SCI Библиотека

Слово «кризис», написанное по-китайски, состоит из двух иероглифов: один означает «опасность», другой – «благоприятная возможность».

Статья посвящена Технологическим решениям для производства творожных и плавленых сыров, термизированных молочных десертов

Корреспондент журнала Владимир Измайлов побеседовал с директором по связям с общественностью и государственными органами Национального союза производителей молока «Союзмолоко» Марией Жебит. Тема разговора – российский молочный рынок в сложившейся ситуации

В работе предложен алгоритм нахождения протяженных границ на изображении. Рассматривается случай, когда граница может быть приближена ломаной с ограничением на угол излома. Задачи поиска таких границ возникают при детектировании линий дорожной разметки, построении карты дорог по космическим снимкам Земли, поиске дислокаций в кристаллах на отдельных проекциях рентгеновской топотомографии. Для поиска звеньев ломаной изображение обрабатывается скользящим окном, в каждом новом положении которого ищется прямолинейный сегмент при помощи быстрого преобразования Хафа. Далее найденные сегменты в зависимости от взаимного расположения объединяются в группы, покрывающие искомые границы, и аппроксимируются ломаными. Предложенный алгоритм был использован в задаче детектирования линий дорожной разметки для определения беспилотным транспортным средством (БПТС) своего положения на заданной векторной карте дорог. Алгоритм был протестирован на реальных данных, собранных c фронтальной камеры БПТС при проезде на полигоне “Калибр” (г. Москва). Точность детектора линий дорожной разметки составила 43%, полнота – 73%. Точность локализации БПТС с его использованием составила 0.2 м в евклидовой метрике на маршруте, что в 8 раз меньше, чем локализация без использования информации о дорожной разметке. Также алгоритм был протестирован на отдельных изображениях ДЗЗ и топотомограммах.

Сегментация медицинских изображений – одна из важнейших задач лучевой диагностики и терапии. Современные подходы к решению этой задачи основаны на глубоком обучении и показывают высокое качество при обучении на стандартизированных и специально собранных данных. Однако при работе с реальными клиническими изображениями ситуация кардинально меняется из-за принципиально более сложного устройства данных. В задаче сегментации опухолей головного мозга для планирования лучевой терапии размеры и интенсивности изображений существенно варьируются в зависимости от настроек аппарата магнитно-резонансной томографии; отмечается неоднозначность трактовки разными экспертами выявляемых на томограммах изменений; наконец, контуры мишени не всегда соответствуют изображению магнитно-резонансной томографии вследствие использования дополнительных модальностей при планировании облучения. В силу указанных причин сформированные выборки содержат большое количество шумных аннотаций. Мы предлагаем устойчивый алгоритм обучения, основанный на модификации традиционной архитектуры сверточной нейронной сети при помощи модуля для обучения весов, используемых в результирующей функции потерь (взвешенной перекрестной энтропии). Наша модель успешно борется с наличием шума в разметке и значительно уменьшает эффект высокой гетерогенности данных, повышая качество сегментации на 38%.

В работе предлагается ввести новое пространство цветовых координат proLab, связанное с CIE XYZ трехмерным проективным преобразованием. В статье показывается, что по психофизической равномерности, оцениваемой при помощи метрики STRESS по отношению к формуле цветовых различий CIEDE2000, предлагаемое пространство значительно опережает широко используемую систему координат CIELAB, хотя и уступает современной CAM16-UCS. Угловые метрики ошибок определения цветности, обычно используемые в линейных цветовых пространствах, могут использоваться и в proLab, поскольку проективное преобразование сохраняет линейность многообразий. При этом, в отличие от линейных пространств, угловые ошибки, различные по цветовому тону, в proLab нормированы в соответствии с порогами цветоразличения человека. В работе также показывается, что гетероскедастичность дробового шума в proLab оказывается меньшей, чем в CAM16-UCS и стандартных цветовых пространствах. Это делает proLab удобной координатной системой для линейного цветового анализа – решения задач линейной регрессии в цветовом пространстве.