Анализ данных для распознавания коронарных сосудов и предсказания ишемической болезни сердца. Созданное ПО увеличивает процесс распознавания до 76%. Время распознавания одного сета - 295 секунд.
МЕТОД 3D-КОМПРЕССИИ ДАННЫХ РЕНТГЕНОВСКОЙ КОМПЬЮТЕРНОЙ ТОМОГРАФИИITMO University
Предлагается алгоритм компрессии данных компьютерной томографии для создания банков данных томографических исследований и телемедицины. При- водятся схема построения компрессора/декомпрессора и результаты экспери- ментальной оценки его эффективности.
ДЕТЕКТОРЫ ОСОБЕННОСТЕЙ В МЕТОДЕ ВИОЛЫ–ДЖОНСА, ПОСТРОЕННЫЕ НА ОСНОВЕ КОНЕЧНЫХ ...ITMO University
Рассматривается модификация метода Виолы–Джонса – одного из самых эффективных методов классификации изображений. Вместо детекторов прямоугольных особенностей в предложенной модификации используются детекторы особенностей, построенные на конечных автоматах. Применение автоматов позволяет сократить число уровней в каскаде и число детекторов на каждом уровне за счет того, что детектор, управляемый автоматом, может обнаружить более сложные особенности, нежели простые прямоугольники.
МЕТОД 3D-КОМПРЕССИИ ДАННЫХ РЕНТГЕНОВСКОЙ КОМПЬЮТЕРНОЙ ТОМОГРАФИИITMO University
Предлагается алгоритм компрессии данных компьютерной томографии для создания банков данных томографических исследований и телемедицины. При- водятся схема построения компрессора/декомпрессора и результаты экспери- ментальной оценки его эффективности.
ДЕТЕКТОРЫ ОСОБЕННОСТЕЙ В МЕТОДЕ ВИОЛЫ–ДЖОНСА, ПОСТРОЕННЫЕ НА ОСНОВЕ КОНЕЧНЫХ ...ITMO University
Рассматривается модификация метода Виолы–Джонса – одного из самых эффективных методов классификации изображений. Вместо детекторов прямоугольных особенностей в предложенной модификации используются детекторы особенностей, построенные на конечных автоматах. Применение автоматов позволяет сократить число уровней в каскаде и число детекторов на каждом уровне за счет того, что детектор, управляемый автоматом, может обнаружить более сложные особенности, нежели простые прямоугольники.
В стенах Azoft прошла лекция по практическому применению нейронных сетей.
На лекции рассказывалось о типах нейронных сетей, способах и особенностях их обучения и практическом применении. В конце доклада ребята дали советы для тех, кто только хочет начать развиваться в этой сфере: какие задачи решать, с чем экспериментировать, на какие смежные области обратить особенное внимание.
Видеозапись лекции вы можете посмотреть на YouTube: https://youtu.be/gwf18CGJM5c
Мы постараемся показать, как любой технический специалист может использовать различные методы машинного обучения в своей повседневной работе. Продемонстрируем специализированные инструменты Classification Learner и Regression Learner для быстрого обучения классификаторов и сравнения точности распознавания. Особе внимание уделим созданию и обучению сверточных нейронных сетей (CNN)
Denis Perevalov -- Computer vision with OpenCV 1Uralcsclub
The lectures are devoted to the basics of Computer Vision through some examples of using OpenCV library. The possibilities and limitations of applicability of the known algorithms to real projects are also considered. (IN RUSSIAN)
Павел Бахтин. ВШЭ. Использование state-of-the-art эмбеддинговых моделей для а...Global Innovation Labs
О проблемах использования эмбеддинговых моделей (в т.ч. BERT, XLNet) для анализа научно-технических текстов. Рассмотрены способы оценки их эффективности и кейс расширения базы знаний на примере одного научно-технологического направления.
More Related Content
Similar to Наталья Полковникова. Кардио ИИ. Построение системы распознавания коронарных сосудов
В стенах Azoft прошла лекция по практическому применению нейронных сетей.
На лекции рассказывалось о типах нейронных сетей, способах и особенностях их обучения и практическом применении. В конце доклада ребята дали советы для тех, кто только хочет начать развиваться в этой сфере: какие задачи решать, с чем экспериментировать, на какие смежные области обратить особенное внимание.
