Машинное обучение и распознавание образов

Тематика платформы включает в себя работы по передовым методам интеллектуального анализа данных, визуализации и машинного обучения, а также их применению в современных индустриальных технологиях обработки данных, сигналов, изображений и распознавания образов.

Темы платформы

  • Design and analysis of machine learning algorithms and ANNs,
  • Image processing, visualization, computer vision, AR/VR,
  • Autonomous and adaptive systems,
  • Natural language processing,
  • Neuroscience and medical data analysis.

Среда, 20 сентября, 14.00–15.30

Руководитель: Егор Ершов

14.00–14.20      Асимметричная созтязательная функция потерь для доменной адаптации методов сегментации фотографий глазного дна. Соболева Дарья.
14.20–14.40    Непредвзятость моделей глубинного обучения в задаче сегментации трехмерных медицинских изображений. Денишева Рушана.
14.40–15.00 Masked image modeling pretrain for 3d CT images segmentation. Соколов Роман.
15.00–15.15 Преобразование цветовых координат с учетом эффекта цветового виньетирования. Шепелев Лев.
15.15–15.30 Доменная адаптация в задаче гиперспектральной реконструкции. Владимиров Даниил.

 

Среда, 20 сентября, 16.00–17.30

Руководитель: Егор Ершов

16.00–16.25      На пути к созданию показателя достоверности распознавания в задаче определения группы крови. Зайченкова Екатерина.
16.25–16.50      Древовидная гистограмма изображения для оценки распределения параметров освещения. Плохотнюк Всеволод.
16.50–17.10 Легковесные нейросетевые алгоритмы обработки сигналов изображения. Паншин Артем.
17.10–17.30         Сравнение известных методов раздымливания мультиспектральных спутниковых снимков для случая цветной дымки. Сидорчук Дмитрий.

 

Машинное обучение и распознавание образов: Постерные доклады

М1. Линейная аппроксимация ограничений углов поворота камеры для стабилизации видео. Дуденко Екатерина.

М2. Теоретические пределы равномерности цветностных систем координат. Богданов Яков.

М3. Сегментация изображений измельченной руды для задач анализа гранулометрического состава. Николаев Ярослав.

М4. Критерии сходства изображений: популярные подходы. Конюшенко Иван.

М5. Оценка эпистемической неопределённости для свёрточных нейронных сетей в задаче определения агглютинации. Егоров Федор.

М6. Алгоритм детекции овальных лунок по изображению серологического планшета. Карпов Матвей.

М7. Оценка алгоритмов перехода между цветовыми пространствами. Мамедов Ясин.

М8. Сегментация водных загрязнений на линзе камеры по одному изображению на основе архитектуры U-Net. Кондрашов Кирилл.

М9. Определение группы крови человека по изображениям овальных лунок серологических планшетов. Шарапов Денис.

М10. Определение достаточного объема обучающей выборки для достижения заданной точности на примере задачи определения группы крови. Пищев Павел.

M11. Correcting sampling biases via importance reweighting for spatial modeling. Прохоров Борис.