Vidění robotu - B3B33VIR

Kredity 4
Semestry zimní
Zakončení zápočet a zkouška
Jazyk výuky čeština
Rozsah výuky 2P+2L
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.
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.
Osnovy 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
Osnovy cvičení
První polovina cvičení je věnována řešení základních úloh v PyTorch, druhá část cvičení je věnována samostatnému řešení semestrální práce.
Literatura
Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep learning, MIT press, 2016 http://www.deeplearningbook.org
Požadavky
Žádná data.