Видеозапись лекции вы можете посмотреть на YouTube: https://youtu.be/gwf18CGJM5c
Мы постараемся показать, как любой технический специалист может использовать различные методы машинного обучения в своей повседневной работе. Продемонстрируем специализированные инструменты Classification Learner и Regression Learner для быстрого обучения классификаторов и сравнения точности распознавания. Особе внимание уделим созданию и обучению сверточных нейронных сетей (CNN)
Denis Perevalov -- Computer vision with OpenCV 1Uralcsclub
The lectures are devoted to the basics of Computer Vision through some examples of using OpenCV library. The possibilities and limitations of applicability of the known algorithms to real projects are also considered. (IN RUSSIAN)
Павел Бахтин. ВШЭ. Использование state-of-the-art эмбеддинговых моделей для а...Global Innovation Labs
О проблемах использования эмбеддинговых моделей (в т.ч. BERT, XLNet) для анализа научно-технических текстов. Рассмотрены способы оценки их эффективности и кейс расширения базы знаний на примере одного научно-технологического направления.
Нейросеть должна не только правильно классифицировать корректные запросы, но также отфильтровывать заведомо неправильные. Необходимо, чтобы обученная сеть на нерелевантные запросы давала ответ «не знаю», а не предлагала наиболее подходящую услугу. Например, на вопрос «где получить паспорт?», сетка должна назвать номер кабинета и услугу, а на вопрос «где получить паспорт пирата?» ответить «не знаю».
Александр Ерофеев. Газпромнефть. Управление качеством данных, инструмент и пр...Global Innovation Labs
Вы знали, что в следствии цифрофизации бизнес процессов нефтяные компании стали создавать петабайты данных и сегодня 70% проектов направленных на повышение эффективности зависят от качества данных?
Как устроен процесс управления качеством данных и какие инструменты для этого используются расскажет Александр Ерофеев CDO блока разведки и добычи компании Газпром нефть.
Петр Ермаков. LAMODA. Автоматическая валидация контента в e-commerceGlobal Innovation Labs
Пальто с 300 кОрманами, или как искать ошибки.
LAMODA — это один из основных игроков онлайн-торговли в России с более чем 5 миллионами товаров в каталоге. И это не только сайт. Это - свои склады размером с футбольные поля, свои курьеры и парк автомобилей, свой отдел e-production с фото-студией и моделями. Компания не только делает свои фотографии товаров, но и сама создает описание и заполняет атрибуты. К сожалению, ручной процесс не исключает ошибок.
Как автоматизировать поиск ошибок в контенте и как методы анализа данных в этом помогают?
Андрей Коняев. ArenaData. Построение аналитики на ClickHouse — преимущества и...Global Innovation Labs
Когда стоит выбирать ClickHouse.
1. Когда у вас много фактов без обновлений:
- web-аналитика
- реклама
- e-commerce and finance
- мониторинг
- телеком, анализ логов
2. Витрины данных:
- нет JOIN со спилами
- очень хорошо переносит клиентскую нагрузку
- легко масштабируется
- быстрая агрегация витрин
- OBDC, JDBC, HTTP клиентские интерфейсы
Илья Чухляев. OWOX. Как с помощью ML и BigQuery находить зоны роста в выполне...Global Innovation Labs
Как правильно ставить цели в план по развитию маркетинг-аналитики — определить дальнейшие шаги развития маркетинг-аналитики в компании.
Обзор главных технологий и компетенций, о которых стоит помнить на каждом из этапов плана. Вы будете заранее готовы и сможете забюджетировать нужные ресурсы.
К чему стоит быть готовым при внедрении прогнозов в маркетинг аналитике? Вы сможете составить план развития маркетинг-аналитики, учитывая возможные проблемы на этом пути.
Какие источники данных позволяют наиболее точно прогнозировать выполнение маркетинг-плана? Вы сможете контролировать процесс выполнения плана и понимать в каких сегментах ваши зоны роста, а где - риски.
Артемий Козырь. Сибур. Лучшие способы убить производительность аналитической ...Global Innovation Labs
Вредные советы о лучших способах убить производительность аналитической СУБД.
1. Передавайте много данных по сети.
2. Обрабатывайте лишние объемы данных.
3. Пренебрегайте мониторингом.
4. Никогда не используйте сжатие данных!
5. И, конечно же, забывайте про резервирование
Александр Сербул. 1С Битрикс. Массовый скоринг в CRM — секреты и подводные камниGlobal Innovation Labs
1. Потребности бизнеса, клиентов и рынка в массовом скоринге
2. Первый технологический стек, первый прототип
3. Полезные новейшие возможности облаков для скоринга и других применений ML
4. Выбор фич
5. Несбалансированные данные - как не сойти с ума
6. Оптимизация моделей скоринга
7. Внедрение скоринга в продукт
Ксения Александрова. Independent Media. Рекомендательные технологии в Digital...Global Innovation Labs
Как построить эффективный медийный продукт на основе данных.
