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.
Követelmények
Előtanulmányi rend
- Ajánlott: Matematika, Számítógépes grafika.
A szorgalmi időszakban
- Az aláírás feltételei:
- A házi feladat sikeres leadása.
- 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. Szerintem elég könnyűek voltak és a laborokon túl segítették az anyag megértését, elsajátítását. Ha ezek mentek, akkor a vizsgán sem lesz gond.
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
- ...
