Компания «ПАВЛИН» продолжительное время занимается разработкой алгоритмов и программного обеспечения для автоматического выделения объектов на изображениях с применением ряда методов машинного зрения и распознавания образов для Российских и Иностранных Заказчиков.
Цель
Автоматизировать процесс ручного выделения объектов заданных классов на изображении с целью обеспечения продуктов заказчика новым видом автоматической функциональности или повышения производительности труда операторов, занимающихся ручной обработкой изображений.
Входные данные
Заказчик предоставляет репрезентативную выборку изображений, содержащих и не содержащих заданные объекты, или формулирует иное описание класса искомых образов, например, предоставляя отдельные эталоны. Опционально заказчик предоставляет априорную информацию об искомых объектах — степень вариативности их формы, подклассы, возможные условия освещенности, ракурсы, и т.п. Возможно ручное создание обучающей выборки специалистами компании с использованием открытых источников или материалов Заказчика. В ряде случаев возможна генерация обучающей выборки с применением имитационной модели для самих объектов или увеличение их числа искусственными изменениями формы.
Что на выходе
В результате разрабатывается алгоритм и его программная реализация, обеспечивающая выполнение задачи детектирования заданного класса объектов на изображениях. С целью достижения определенных требований по скорости обработки может применяться ускорение вычислений на графических или многоядерных процессорах. Возможна программная реализация для одноплатных эвм (embedded).
Примеры разработанных детекторов:
Для специалистов
Caffe; CNN; MLP; MSER; SIFT; SOM; Connected Components; GPU; OpenCL; OpenMP; OpenCV
Цель
Автоматизировать процесс ручного выделения объектов заданных классов на изображении с целью обеспечения продуктов заказчика новым видом автоматической функциональности или повышения производительности труда операторов, занимающихся ручной обработкой изображений.
Входные данные
Заказчик предоставляет репрезентативную выборку изображений, содержащих и не содержащих заданные объекты, или формулирует иное описание класса искомых образов, например, предоставляя отдельные эталоны. Опционально заказчик предоставляет априорную информацию об искомых объектах — степень вариативности их формы, подклассы, возможные условия освещенности, ракурсы, и т.п. Возможно ручное создание обучающей выборки специалистами компании с использованием открытых источников или материалов Заказчика. В ряде случаев возможна генерация обучающей выборки с применением имитационной модели для самих объектов или увеличение их числа искусственными изменениями формы.
Что на выходе
В результате разрабатывается алгоритм и его программная реализация, обеспечивающая выполнение задачи детектирования заданного класса объектов на изображениях. С целью достижения определенных требований по скорости обработки может применяться ускорение вычислений на графических или многоядерных процессорах. Возможна программная реализация для одноплатных эвм (embedded).
Примеры разработанных детекторов:
- Поиск ориентиров специализированной калибровочной доски, обеспечивающих однозначность определения ее ориентации
- Детектор лиц людей
- Поиск логотипов (торговых знаков) на кадрах видео-потока и фото изображениях
- Поиск похожих кадров (поиск пиратского видео)
- Поиск посторонних включений в замороженной пищевой продукции на основе анализа рентгеновских изображений (дефектоскопия)
- Детектор головы и плеч человеческой фигуры
- Детектор автомобилей на изображениях аэрофотосьемки
- Детектор дорог на изображениях аэрофотосьемки
- Детектор прямоугольных объектов на изображениях аэрофотосьемки
- Детектор кораблей в море на изображениях аэрофотосьемки
- Детектор животных (лосей) на изображениях аэрофотосьемки
- Детектор флажков и карточек (для робототехники)
- Детектор цифровых табличек
- Детектор облаков
- Детектор забытых предметов
Для специалистов
Caffe; CNN; MLP; MSER; SIFT; SOM; Connected Components; GPU; OpenCL; OpenMP; OpenCV