Научный архив: статьи

Традиционные методы оценки степени повреждения вмятин на автомобилях требуют привлечения квалифицированных экспертов, что является трудоемким и длительным процессом. Учитывая большое количество аварий, необходим надежный, автоматизированный и экономически эффективный подход к определению тяжести повреждений. Основная цель данной работы - применение современных методов обработки данных о повреждениях для минимизации ошибок, связанных с визуальной оценкой человеком. Как правило, автомобильные аварии характеризуются определенным набором параметров, которые играют ключевую роль в определении тяжести повреждений. Наша система использует метод трансферного обучения для извлечения признаков из изображений с помощью предварительно обученных моделей с целью прогнозирования степени повреждения автомобиля. Система начинает работу с извлечения выборочных изображений автомобилей, которые предварительно обрабатываются для устранения фона. Затем эти изображения передаются в предварительно обученные нейронные сети для тонкой настройки и извлечения признаков. На заключительном этапе вмятины классифицируются по степени тяжести на основе сравнения с предварительно размеченными образцами для достижения высокой точности прогнозирования. В результате многочисленных экспериментов и всесторонних испытаний предложенная система продемонстрировала способность определять степень повреждения автомобиля с общей точностью 96,34%, что превосходит существующие методы компьютерной классификации.

В работе представлены алгоритмы глубокого обучения на основе искусственных нейронных сетей, позволяющий выявлять подозрительные сделки физических лиц - клиентов коммерческого банка. В качестве критериев подозрительности были взяты два из восьми критериев Банка России. Для обучения и тестирования алгоритма глубокого обучения был сгенерирован датасет из 10000 транзакций. Были разработаны и протестированы две разновидности нейронных сетей: полносвязная нейросеть и рекуррентная нейросеть, предназначенная для анализа последовательностей. Рекуррентная нейронная сеть показала хорошие результаты по метрикам качества модели Precision, Recall и Accuracy.

Прогнозирование модных трендов остается сложной задачей из-за ограниченного охвата элементов и упрощенных моделей в существующих подходах. В данной работе представлен крупномасштабный датасет FIT, содержащий временные ряды модных элементов и демографические данные пользователей. Для анализа сложных временных зависимостей предложена модель KERN на основе рекуррентных нейронных сетей, учитывающая внутренние и внешние знания предметной области. Модель продемонстрировала точные прогнозы даже для элементов с нерегулярными паттернами как на полугодовом, так и на годовом горизонте планирования. Особый интерес представляет анализ различий в тенденциях для разных пользовательских групп - модель успешно улавливает эти особенности, что значительно повышает точность персонализированных прогнозов. На основе этих результатов разработана система генерации комплексных отчетов, охватывающих все аспекты модных тенденций от базовых категорий до специфических атрибутов. Эксперименты подтверждают, что KERN обеспечивает более точное прогнозирование трендов по сравнению с традиционными методами.

Актуальность и цели. Рассматривается разработка нейросетевого бинарного классификатора рентгеновских изображений грудной клетки, позволяющего обнаружить характерные признаки пневмоний, вызванных COVID-19. Приведены доводы в пользу применения рентгенографии как альтернативы компьютерной томографии при выявлении изменений в легких, характерных для COVID-19. Проведен анализ публикаций в области автоматической классификации рентгеновских изображений с признаками COVID-19 пневмоний.

Материалы и методы. Для обучения и тестирования модели использовался авторский набор данных, состоящий из 1240 рентгеновских изображений грудной клетки. Обучающая часть набора данных была подвергнута процедуре аугментации. Предложена оригинальная четырнадцатислойная модель классификатора. Обучение модели проходило в течение 20 эпох.

