Мнения участников

По данным ГИБДД до трети от всех аварий происходит по причине неисправного дорожного покрытия (рис. 1). Студенты полагают, что автоматизация обнаружения нарушений дорожного покрова могла бы способствовать сокращению числа аварийных ситуаций.

В рамках летней онлайн школы интеллектуального анализа данных на базе Тюменского государственного университета студенты института математики и компьютерных наук разработали систему распознавания повреждений дорожного полотна. Студенты третьего курса направления МОАИС: Гасанов Александр, Пупова Анфиса, Фомин Александр и Калиев Марсель – собрали данные и построили модель, определяющую повреждения дорожного покрытия.

Все взаимодействие участников летней школы происходило полностью удаленно. Обсуждение рабочих вопросов происходило в формате онлайн-конференции, а совместная работа с документами и данными проходила в облачном хранилище.

Идея проекта заключается в использовании модели классификации кадров. Изображения участков дороги определяются к одному из двух классов: поврежденный участок и целый участок дороги (рис. 2). Реализованный прототип представляет собой модель бинарной классификации на основе сверточных нейронных сетей.

Дальнейшее развитие проекта участники летней школы видят в интеграции разработанного ими прототипа в информационную систему контроля состояния дорог. Такая система может помочь при проведении ремонтных работ дорожными службами города. Для этого понадобиться лишь камера, машина и компьютер с программой. Изображения дорожного полотна записываются на камеру в процессе планового объезда машиной конкретного участка дороги, после чего данные с камеры покадрово с геолокацией передаются нейросетевому классификатору, который определяет проблемные участки дороги. Такие системы можно использовать для составления карты ям города, и, имея полную картину о состоянии дорог в городе, ответственные органы могут корректировать планы ремонта дорожного покрытия, что позволит более рационально использовать ресурсы.

Автор статьи – Гасанов Александр

Здоровье – это самое ценное что есть у человека и его необъходимо беречь. Современная мединцина шагнула далеко вперед и кроме самой современной медицинской техники на вооружение докторов может встать и искусственный интеллект. Подобные эксиерименты проводятся уже давно, вот и группа студентов Института математики и компьютерных наук тюменского госудаврственного университета решила провести небольшое исследование в рамках летней онлайн школы интеллектуального анализа данных.

Студентами была выдвинута гипотеза о том, что при осмотре рентгеновских снимков человеческий глаз может упустить некоторые детали, поэтому ему может помочь технология компьютерного зрения в поисках повреждений конечностей. Эта проблема очень актуальна,особенно зимой в гололед, когда шанс получить травму заметно возрастает.

Ребята поставили задачу разработать модель, которая по снимкам определяла бы повреждения костей верхних конечностей. Был подобран и проанализирован необходимый набор данных для обучения нейросети, а также сама сверточная нейросеть (рис. 1).

Было проведено множество экспериментов на разном количестве данных и конфигурации сети, в итоге ребятам удалось получить достаточно неплохой результат за такой короткий срок. Точность предсказаний составила 72%.

Очевидно, что такие технологии не могут полностью исключить человеческого влияния и контроля, однако могут стать полезным дополнением в работе докторов.

Автор статьи – Бильдин Сергей

В рамках летней онлайн-школы ИМиКН «Интеллектуальный анализ данных», проходившей с 29.06.2020 по 25.07.2020, студентами был реализован проект по распознаванию негативных сообщений на английском языке в чате с использованием методов машинного обучения.

В онлайн-школе студенты получили теоретические знания о методах машинного обучения, которые были закреплены ими на практике благодаря реализации собственного проекта. Стоит отметить, что при выборе решаемой проблемы участники школы старались поставить задачу, которая будет не только интересна для реализации в рамках проекта, но и в будущем может быть использована в более сложной системе.

Команда разработчиков состояла из трех человек (рис. 1): Бабин Евгений, Буторин Дмитрий, Доброванова Людмила. В качестве решаемой задачи они выбрали распознавание негативных сообщений в чате.

Идея проекта заключалась в очистке различных чатов на платформах для онлайн-трансляций видео от нежелательных комментариев, содержащих спам, оскорбления, угрозы и прочие негативные высказывания. Подобные сообщения содержат характерные слова и высказывания, которые нетрудно выделить с использованием методов машинного обучения.

Использование классификатора обусловлено тем, что не все сообщения, содержащие негативные высказывания, направлены против других пользователей чата, то есть требуется более тонкий анализ текста, чем простое исключение всех нецензурных слов.

Полученная модель с точностью 86% способна отличить негативные сообщения от положительных. Также ее работа была протестирована на сообщениях, не включенных в обучающую выборку, и они были распознаны верно, что говорит о возможности дальнейшего использования данной разработки.

Проект разрабатывался в формате дистанционного обучения с использованием платформы Microsoft Teams. Для команды это был первый опыт работы, но он оказался удачным, совместная разработка помогла им научиться работать друг с другом и понять, как это делать наиболее эффективно.

В перспективе для классификатора можно использовать большее количество сообщений для обучения. Как отметили разработчики, со временем набор негативных слов и высказываний может увеличиться или измениться, так как в употребление приходят новые слова, а также меняется контекст, в котором используются определенные высказывания.

