Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
#нейросеть
Нейронные сети с каждым днем захватывают все больше различных сфер и автоматизируют множество процессов. Одно из популярных направлений — распознавание изображений. Его используют в медицинской диагностике, в автомобильной сфере для распознавания знаков на дороге, для навигации и визуального восприятия окружающей среды в робототехнике, для обнаружения инцидентов в системах видеонаблюдения. Требуется постоянная модификация и улучшение методов для снижения ошибок. Ученые ПНИПУ разработали подсистему машинного зрения, которая обеспечивает надежное распознавание мелких и разноудаленных от камеры объектов. Предложенная схема поможет, например, обнаружить оружие или опасные предметы в толпе.
Коррозия приводит ежегодно к миллиардным убыткам, «съедает» несколько процентов мирового ВВП, поэтому разработка ингибиторов коррозии — веществ, замедляющих или предотвращающих ее течение — остается в фокусе внимания многих научных групп. Особенно серьезную опасность для стали представляют кислые среды, в частности, нефть. В ближайшее время поиском идеальной молекулы, для защиты стали от коррозии займется нейросеть. Пока международные научные группы, в состав которых входят российские ученые из НИЯУ МИФИ, занимаются предварительными исследованиями, призванным и накопить информацию для нейросети.
Ученые Центра искусственного интеллекта и факультета компьютерных наук НИУ ВШЭ, а также Института искусственного интеллекта AIRI и Sber AI разработали новую структуру диффузионной модели, для которой возможно задать восемь видов распределения шума. Вместо классической структуры модели в виде цепи Маркова и применения нормального распределения ученые предложили звездообразную модель, где возможно выбирать тип распределения. Это поможет решать задачи в разных геометрических пространствах с помощью диффузионных моделей.
Аппараты с газовыми горелками широко используются на производстве, когда нужно, например, быстро нагреть сырье или высушить сыпучие материалы. Контролируют их работу алгоритмы усовершенствованного управления. Однако для них нужны точные данные о параметрах работы устройства, получать и своевременно обновлять которые затруднительно в условиях непрерывного производства. Для решения проблемы ученые ПНИПУ предложили более точный и эффективный метод — использовать нейросеть.
Программисты сегодня создают машины, которые значительно превосходят навыки обычного человека. Они способны изучать, анализировать и интерпретировать гигантские объемы данных. Нам больше не нужно по крупицам добывать знания в книгах или среди множества сайтов — достаточно написать запрос в нейросеть, и она не просто подробно ответит на вопрос, но и вполне может написать дипломную работу студента. Как это влияет на систему образования и человека, помогает ли ИИ стать умнее или, наоборот, ведет к деградации, чем диалог с нейросетью отличается от «живого» и что значит режим работы «пленника» и «механического оракула»? Об этом рассказала кандидат философских наук, доцент кафедры философии и права ПНИПУ Елена Середкина.
В нефтеперерабатывающей промышленности объем и качество производимой продукции — это важнейшие показатели эффективности работы. Они зависят от соблюдения нужных параметров технологического процесса. Для определения показателей качества пробы нефти отбирают и анализируют в лаборатории, однако, это трудоемкий и дорогостоящий процесс. Альтернативным методом стало применение виртуальных датчиков, которые позволяют быстро получать и достоверно передавать информацию о продукции. Ученые Пермского Политеха создали метод разработки виртуального анализатора температуры выкипания дизельного топлива с использованием нейронных сетей.
Исследователи из НИУ ВШЭ в Нижнем Новгороде, МИСИС и AIRI разработали алгоритм, который подбирает лучшую нейронную сеть для распознавания лиц, учитывая характеристики мобильного устройства. Новый подход ускоряет выбор наиболее подходящей нейросети и позволяет добиться идентификации лиц с точностью до 99 процентов.
Ученые Томского государственного университета создают новые подходы для диагностики социально значимых заболеваний — инфекционных, диабета, инфаркта, онкологии, используя в качестве основного инструмента технологии лазерной спектроскопии и машинное обучение. Одна из проблем при диагностике — побочные шумы, которые искажают спектральный сигнал и снижают точность анализа. Убрать помехи теперь помогает глубокая нейросеть, которую исследователи на сгенерированной выборке научили распознавать шумы и отфильтровывать их от спектрального сигнала.
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
ПонятноИз-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
ПонятноНаши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
ПонятноМы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
ПонятноМы скоро прочитаем его и свяжемся с Вами по указанной почте. Спасибо за интерес к проекту.
Понятно
Последние комментарии