Результаты. Оценка качества классификации проведена при помощи стандартных метрик. Были получены следующие значения метрик: Sensitivity (Recall) - 95,4 %, Specificity - 97,8 %, Accuracy - 96,7 %, Precision - 96,6 %, F1-scope - 96 %. Дополнительное тестирование модели было проведено на 228 изображениях базы COVID-19 Radiography Database платформы Kaggle, при этом получены следующие значения метрик: Sensitivity (Recall), Specificity, Accuracy - 96 %, Precision - 93 %, F1-scope - 94 %.

Выводы. Качество классификации рентгеновских изображений грудной клетки разработанной моделью соответствует современному уровню и достаточно близко к врачебному. Разработанный классификатор может быть использован в практической рентгенологии в качестве нейросетевого ассистента врача-рентгенолога.

Задача автоматической морфемной сегментации для морфологически богатых, но малоресурсных языков, таких как белорусский, остаётся недостаточно изученной. Настоящая работа представляет собой первое масштабное сравнительное исследование эффективности современных нейросетевых подходов к морфемной сегментации на материале белорусского языка. Мы сопоставили три подхода, показавших высокое качество в случае других языков: алгоритмы на базе свёрточных нейронных сетей, алгоритмы на основе LSTM-сетей и дообучение BERT-подобных моделей. Из-за малого числа доступных моноязычных белорусских моделей, мы также добавили к сравнению более крупные русскоязычные и многоязычные модели. Эксперименты проводились на свободно доступном наборе данных Slounik с использованием двух стратегий разбиения данных на обучающую и тестовую выборки. В первом случае разбиение было случайным, во втором случае слова были разбиты по корням так, чтобы однокоренные слова не могли попасть одновременно в обучающую и тестовую выборки. Наилучшей производительности в ходе экспериментов достиг ансамбль LSTM-сетей с долей полностью верных разборов 91.42% при случайном разбиении и 73.89% при разбиении по корням. Сопоставимые результаты продемонстрировали дообученные многоязычные и русскоязычные BERT-подобные модели, что подчёркивает возможность применения в этой задаче крупных моделей, в том числе, обученных на близкородственных и более ресурсообеспеченных языках. Анализ ошибок подтвердил, что большинство неточностей, как и для других славянских языков, связано с определением границ корня.

В условиях стремительного роста числа научных публикаций актуальной задачей становится разработка эффективных инструментов для их систематизации и поиска. Одним из таких инструментов является универсальная десятичная классификация (УДК), которая позволяет структурировать статьи по тематическим областям. Однако ручное присвоение кодов УДК зачастую оказывается неточным или недостаточно детализированным, что снижает эффективность использования этого подхода. В данной статье предлагается подход к автоматическому присвоению кодов УДК научным статьям с использованием моделей на основе архитектуры BERT. Для обучения и оценки модели был использован набор данных, содержащий более 19 тысяч статей по математике и смежным наукам. Мы разработали две специализированные метрики качества, учитывающие иерархическую природу УДК: иерархическую классификационную точность и иерархическую рекомендательную точность. Кроме того, мы предложили несколько стратегий преобразования иерархических меток в плоские. В ходе экспериментов нам удалось достичь значения иерархической рекомендательной точности 0,8220. Дополнительно проведено слепое тестирование с участием экспертов, которое выявило, что часть расхождений между эталонными и сгенерированными метками обусловлена некорректным выбором кода УДК авторами статей. Предложенный подход демонстрирует высокий потенциал для автоматической классификации научных статей и может быть адаптирован для других иерархических систем классификации.