При грамотной настройке "умной выдачи" и "умной рекламы" рост эффективности РК по сегментам показывает до 40%.
Максим Годзи. Retentioneering. Искуственный интеллект помогает банку оптимзир...Global Innovation Labs
1. Большие данные о действиях пользователей в продуктах можно превратить в траектории и обрабатывать с помощью ML
2. ML позволяет быстро получать поведенческую сегментацию и строить наглядные интерпретируемые карты
3. Сегменты с проблемным поведением позволяют локализовать точки роста бизнеса и разместить их в клиентском пути
4. Касания и клики в рекламных каналах могут быть обработаны тем же пайплайном, чтобы точнее оценить качество трафика и эффективнее бюджетировать каналы.
Исследование ценностей и целей российских женщин при помощи нейросетей.
Как определить динамику изменения целей и ценностей, создать новые продукты и скорректировать имеющиеся.
Александр Кузнецов. Lanit Digital. Что будет если маркетологи начнут вести се...Global Innovation Labs
О том, как корпорации "следят" за нами. Обработка BigData требует средств, технологий и кадров. В первую очередь деньги вложат те, кто сможет быстро продать анализ вашей персональной информации: Google, Яндекс, Facebook, Сбербанк и т.д.
Государство - всегда догоняющий игрок.
Правительственные идеи тотального контроля лишь клонируют или расширяют корпоративные разработки.
Андрей Анисимов. ВТБ. Построение моделей машинного обучения для увеличения пр...Global Innovation Labs
Каким образом решить задачу увеличения конверсии CRM-кампаний по банковскому продукту для среднего и малого бизнеса. Как собрать внутренние и внешние источники данных. Какой использовать инструментарий. Какой выбрать алгоритм и оптимизацию гиперпараметров для максимизации прогнозирующей производительности конечной модели.
Даниил Терентьев. Conventus. Как и зачем искусственный интеллект оценивает мы...Global Innovation Labs
Треть рабочего времени сотрудников теряется в попытках помочь друг друга.
Люди одной микрогруппы хорошо понимают друг друга и плохо понимают людей из других микрогрупп.
При внедрении ИИ текучка среди специалистов в первый месяц снизилась с 30% в месяц до 20%. Производительность увеличилась в 8 раз.
Как сделать лингвистический анализ судебных споров, в которых участвует компания, и вычислить, какие дополнительные активы или обязательства возникнут у нее в качестве дисконтированной на срок судебного разбирательства суммы потенциального выигрыша или проигрыша, вероятность которого вычисляется на основе аналогичных исков в том же суде с тем же предметом спора.
8. Качество разметки
отказаться от использования
автоматических систем (например,
встроенных в оборудование Siemens)
48 сетов переразмечены в 3D Slicer
правильность разметки - оценка
учеными-рентгенологами.
10. Выбранные алгоритмы
34 сета, используя алгоритмы:
СNN,
CNN+SR,
DENSENET
на NVIDIA Tesla k40c GPU на протяжении
600 эпох обучения (примерно 30 часов),
либо пока не получалось 100 эпох с
одинаковыми результатами.
11. РЕЗУЛЬТАТЫ ЭТАПА 1
протестирована на 14 сетах,
оставленных для контроля.
Наилучшая показанная точность -
69%,
скорость обработки 1 сета - 280
сек.
15. Расширение базы
поворот на угол до 10 градусов
сдвиг по ширине до 5%
сдвиг по высоте до 5%
сжатие до 5%
увеличение до 5%
-заполнение пространства
10 случайных трансформаций по 1-5
параметрам для каждого сета, т.е. 1000
сетов для анализа
16. Изменение CNN:
технология дополнения данных
создается 10 измененных вариантов с помощью
технологии дополнения данных, каждое изображение
сегментируется отдельно, а затем результаты
объединяются.
+ повысилась точность до 78%
- увеличилось время на анализ до 530 сек
Надо: заменить нейронную сеть на
более быстродействующую.
18. ОБУЧЕНИЕ
Реализаций сети DRUNET и ее обучение
выполнена с использованием
библиотеки Keras.
Обучение нейронной сети DRUNET
выполнялось с на основе 100 сетов
размеченных данных с использованием
дополнения данных . Обучение
выполнялось в течение 300 эпох с
использованием ускорителя NVIDIA
Tesla k40c GPU.
19. ТЕКУЩАЯ ВЕРСИЯ ПО
- Качество распознавания
коронарных сосудов: 76%
- Время распознавания одного
сета: 295 секунд.
20. Наши планы на будущее
Предсказание ишемической
болезни сердца