Результаты поиска: 3 док. (сбросить фильтры)
Статья: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ИНСТРУМЕНТ В ПРОЕКТИРОВАНИИ МОДНОГО ОБРАЗА
В повседневную и творческую деятельность современного человека прочно включены новые инструменты - нейросетевые технологии. Благодаря цифровизации появилось множество электронных приложений для решения разного рода задач, ускоряющих результативность труда. Прогресс технологий позволил в отдельных видах деятельности полностью исключить ручной труд, заменив человека роботами и чат-ботами. Искусственные нейронные сети используют для решения рутинных задач аналитики, прогнозирования, а также в дизайн-проектировании. Скорость как вычислительных процедур, выполняемых компьютерными программами, так и генерирования ими образов объектов в графических редакторах в несколько раз превышает аналогичные возможности людей. Однако в настоящее время любой созданный искусственным интеллектом художественный образ нуждается в совершенствовании, поскольку в основе работы нейросетей лежит не биологический субстрат мыслительной деятельности творческого человека, а математические алгоритмы и аппаратная реализация. Представлены результаты эксперимента по применению голосового помощника в творческой деятельности дизайнера-конструктора одежды. Установлено, что для полноценной работы чат-бота в индустрии моды необходимо машинное обучение, а для синтезирования вариантов ответов виртуальных ассистентов важно расширять базы данных графических образов модной швейной продукции и их вербальных смыслоразличительных характеристик.
Статья: УСТОЙЧИВОЕ РАЗВИТИЕ КОНЦЕПЦИИ ИНТЕЛЛЕКТУАЛЬНОГО ПУНКТА ПРОПУСКА: ИННОВАЦИИ И РЕКОМЕНДАЦИИ
В статье рассматривается концепция устойчивого развития интеллектуальных пунктов пропуска, акцентируется внимание на использовании передовых технологий, таких как искусственный интеллект (ИИ), Интернет-вещей (IoT) и блокчейн. Описаны экологические и социальные аспекты, а также предложены инновационные решения для повышения эффективности и безопасности. Автор акцентирует внимание вызовы и рекомендации по их преодолению, включая государственную поддержку и инвестиции в кибербезопасность.
Статья: Классификация снимков оптической когерентной томографии с использованием методов глубокого машинного обучения
Оптическая когерентная томография — современный высокотехнологичный и информативный метод выявления патологии сетчатки глаза и преретинальных слоёв стекловидного тела. Однако описание и интерпретация результатов исследования требуют высокой квалификации и специальной подготовки врача-офтальмолога, а также значительных временных затрат врача и пациента. Вместе с тем использование математических моделей на основе аппарата искусственных нейронных сетей в настоящее время позволяет автоматизировать многие процессы, связанные с обработкой изображений. Именно поэтому актуально решение задач, связанных с автоматизацией процесса классификации снимков оптической когерентной томографии на основе глубокого обучения моделей искусственных нейронных сетей.
Цель — разработать архитектуры математических (компьютерных) моделей на основе глубокого обучения свёрточных нейронных сетей, предназначенных для классификации снимков оптической когерентной томографии сетчатки глаза; сравнить результаты вычислительных экспериментов, проведённых с использованием средств Python в Google Colaboratory при одно- и многомодельном подходах, и выполнить оценки точности классификации; сделать выводы об оптимальной архитектуре моделей искусственных нейронных сетей и значениях используемых гиперпараметров.
Материалы и методы. Исходный датасет, представляющий собой обезличенные снимки оптической когерентной томографии реальных пациентов, включал более 2000 изображений, полученных непосредственно с прибора в разрешении 1920×969×24 BPP. Количество классов изображений — 12. Для создания обучающего и валидационного наборов данных осуществляли «вырезание» предметной области 1100×550×24 BPP. Изучали различные подходы: возможность использования предобученных свёрточных нейронных сетей c переносом обучения, методики изменения размера и аугментации изображений, а также различные сочетания гиперпараметров моделей искусственных нейронных сетей. При компиляции модели использовали следующие параметры: оптимизатор Adam, функцию потерь categorical_crossentropy, метрику accuracy. Все технологические процессы с изображениями и моделями искусственных нейронных сетей проводили с использованием средств языка Python в Google Colaboratory.
Результаты. Предложены одно- и многомодельный принципы классификации изображений оптической когерентной томографии сетчатки глаза. Вычислительные эксперименты по автоматизированной классификации таких изображений, полученных с томографа DRI OCT Triton, с использованием различных архитектур моделей искусственных нейронных сетей показали точность при обучении и валидации 98–100%, и на дополнительном тесте — 85%, что является удовлетворительным результатом. Выбрана оптимальная архитектура модели искусственной нейронной сети — 6-слойная свёрточная сеть, — и определены значения её гиперпараметров.
Заключение. Результаты глубокого обучения моделей свёрточных нейронных сетей с различной архитектурой, их валидации и тестирования показали удовлетворительную точность классификации снимков оптической когерентной томографии сетчатки глаза. Данные разработки могут быть использованы в системах поддержки принятия решений в области офтальмологии.