Современные системы автоматизированного мониторинга, применяемые в животноводстве и природоохранной деятельности, требуют эффективных методов компьютерного зрения для отслеживания характеристик животных. Настоящее исследование представляет систему автоматизированного мониторинга состояния животных на базе сверточной нейронной сети YOLOv11. Оценка проводилась на специализированных наборах данных, содержащих изображения оленей и соответствующие им заранее измеренные характеристики. С использованием программной платформы AutoGenNet автоматизированы процессы оптимизации гиперпараметров и конфигураций архитектур, что позволяет упростить и ускорить адаптацию предложенной модели для мониторинга разных видов животных. Результаты демонстрируют эффективность использования YOLOv11 для решения рассмотренной задачи. Исследование подтверждает эффективность AutoGenNet в автоматизации создания моделей мониторинга фенотипических характеристик северных оленей (Rangifer tarandus), позволяя упростить и ускорить внедрение систем искусственного интеллекта в современное животноводство. Полученные биометрические данные позволяют рассчитывать производно-оценочные показатели (живая масса, мышечная масса, репродуктивный потенциал), формируя основу для управленческих решений. Важнейшим достижением является реализация принципа бесконтактного мониторинга, исключающего стресс-факторы фиксации животных и обеспечивающего соответствие стандартам биоэтики. Успешная апробация на северных оленях, представляющих собой комплексный биологический эталон из-за экстремальной изменчивости признаков, гарантирует переносимость метода на другие виды сельскохозяйственных животных (свиньи, овцы и т. д.) в менее требовательных условиях. Реализованная система автоматизированного мониторинга фенотипических характеристик северных оленей, основанная на архитектуре YOLOv11 и платформе AutoGenNet, подтвердила свою технологическую состоятельность и практическую значимость.

Цель. Цель данного исследования — изучить использование методов глубокого нейросетевого обучения в диагностике и лечении аневризмы аорты (АА), основываясь на методах визуализации. Будет уделено особое внимание скринингу, диагностике, сегментации поражений, хирургической помощи и прогнозированию исходов. Методы. Был проведен обзор научных публикаций, в которых использовались модели глубокого обучения, такие как сверточные нейронные сети (СНС), в различных аспектах диагностики и лечения АА. Результаты. Модели глубокого обучения продемонстрировали значительный прогресс в лечении и диагностике аневризм аорты. Отмечается, что такие модели, как ResNet, обеспечивают высокую точность выявления аневризмы на бесконтрастных компьютерных томограммах. Такие методы, как U-Net, позволяют точно измерить размер и объем аневризмы, что важно для планирования объема хирургического вмешательства. Глубокое обучение также помогает в хирургических процедурах, точно предсказывая позицию стента и послеоперационные осложнения. Кроме того, модели способны с высокой точностью прогнозировать прогрессирование аневризмы и оценивать вероятность неблагоприятного исхода для пациента. Выводы. Технологии глубокого обучения демонстрируют значительный потенциал в улучшении диагностики, лечения и контроля аневризмы аорты. Эти достижения могут привести к более точному и персонализированному подходу к пациентам, улучшая результаты лечения лиц с данной патологией.

Патология сердечно-сосудистой системы плода – это наиболее распространенный вид врожденных пороков развития, находится на втором месте среди причин младенческой смертности и составляет 47% всех причин смерти от пороков развития. Общепринятый минимальный расчетный показатель частоты врожденных пороков сердца (ВПС) – 8 случаев на 1 тыс. живорожденных (5–9 из 1000 новорожденных). Оценка сердца плода является сложной задачей, главным образом из-за небольшого размера сердца, непроизвольных движений плода, неудобного положения плода. Дифференциальная диагностика нормального сердца плода и сердца с ВПС, требующим кардиохирургической помощи после рождения, является важной, а иногда критически необходимой целью ультразвукового исследования плода.

Цель исследования: создание системы поддержки принятия врачебных решений путем формирования алгоритма осмотра сердца плода с помощью искусственного интеллекта, результатом которого должен стать один из вариантов медицинского заключения: “норма” – правильное строение сердца – ВПС нет; “не норма” – неправильное строение сердца – нельзя исключить наличие ВПС, рекомендована расширенная эхокардиография плода в кратчайшие сроки.

Материал и методы. Исследование проводилось на сроке беременности 18–21 нед. Каждое исследование на одного пациента содержало видеофайлы пяти стандартных проекций сердца. Каждый срез представлен не менее чем 25 кадрами. Верификация была выполнена путем подтверждения/изменения диагноза врачом-экспертом, а также подтверждением диагноза после рождения.

