection algorithm is based on the neurobiological mechanism of the primary visual cortex V1. A sequence of simple pixel operations is used including linear operators (weighted sum) and nonlinear operator (max, saturation).
The object tracking algorithm is a hybrid of two approaches: (1) time series analysis of motion detector regions and (2) space correlation between the current frame features and object model features.
Unique advantages of the present analytics pipeline include the efficiency on the high definition (HD) video stream and the ability to track low contrast overlapping objects against a dynamic background.
The embedded video analytics is implemented and deployed on different platforms including the Texas Instruments’s DSP.
A comprehensive testing environment was setup used to estimate the overall performance of the video analytics implementations. A fully embedded implementation on DSP has been i-LIDS approved both as a primary detection system for operational alert use and as an event based recording system in sterile zone monitoring applications.
Keywords: embedded video analytics, primary visual cortex V1, multiple scale features, motion detection, object tracking, i-LIDS.
Предложен новый алгоритм встроенной видеоаналитики для автоматического детектирования и сопровождения подвижных объектов в системах охранного наблюдения.
Для детектирования объектов заимствованы принципы анализа изображения из зрительной коры мозга. Использована последовательность простых пиксельных операций: линейных (взвешенное суммирование) и нелинейных (выбор максимального значения, насыщение).
Для сопровождения объектов использован гибридный алгоритм на основе (1) анализа временного ряда детектора объектов и (2) пространственной корреляции признаков текущего кадра и статистической модели объекта.
Отличительными особенностями разработанного конвейера являются вычислительная эффективность на видеопотоке высокой четкости (HD) и возможность сопровождения слабоконтрастных перекрывающихся целей на изменчивом фоне. Алгоритм реализован и внедрен на различных платформах, в том числе на сигнальных процессорах (DSP). Оценка точности встроенных алгоритмов детектирования и сопровождения произведена по методике i-LIDS. Полностью встроенная реализация на DSP одобрена i-LIDS как система первичного обнаружения для формирования оперативных тревог и для записи событий в приложениях видеонаблюдения стерильной зоны.
Ключевые слова: встроенная видеоаналитика, первичная зрительная кора V1, многомасштабный анализ, детектирование движения, сопровождение целей, поточное видео, i-LIDS.
Молодые ученые ИВП РАН: Как мы работаемGeorgy Ayzel
В сборник вошли интервью молодых сотрудников Института водных проблем
Российской академии наук. Молодые ученые рассказали о том, как они добиваются
успеха в повседневной научной деятельности.
На страницах сборника вы найдете ответы на множество вопросов, в том числе как
молодые исследователи организуют свое рабочее пространство, чем интересуются,
какие инструменты используют.
Мы хотим, чтобы вы узнали нас поближе.
The document discusses the benefits of exercise for mental health. Regular physical activity can help reduce anxiety and depression and improve mood and cognitive function. Exercise causes chemical changes in the brain that may help protect against developing mental illness and improve symptoms for those who already suffer from conditions like anxiety and depression.
Петрозаводск 2015 - Современные методы МО в моделировании (Айзель Г.В.)Georgy Ayzel
Мой доклад на конференции "Научное обеспечение реализации "Водной стратегии Российской Федерации на период до 2020 года", прошедшей в г. Петрозаводске с 6 по 11 июля 2015 года.
This document discusses Massive Open Online Courses (MOOCs) related to hydrology and water resources. While most MOOCs focus on topics like business, IT and health, some universities offer courses relevant to hydrology through platforms like Coursera. Examples provided include courses from the University of Manchester on water supply and climate change, and from the University of Colorado on water issues in the western US. However, few Russian language hydrology courses currently exist on Coursera or other platforms. The document proposes creating hydrology MOOCs to fill this gap, with support from a Moscow office at Stepic.org, a Russian online education platform.
8. Разумные компьютеры-убийцы
Технологии: нейронные сети, связь с внешним источником супер-интеллекта skynet,
зрение, распознавание звуков, могут стрелять/резать и т.д.
Цель: истребление человечества
Год: до 2029 (на самом деле нет)
9. Технологии: нейронные сети (convolutional, deep learning)
Цель: распознавание образов объектов, ориентирование на
местности
Год: 2013
11. Стадии развития методов машинного обучения
(Vapnik, 1995):
● первые алгоритмы машинного обучения
● основы теории
● нейронные сети
● альтернативы нейронным сетям
21. Нейронные сети
● Могут подстроиться под любые данные
● Ассоциативная память
● Любят переобучаться (т.к. очень много параметров)
● На самом деле нет ничего общего с мозгом человека :)
● Огромное количество преимуществ и недостатков
● Made in
22. Обучение нейронных сетей
Самый простой (но долгий) - алгоритм обратного распространения ошибки
● сходимость процесса
обучения
● выпуклость
● общие функциональные
пространства и сжимающие
отображения
26. Гидрологическое моделирование
Физически обоснованная
модель взаимодействия
поверхности суши с
атмосферой (SWAP)
Параметры
Осадки,
температура
Параметры
подстилающей
поверхности
Тепловая
энергия
...
Рассчитанный
речной сток
Измеренный
речной сток
Калибровка
параметров
30. 323 MOPEX-водосбора
210 водосборов на которых будет
происходить обучение ИНС
113 «неизученных» водосборов для проверки
эффективности разрабатываемой методики
32. Архитектуры ИНС
Многослойный персептрон Радиальная базисная функция
Алгоритмы обучения ИНС
● Обратного распространения ошибки
● Левенберга-Марквардта
● Сопряженных градиентов
37. Самые распространенные проблемы
● Размытая постановка задачи
● Большое количество степеней свободы
● Большое количество разных источников данных
● Качество данных и пропуски в них
● «Сырое» ПО для работы с данными
● Неудобство работы с большими данными
● Наличие обучающей выборки
@akrot (habr)
38. С чего начать?
● Linux-way
● Python с библиотекой SciKit (или R, Matlab/Octave)
● Coursera (Machine Learning от Andrew Ng)
● Kaggle competition (kaggle.com)
● Yandex events (tech.yandex.ru, events.yandex.ru)
● Habrahabr.ru