Popis předmětu - B3B33VIR

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
B3B33VIR Vidění robotu
Role:PV Rozsah výuky:2P+2L
Katedra:13133 Jazyk výuky:CS
Garanti:Zimmermann K. Zakončení:Z,ZK
Přednášející:Zimmermann K. Kreditů:4
Cvičící:Azayev T., Vacek P., Zimmermann K. Semestr:Z

Anotace:

Předmět naučí aplikovat metody počítačového vidění, strojového učení a optimalizace na znamých úlohách z oblasti robotiky jako jsou například sémantická segmentace z kamerových a hloubkových obrázků či reaktivní řízení robotu. Těžiště předmětu leží ve výuce metod aplikujících hluboké konvoluční neuronové sítě. Studenti využijí základní znalosti z optimalizace a lineární algebry jako jsou robustní řešení přeurčených soustav (ne)lineárních (ne)homogenních rovnic nebo metody gradientní minimalizace. První polovina cvičení je věnována řešení základních úloh v PyTorch, druhá část cvičení je věnována samostatnému řešení semestrální práce.

Cíle studia:

Předmět naučí aplikovat metody počítačového vidění, strojového učení a optimalizace na znamých úlohách z oblasti robotiky jako jsou například metrické a sémantické mapování z kamerových a hloubkových obrázků či reaktivní řízení robotu.

Osnovy přednášek:

1 Přehled a organizace předmětu 2 Regrese jako ML/MAP a její aplikace 3 Klasifikace jako ML/MAP a jeho aplikace 4 Neuronové sítě a backpropagation 5 Konvoluční vrstva a backpropagation 6 Normalizační vrstvy (BachNorm, InstanceNorm, ...) a backpropagation 7 Učení (SGD, momentum, ...) 8 Architektury hlubokých neuronových sítí I: detekce (yolo), segmentace (DeepLab), Klasifikace (ResNet) 9 Architektury hlubokých neuronových sítí II: pose regression, LIFT 10 Úvod to PyTorch 11 Generativní modely a jejich použití v robotice (Generative Adversarial Networks, Cascaded Refinement Networks, Style Transfer Networks) 12 Posilované učení v robotice (imitation learning, RL, actor-critic, aplikace) 13 Prezentace semestralnich praci

Osnovy cvičení:

Cvičení bude probíhat formou řešení samostatné semestrální práce s konzultacemi.

Literatura:

Thrun S., Burgard W., Fox D. Probabilistic robotics, MIT Press, 2006 Šonka M., Hlavác V., Boyle R.: Image processing, analysis, and machine vision, Cengage Learning, Toronto, 2015.

Požadavky:

Webová stránka:

https://cw.fel.cvut.cz/wiki/courses/B3B33VIR

Klíčová slova:

Robotika, počítačové vidění, hluboké konvoluční neuronové sítě

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
BPKYR_2016 Před zařazením do oboru PV 5


Stránka vytvořena 1.3.2021 17:50:55, semestry: Z/2020-1, L/2021-2, L/2020-1, Z/2021-2, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. Ing. Ivan Jelínek, CSc.