Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2019/2020

Vidění robotu

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
B3B33VIR Z,ZK 4 2P+2L česky
Korekvizita:
Bezpečnost práce v elektrotechnice pro bakaláře (BEZB)
Základní školení BOZP (BEZZ)
Přednášející:
Karel Zimmermann (gar.)
Cvičící:
Karel Zimmermann (gar.), Teymur Azayev, Otakar Jašek, Patrik Vacek
Předmět zajišťuje:
katedra kybernetiky
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.

Požadavky:
Osnova 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

Osnova cvičení:

Cvičení bude probíhat formou řešení samostatné semestrální práce s konzultacemi.

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.

Studijní materiály:

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.

Poznámka:
Další informace:
https://cw.fel.cvut.cz/wiki/courses/b3b33vir/start
Rozvrh na zimní semestr 2019/2020:
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
místnost KN:E-301
Zimmermann K.
14:30–16:00
(přednášková par. 1)
Karlovo nám.
Šrámkova posluchárna K9
místnost KN:E-230
Jašek O.
Vacek P.

16:15–17:45
(přednášková par. 1
paralelka 101)

Karlovo nám.
Laboratoř PC
Út
místnost KN:E-230
Azayev T.
Jašek O.

09:15–10:45
(přednášková par. 1
paralelka 103)

Karlovo nám.
Laboratoř PC
St
místnost KN:E-230
Vacek P.
Azayev T.

16:15–17:45
(přednášková par. 1
paralelka 102)

Karlovo nám.
Laboratoř PC
Čt

Rozvrh na letní semestr 2019/2020:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 21. 9. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet4675106.html