001 Базовая теория обработки изображений

• Представление изображения в памяти компьютера
• Свертка и фильтрация изображений
• Градиент и выделение границ
• Нелинейные фильтры

002 Извлечение признаков

• PCA разложение
• Гистограммы цвета и градиента
• Особые точки

003 Сегментация и детекция - классические методы

• Water shield
• Superpixels
• AdaBoost и детектор Viola-Jones

004 Введение в нейронные сети

• Принцип работы нейронных сетей
• Полносвязная архитектура
• Обратное распространение ошибки

005 Сверточные нейронные сети

• Принцип работы сверточной нейронной сети
• Основные блоки архитектуры
• Почему сверточная сеть работает? (network surgery)

006 Обучение сверточной сети на практике

• Сбор и подготовка данных
• Тюнинг предобученной сети (transfer learning)
• Особенности реализации процесса обучения

007 Сегментация и детекция - нейросетевые модели

• Полносверточная архитектура
• FCN, SegNet, U-net
• Faster-RCNN, YOLO, SSD, Mask-RCNN

008 Рекурентные сети

• Архитектура RNN, LSTM, GRU
• Генерация описания по изображению
• Распознавание символов (OCR)

009 Вариационные энкодеры и генеративные модели

• Принцип работы и мотивация вариационного энкодера
• Генерация изображений заданного класса

010 Приложение: FindFace

• Идентификация человека по снимку лица
• Задача Metric Learning

011 Приложение: Распознавание позы человека

• Детекторы ключевых точек (landmarks)
• DensePose