Результаты проекта могут быть использованы на платформах для онлайн-трансляций, что поможет модераторам чатов быстрее справляться с поступающим потоком сообщений и банить пользователей, нарушающих правила и оскорбляющих других людей.

Автор статьи – Конева Дарья

Флюорографическое исследование — диагностическая процедура, которую проходят люди с целью своевременного выявления и лечения заболеваний лёгких (рис. 1). Процедура несёт в себе огромное профилактическое значение, ведь прохождение этого исследования раз в год также может помочь выявить различную патологию легких и сердца на ранней стадии, пока человек не испытывает никаких неприятных ощущений. Своевременное обращение к врачу может в таком случае значительно улучшить прогноз, а иногда и спасти жизнь.

Тем не менее, флюорография не диагностирует болезни, это лишь инструмент обследования пациента, по результатам которого врач может поставить диагноз или назначить дополнительное обследование. Однако врач - человек, и он может что-то пропустить, не заметить отклонений на снимке. Мировая статистика утверждает, что около 20% исследований в мире делается с ошибками.

В связи с этим группа студентов бакалавриата Института математики и компьютерных наук Тюменского государственного университета в рамках летней школы интеллектуального анализа данных разработала систему распознавания изменений в легких по флюорографическим снимкам. В течение 5 дней студенты занимались сбором данных, построением предсказывающей модели и оценкой результатов вычислительных экспериментов. Работа участников в условиях самоизоляции была организована дистанционно.

В основе проекта лежит использование компьютерного зрения для распознавания изменений в легких по флюорографическим снимкам. Реализованный проект представляет собой модель бинарной классификации (рис. 2) на основе сверточных нейронных сетей.

Участники летней школы полагают, что разработанный ими прототип можно использовать при анализе флюорографических снимков врачом. Для этого понадобятся флюорографический аппарат и компьютер с программой. Изображение с флюорографического снимка передается классификатору, который определяет, есть ли какие-либо отклонения в легких. Затем данные о результатах его работы направляются специалисту, чтобы он сравнил их со своим диагнозом. Команда считает, что разработанная программа поможет врачу взглянуть на снимок под другим углом и акцентировать его внимание на мелочах, которые могли быть упущены при первичной постановке диагноза.

При работе над проектом участники команды старались добиться большей точности распознавания именно снимков больных легких, чем здоровых, чтобы повысить вероятность обнаружения каких-либо отклонений врачом.

В будущем систему можно будет доработать, если добавить классификацию по болезням (различные виды пневмонии, туберкулез и т.д.). Это поможет упростить постановку диагноза и повысить его точность.

Автор статьи – Боровик Алена

29 июня стартовала летняя онлайн-школа ИМиКН «Интеллектуальный анализ данных». В течение первой недели под руководством старшего преподавателя кафедры программного обеспечения Юрия Алексеевича Егорова участники школы изучали основные методы обработки и анализа изображений.

Вторая же неделя была отведена под реализацию собственных проектов. Так команда фиолетовых в ходе долгих и бурных обсуждений остановилась на теме «Система определения кадров с вооруженными людьми». Участники команды считают, что люди с оружием, находящиеся в общественных местах, несут большую опасность окружающим. Это предположение обосновано тем, что по статистике МВД РФ количество преступлений за последние 5 лет в России выросло на треть, а количество преступлений с использованием огнестрельного оружия за январь-май 2020 года составляет 1655. Для того, чтобы упростить работу правоохранительным органам и как можно быстрее уведомлять их о возможном преступлении команда фиолетовых решила реализовать систему с нейронной сетью, обученной классифицировать изображения, на которых находятся люди с оружием.

В формулировании проблемы и постановке задачи принимали участие все члены команды. Буторин Дмитрий выступал в роли критика, помогал рассмотреть задачу под разными углами, что позволило детально проработать сценарий взаимодействия с системой. На этапе формирования выборки было необходимо объединить несколько готовых датасетов, отобрать подходящие по содержанию изображения и привести их к единому формату.

На этапе решения задачи роли были распределены следующим образом: Енин Никита и Блинов Матвей объединили свои усилия в доработке модели и обучении нейронной сети для обнаружения изображений людей с оружием/без оружия, Арсланов Магомет-Данил изучал возможность классификации изображений по возрасту человека на изображении (ребенок/взрослый), Буторин Дмитрий отвечал за формирование тестовой выборки, о которой все забыли накануне.

В подготовке презентации участвовала вся команда. В режиме общего доступа к документу каждый член команды описывал итоги проделанной им работы, Дмитрий и Матвей собирали эти данные в единую цепь повествования. Также Матвей отвечал за выступление на защите проектов.

Из положительных моментов не могу не отметить сработанность команды, готовность к обсуждению любых, даже самых странных, идей. Участник, закончивший выполнение своей задачи, всегда с готовностью включался в помощь другому участнику с более трудоемкой задачей. Сложности возникли с освоением материала. Из-за серьезных временных ограничений трудно было погрузится в изучение нейронных сетей так глубоко, как хотелось бы.

Результатом работы над проектом в рамках кейса «Computer vision» стала нейронная сеть, способная определять наличие или отсутствие вооруженных людей на изображениях, а также классифицировать изображения, на которых есть дети с оружием. Примером работы может служить случайное изображение из датасета (рис. 1).

Автор статьи – Ряполова Екатерина