Popis předmětu - XP33RCV

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
XP33RCV Čtenářský klub zaměřený na oblast rozpoznávání a počítačového vidění
Role:S Rozsah výuky:2P+2S
Katedra:13133 Jazyk výuky:EN
Garanti:Chum O. Zakončení:ZK
Přednášející:Tolias G. Kreditů:4
Cvičící:Tolias G. Semestr:Z

Anotace:

The course deals with fundamental results from computer vision and pattern recognition. The course treats selected key results, as well as latest areas of research, especially those which substantially influence the development in the subject field. Education is performed in the form of a reading group.

Cíle studia:

Using topics from pattern recognition and computer vision, teach students how to work with literature and present scientific results both orally and in a written form.

Osnovy přednášek:

There are no standard lectures.

Osnovy cvičení:

The selected topics and terms of the reading groups will be announced at http://cmp.felk.cvut.cz/~toliageo/rg/ . The course lasts two semesters with approximately 1 reading group per month. Each student is expected to come prepared to reading groups, with knowledge of the presented paper, and to prepare the presentation (1 hour long) of a paper.

Literatura:

Below is a sample list of suggested papers that are appropriate for a reading group. Such a list if maintained in http://cmp.felk.cvut.cz/~toliageo/rg/suggested.html NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis, Ben Mildenhall, Pratul P. Srinivasan, Matthew Tancik, Jonathan T. Barron, Ravi Ramamoorthi, Ren Ng, ECCV 2020 Smooth-AP: Smoothing the Path Towards Large-Scale Image Retrieval, Andrew Brown, Weidi Xie, Vicky Kalogeiton, Andrew Zisserman, ECCV 2020 Learning Feature Descriptors using Camera Pose Supervision, Qianqian Wang, Xiaowei Zhou, Bharath Hariharan, and Noah Snavely, ECCV 2020 Momentum Contrast for Unsupervised Visual Representation Learning, Kaiming He, Haoqi Fan, Yuxin Wu, Saining Xie, Ross Girshick, arxiv 2019 Deep Declarative Networks: A New Hope, Stephen Gould, Richard Hartley, Dylan Campbell, arxiv 2019 LCA: Loss Change Allocation for Neural Network Training, J. Lan, R. Liu, H. Zhou, J. Yosinski, NeurIPS 2019 Mean teachers are better role models: Weight-averaged consistency targets improve semi-supervised deep learning results, A. Tarvainen, H. Valpola, NeurIPS 2017 in combination with other approaches for consistency loss, such as: Mutual exclusivity loss for semi-supervised deep learning, Mehdi Sajjadi, Mehran Javanmardi, and Tolga Tasdizen. ICIP 2016. and Temporal ensembling for semi-supervised learning, S. Laine and T. Aila. ICLR 2017. mixup: BEYOND EMPIRICAL RISK MINIMIZATION. H. Zhang, M. Cisse, Y. Dauphin, D. Lopez-Paz, ICLR 2018 together with Manifold Mixup: Better Representations by Interpolating Hidden States. V. Verma, A. Lamb, C. Beckham, A. Najafi, I. Mitliagkas, A. Courville, D. Lopez-Paz, Y. Bengio , ICML 2019 LaSO: Label-Set Operations networks for multi-label few-shot learning, A. Alfassy, L. Karlinsky, A. Aides, J. Shtok, S. Harary, R. Feris, CVPR 2019

Požadavky:

None

Webová stránka:

http://cmp.felk.cvut.cz/~toliageo/rg/

Klíčová slova:

pattern recognition, computer vision, machine learning, deep learning

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
DOKP Před zařazením do oboru S
DOKK Před zařazením do oboru S


Stránka vytvořena 30.11.2020 17:50:52, semestry: L/2021-2, Z,L/2020-1, L/2019-20, Z/2021-2, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. Ing. Ivan Jelínek, CSc.