|
ИСТИНА |
Войти в систему Регистрация |
ИСТИНА ИНХС РАН |
||
Гибридные методы обработки и анализа изображенийНИР
Hybrid methods of image processing and analysis
- Руководитель НИР: Крылов А.С.
- Ответственный исполнитель: Сорокин Д.В.
- Участники НИР: Карнаухов В.Е., Кривов М.А., Мерзлякова М.А., Насонов А.В., Насонова А.А., Никитина Е.В., Пенкин М.А., Пчелинцев Я.А., Хвостиков А.В.
- Подразделение: Лаборатория математических методов обработки изображений
- Срок исполнения: 1 января 2023 г. - 31 декабря 2027 г.
- Номер договора (контракта, соглашения): 2.15.23
- Номер ЦИТИС: 123021300243-1
- Тип: Фундаментальная
- Приоритетное направление научных исследований: Математическое моделирование и численные методы
- Приоритеты и перспективы НТР Российской Федерации согласно Стратегии НТР РФ: переход к передовым цифровым, интеллектуальным технологиям
- ПН России: Информационно-телекоммуникационные системы
- Направление технологического прорыва России: Стратегические информационные технологии
- Критическая технология России: Нано-, био-, информационные, когнитивные технологии
-
Рубрики ГРНТИ:
- 27.41.23 Машинные, графические и другие методы вычислительной математики
- 28.23.15 Распознавание образов. Обработка изображений
- Классификатор OECD: Прикладная математика, Компьютерные и информационные науки
-
Ключевые слова:
машинное обучение, регуляризирующие методы., анализ изображений, обработка изображений
regularization methods, machine learning, image processing, neural networks, image analysis -
Описание:
Разработать новые гибридные математические методы обработки и анализа изображений, сочетающие классические подходы и методы, основанные на машинном обучений, в частности, свёрточные нейронные сети.
-
Abstract:
The work will contain development of new hybrid image processing and analysis methods combining classical approaches with machine learning including convolutional neural networks.
-
Планируемые результаты:
Будут созданы низко- и высокоуровневые гибридные алгоритмы обработки и анализа изображений, в том числе: - математические методы предобработки и повышения качества фотографических и биомедицинских изображений; - математические методы анализа, сегментации, обнаружения объектов на изображениях; - математические алгоритмы обработки изображений с использованием искусственных нейронных сетей, обладающих возможностью функционирования в условиях зашумления оптического сигнала, характерных для биологических систем; - математические методы обработки и анализа изображений, основанные на использовании нейронных операторов, использующих физическую информацию.
-
Научный задел:
Комплекс методов обработки и анализа изображений, созданных в лаборатории математических методов изображений факультета ВМК. 1. Проведен анализ преимуществ и ограничений гибридных алгоритмов, объединяющих нейросетевые методы и классические математические модели. Рассмотрены PINN (Physics-Informed Neural Networks) и нейронные операторы, такие как FNO и DeepONet, для решения задач анализа данных, численного дифференцирования и подавления артефактов. Крылов А. С. Использование математических моделей в глубоком обучении // GRAPHICON 2024 Материалы 34-й Международной конференции по компьютерной графике и машинному зрению. — С. 22–22. 2. Разработан метод повышения устойчивости нейросетевых классификаторов к адверсативным атакам путем использования адверсативной аугментации данных. Lockshin N., Khvostikov A., Krylov A. Adversarial augmentation can improve adversarial robustness better than double the labelled data // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. — 2024. — Vol. 34, no. 4. 3. Предложен метод автоматической сегментации деревьев переднего плана на изображениях промышленных яблоневых садов. Segmentation of foreground row trees in apple orchard images collected by ground vehicles / M. Merzliakova, B. Shurygin, A. Solovchenko et al. // ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences. — 2024. — Vol. 48, no. W5. 4. Разработан метод совмещения микроскопических изображений клеточных структур и алгоритм совместного корреляционного анализа данных электронной и оптической микроскопии для исследования процесса репликации гетерохроматина в ядрах клеток растений с гигантским геномом. Global nuclear reorganization during heterochromatin replication in the giant-genome plant nigella damascena l / E. A. Arifulin, D. V. Sorokin, N. A. Anoshina et al. // Plant Journal. — 2024. — Vol. 120. — P. 1508–1521.
-
Основные результаты:
Низко- и высокоуровневые адаптивные алгоритмы обработки и анализа изображений.
- Добавил в систему: Насонов Андрей Владимирович
Соисполнители НИР
| МГУ имени М.В.Ломоносова | Координатор |
Источник финансирования НИР
| госбюджет, раздел 0110 (для тем по госзаданию) |
Этапы НИР
| # | Сроки | Название |
| 1 | 1 января 2023 г.-31 декабря 2023 г. | Гибридные методы обработки и анализа изображений |
| Результаты этапа: 1. Разработаны гибридные методы обработки и анализа изображений для задач анализа рентгеновский и гистологических изображений с использованием методов глубокого обучения и классических математических моделей. 2. Разработаны гибридные методы обработки и анализа изображений геологических пород с использованием современных методов машинного обучения. 3. Разработан математический метод детекции яблок на изображениях, основанный на использовании современных методов машинного обучения. | ||
| 2 | 1 января 2024 г.-31 декабря 2024 г. | Гибридные методы обработки и анализа изображений |
| Результаты этапа: Разработаны гибридные алгоритмы для анализа данных и подавления артефактов на основе нейросетевых методов и классических математических моделей. Разработаны методы сегментации объектов на изображениях и создания 3D-моделей с использованием датчиков глубины, 3D-принтеров и диффузионных моделей. Разработаны алгоритмы повышения устойчивости нейросетей к адверсативным атакам и обработки медицинских и микроскопических изображений. | ||
| 3 | 1 января 2025 г.-31 декабря 2025 г. | Гибридные методы обработки и анализа изображений |
| Результаты этапа: | ||
| 4 | 1 января 2026 г.-31 декабря 2026 г. | Гибридные методы обработки и анализа изображений |
| Результаты этапа: | ||
| 5 | 1 января 2027 г.-31 декабря 2027 г. | Гибридные методы обработки и анализа изображений |
| Результаты этапа: | ||
Прикрепленные к НИР результаты
Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".
Прикрепленные файлы
| № | Имя | Описание | Имя файла | Размер | Добавлен |
|---|