Transcript Обработка изображений

Тарков Михаил Сергеевич
С.н.с., к.т.н., доцент
Институт физики полупроводников
СО РАН
Научные интересы



Параллельные вычислительные системы
Нейрокомпьютерные системы
Обработка изображений и сигналов
Распределенные вычислительные системы

Элементарная машина
Тор
Гиперкуб
Циркулянт
Графы параллельных программ
Нейронные сети
Основные преимущества:
массовый параллелизм вычислений;
способность к обучению и
обобщению;
устойчивость к шумам и искажениям
обрабатываемых сигналов;
устойчивость к отказам элементов.
Нейрон
Основные типы нейронных сетей




Многослойные сети прямого
распространения (многослойные
персептроны)
Полносвязные сети (сети Хопфилда)
Клеточные нейронные сети
Сети Кохонена
Обработка изображений
Виды обработки:
реставрация (удаление шумов и
искажений);
сегментация (выделение объектов);
распознавание объектов;
оптимизация.
Дипломные работы






Дугаров Г.Э. Решение задачи коммивояжера рекуррентными
нейронными сетями
Тихонов Н.В. Разработка алгоритмов оценивания гетерогенности
термограмм
Чиглинцев Е.А. Методы понижения размерности пространства
данных в задачах распознавания изображений
Быстров А.С. Разработка нейросетевых алгоритмов обнаружения
дефектов на изображениях фабричных изделий
Дубынин С.В. Разработка алгоритмов слежения за объектами с
использованием технологии CUDA
Осипов М.И. Оценивание числа клеток на изображениях
цитологических препаратов
Спецкурсы
1. Распределенные алгоритмы (полгода)
2. Нейрокомпьютерные системы (год)
3.
Параллельные системы обработки изображений
(полгода)
Информация для связи
Тел. 330-84-94
E-mail: [email protected]