Deep learning alkalmazása a vizuális informatikában
A tárgy célja a GPU alapú deep learning technikák alkalmazásának bemutatása a vizuális informatika területén (gépi látás, alakzatfelismerés, textúra és optikai modell szintézis, zajszűrés, szuperfelbontás, tomográfia), megismertetve a hallgatókat a képi információfeldolgozás, valamint a látás alapú robotika feladataival, a GPGPU megközelítés elemeivel, és ezekre a feladatokra a mélytanulás alkalmazásával.
Tartalomjegyzék
Követelmények
Előtanulmányi rend
- Ajánlott: Számítógépes grafika, Analízis II., A programozás alapjai 2.
A szorgalmi időszakban
- Az aláírás feltételei:
- A házi feladat összpontjaiból 40%.
- Pótlási lehetőségek:
- A házi feladat a pótlási hét végéig pótolható, különeljárási díj befizetése nélkül.
A vizsgadőszakban
- Vizsga: van, írásbeli, félév teljes anyagából. 40% teljesítés szükséges a minimumhoz.
Félévvégi jegy
- A félévvégi osztályzatot a hallgatók a házi feladat (50%) és a vizsgajegy (50%) alapján kapják.
Segédanyagok
Ajánlott könyvek
- Rajalingappaa Shanmugamani, Deep Learning for Computer Vision, Pack Publishing, ISBN 9781788295628, 2018
- John C. Russ, F. Brent Neal, The Image Processing Handbook, 7th edition, CRC Press, ISBN 149874026X, 2016
- Jason Sanders, Edward Kandrot, CUDA by Example, Addison-Wesley press, ISBN 0-13-138768-5, 2010
- GPU Computing Gems – Emerald Edition, Editor: Wen-mei W. Hwu., Morgan Kaufmann Publisher,ISBN: 9780123849885, 2011
- Programming Massively Parallel Processors, David B. Kirk, Wen-mei W. Hwu, Morgan Kaufmann Publisher, ISBN 978-0-12-381472-2, 2010
Ajánlott oldalak
Házi feladat
2021. tavasz
Idén 4 kisházi volt. Bármilyen környezet használható volt hozzájuk, célszerű volt a Google Colab használata, de C++-ban is lehetett próbálkozni a házik 2. felénél.
A kisházik témái:
- gépi tanulás alapműveletei, egyszerű architektúrák (konvolúció, lossok, konvolúciós hálók)
- CUDA kernelek, többszintű kernelek, algoritmusok
- paraméterezhető hálók, optimalizáció, technikák eredmény pontosság növelésére
- bemeneti adathalmaz előállítás, képtranszformációk utáni teljesítmény elemzés
Laboratórium
2021. tavaszán online oktatás keretei közt ezek opcionálisak voltak jelenlétileg, de szinte kötelező, ha valaki meg is szeretné érteni az anyagot és tényleg alkalmazni a gyakorlatban. A laborok egyik felében Python-nal Google Colab-ban dolgoznak a hallgatók, ekkor deep learninghez köthető könyvtárakat is használnak, a laborok másik felében C++-ban, CUDA, CuBlas és hasonló könyvtárak segítségével dolgozzák fel.
1. Labor
- ...
Vizsga
2021. tavasz
Két főbb részből állt:
- 1 kifejtős kérdéssor 6 kérdéssel (30%-a az összes pontnak)
- 2 gyakorlati feladat: egy Pythonos, egy C++-os (70%-a az összes pontnak)
Kedvcsináló
2021. tavasz - Kovács Attila
Harmadévesként találtam rá erre a gyöngyszem tárgyra, és nem bántam meg. Az oktatók mindig felkészülten érkeztek, mindig segítőkészek voltak, minden kérdésre válaszoltak, 10/10 oktatók. A laborok alapján kiválóan el lehetett sajátítani az anyagot szerintem, és a vizsgán sem kérdeztek bonyolultabbat, mint amiket megcsináltunk laboron. A házikban egészen sok támpontot adnak a feladatok leírásánál, először nagyon bonyolultnak tűnik, de a labor megoldások alapján el lehet indulni. Szerintem elég könnyűek voltak és a laborokon túl segítették az anyag megértését, elsajátítását. Ha ezek mentek, akkor a vizsgán sem lesz gond. Viszont a hátulütője a tárgynak hogy minimum Prog2-t és Analízis2-t meg kell előtte csinálni szerintem, hogy legalább a fogalmakkal tisztában legyen az ember mielőtt belevág (konvolúció, OOP paradigmák, stb.). Python-t az első laboron tanítanak, és ha már találkozott elég programnyelvvel az ember tényleg 1,5 óra alatt megtanulja. Nem foglalkoztam korábban a témával egy percet sem, de ez a tárgy nagyon megkedveltette velem.
