Vidění robotu

Podmínkou zápisu na předmět B3B33VIR je, že student si nejpozději ve stejném semestru zapsal příslušný počet předmětů ze skupiny BEZBM

Předmět B3B33VIR nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3B33UROB (vztah je symetrický)

Předmět B3B33VIR nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3B33UROB (vztah je symetrický)

Předmět B3B33VIR může být splněn v zastoupení předmětem B3B33UROB

Garant předmětu:

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra kybernetiky

Anotace:

Předmět naučí aplikovat metody strojového učení a optimalizace na známých 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 (BatchNorm, InstanceNorm, ...) a backpropagation

7. Učení I (SGD, momentum a jejich convergence ratio)

8. Učení II (Nesterov gradient, Adam optimizer, vliv aktivačních funkcí na problémy v optimalizaci)

9. Architektury hlubokých neuronových sítí I: detekce (yolo), segmentace (DeepLab), Klasifikace (ResNet)

10. Architektury hlubokých neuronových sítí II: pose regression, spatial transformer nets.

11. Generativní modely a jejich použití v robotice (Generative Adversarial Networks, Cascaded Refinement Networks, Style Transfer Networks)

12. Posilované učení v robotice (policy gradient, imitation learning, actor-critic, aplikace)

13. Učení ze slabých anotací (weak-supervision, self-supervision)

14. Prezentace semestralnich praci

Osnova cvičení:

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 strojového učení a optimalizace na známých 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.

Studijní materiály:

Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep learning, MIT press, 2016 http://www.deeplearningbook.org

Poznámka:

Další informace:

https://cw.fel.cvut.cz/wiki/courses/b3b33vir/start

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů:

• Kybernetika a Robotika 2016 (povinně volitelný předmět)