Результаты. В результате выполнения работ задача определения зон грудной клетки и сердца плода решена с точностью 98%, задача классификации среза сердца на кадре – с точностью 82%, задача определения патологии на срезах сердца – с точностью 77%.

Заключение. Результаты показали, что алгоритм искусственного интеллекта может повысить точность ультразвукового диагностики сердца плода и имеет хорошую прикладную ценность. Ожидается, что методы искусственного интеллекта внесут вклад в стандартизацию и оптимизацию эхокардиографии плода, повысят процент пренатальной диагностики ВПС и тем самым приведут к снижению младенческой смертности и детской инвалидизации.

Разработан эвристический метод выявления инвесторов, которые внезапно распродают значимые доли рискованных активов, то есть впадают в панику. Исследование показывает, что паника чаще возникает при больших рыночных колебаниях. Панические продажи неэффективны на растущем рынке, но могут служить механизмом ограничения потерь на стремительно падающих рынках. Машинное обучение может определить риски панической распродажи активов на бирже инвесторами в ближайшем будущем, учитывая демографию, историю финансового портфеля и текущие рыночные условия. Было обнаружено, что домохозяйства совершают панические продажи во время резких экономических спадов. Такой феномен назван «истерия». Панические продажи и истерия предсказуемы и отличаются от таких поведенческих моделей, как чрезмерная торговля или эффект диспозиции. Основным результатом исследования является точное предсказание поведения панически настроенных инвесторов - инвесторы держат убыточные и прибыльные позиции; панические продажи дают небольшую отрицательную доходность и случаются редко по сравнению с активными трейдерами, но резко возрастают в кризисы, связанные с рыночной конъюнктурой.

Предложен метод определения долготы места судна по рельефу дна с использованием нейронной сети, в качестве входного сигнала которой выступает вектор, содержащий значения глубины, измеренные с определенным пространственным шагом при помощи эхолота. Выходом сети служит значение долготы, соответствующее месту последнего измерения глубины. Сеть имеет несколько скрытых слоев, количество которых варьируется от одного до десяти. Скрытые нейроны обладают функциями активации в виде гиперболического тангенса. Единственный нейрон выходного слоя имеет линейную функцию активации. Определены алгоритмы формирования набора учебных данных, настройки и тестирования нейронной сети, формирующие технологию создания нейросетевой системы прогноза долготы места судна по глубинам и реализованные на языке программирования Python. Для работы с нейронными сетями используется библиотека TensorFlow. В качестве источника данных о глубинах выбирается официальная электронная навигационная карта. На основе извлеченного из нее слоя глубин формируется регулярная сетка, значения в узлах которой определяются линейной интерполяцией. Процедура формирования набора учебных и тестовых данных предполагает псевдослучайные изменения уровня моря, которые могут быть вызваны как реальными колебаниями, так и погрешностями измерений. На тестовой выборке сеть показывает приемлемую для навигации точность, причем результаты зависят от количества скрытых слоев. Лучшая точность в виде наибольшего значения модуля ошибки прогноза долготы достигается для сети с наибольшим количеством скрытых слоев. Отмечается также необходимость тестирования разработанной нейросетевой системы на основе моделирования движения судна.

Рассматривается применение нейронных сетей для детектирования пространственных ключевых точек человека при выполнении спортивных упражнений. Технология детекции ключевых точек позволяет отслеживать движения спортсменов в реальном времени, проводить глубокий анализ их техники и автоматизировать выполнение упражнений. Это помогает тренерам выявлять слабые места и совершенствовать навыки спортсменов. Основное внимание уделено методам 2D- и 3D-детекции ключевых точек, их применению в спорте и анализу эффективности. Приводятся результаты 3D-детекции ключевых точек для спортсмена выполняющего упражнение.