1,0×
00:00/01:32:28
Конушин А. С. - Компьютерное зрение - Задача сегментации
0:00:10 1. Извлечение объекта. Сегментация без учителя
0:02:25 2. Семантическая сегментация
0:03:38 3. Сегментация экземпляров
0:04:55 4. Паноптическая сегментация
0:06:10 5. Оценка точности сегментации
0:07:25 6. Интерактивная сегментация
0:11:10 7. Формализация задачи и графическая модель
0:15:22 8. Факторизация совместного распределения. Теорема Хаммерсли-Клиффорда
0:22:05 9. Факторы в моделе изображения
0:26:15 10. Бинарная сегментация
0:29:05 11. Минимальный разрез сети
0:32:16 12. GrabCut удаление фона. Итеративные разрезы графов
0:45:15 13. Визуализация сегментации. Суперпиксели
0:47:42 14. Пресегментация через кластеризацию
0:50:55 15. Алгоритм SLIC
0:56:26 16. Семантическая сегментацияю CRF
1:00:20 17. Плотносвязные CRF. Билатеральная фильтрация
1:03:10 18. Нейросетевые модели для сегментации
1:06:32 19. Транспонированная свертка
1:07:50 20. Полносверточные сети
0:14:53 21. U-Net
0:16:25 22. Hourglass
1:18:03 23. RefineNet. Light RefineNet
1:23:00 24. Deep GrabCut
1:25:18 25. Mask R-CNN
1:28:10 26. Задача нахождения ключевых точек
0:02:25 2. Семантическая сегментация
0:03:38 3. Сегментация экземпляров
0:04:55 4. Паноптическая сегментация
0:06:10 5. Оценка точности сегментации
0:07:25 6. Интерактивная сегментация
0:11:10 7. Формализация задачи и графическая модель
0:15:22 8. Факторизация совместного распределения. Теорема Хаммерсли-Клиффорда
0:22:05 9. Факторы в моделе изображения
0:26:15 10. Бинарная сегментация
0:29:05 11. Минимальный разрез сети
0:32:16 12. GrabCut удаление фона. Итеративные разрезы графов
0:45:15 13. Визуализация сегментации. Суперпиксели
0:47:42 14. Пресегментация через кластеризацию
0:50:55 15. Алгоритм SLIC
0:56:26 16. Семантическая сегментацияю CRF
1:00:20 17. Плотносвязные CRF. Билатеральная фильтрация
1:03:10 18. Нейросетевые модели для сегментации
1:06:32 19. Транспонированная свертка
1:07:50 20. Полносверточные сети
0:14:53 21. U-Net
0:16:25 22. Hourglass
1:18:03 23. RefineNet. Light RefineNet
1:23:00 24. Deep GrabCut
1:25:18 25. Mask R-CNN
1:28:10 26. Задача нахождения ключевых точек
…