В мире существует много разных видов спорта. Кто-то скажет чтобы победить в том или ином виде спорта нужно быть физически сильным или выносливым, а может обладать взрывным характером. Наверное для каждого вида спорта есть такая уникальная характеристика, но часто победителем становится не самый сильный или ловкий спортсмен. Есть одна незаметная на первый взгляд вещь объединяющая все виды спорта, вещь позволяющая компенсировать недостатки характеристик, а иногда и превысить возможный предел - это техника выполнения упражнения. Спортсмены - профессионалы тратят колоссальное количество времени повторяя простые движения доводя их до автоматизма. Целью проекта является разработка системы помогающей спортсмены оценить качество своих упражнений с точки зрения точности повторения и качества выполнения. В качестве примера рассмотрим спортивные бальные танцы. В этой дисциплине важны точности движений, а также чувство ритма, юные спортсмены часто сбиваются с ритма танца в результате чего в паре нарушается устойчивость и синхронность. Ассистент тренера мог бы легко подсказать фигуру в танце в которой сбился ритм или указать на ошибку в движении, а может и указать на явное эмоциональное утомление спортсмена. В качестве следующего примера рассмотрим тренажерный зал, тренер показал как правильно подтягиваться и пошёл контролировать других участников тренировки, разрабатываемый ассистент мог бы легко указать на ошибку в упражнении и сообщить после какого подхода она началось нарушение техники исполнения.

Имеется черно-белая камера, делающая фотографии высокого качества. Требуется на фотографиях определять положение (центры) белых круговых меток. Метки на изображении в общем случае имеют овальность в зависимости от ракурса съемки. Модель промышленной камеры: Daheng ME2P-1230-23U3M/C с инфракрасной вспышкой

В рамках данного проекта вам предстоит обучить нейросетевую модель семейства CNN для задачи детекции различных патологий на рентген-снимках. Набор данных вы можете взять с сайта kaggle, или с других открытых источников, вот пример некоторых из них: https://www.kaggle.com/datasets/vbookshelf/tbx11k-simplified, https://www.kaggle.com/datasets/tawsifurrahman/tuberculosis-tb-chest-xray-dataset, https://www.kaggle.com/datasets/pcbreviglieri/pneumonia-xray-images. В качестве основной модели вы можете использовать любые CNN-архитектуры, скорее всего вам подойдут семейства EfficientNet и DenseUnet. В процессе выполнения задания вы можете столкнуться с проблемами недостаточного обучения или, наоборот, сильного переобучения модели на ваших тренировочных данных. Вот несколько возможных решений, которые могут помочь вам: -Добавление новых данных в обучающую выборку. Попробуйте объединить в ней снимки из разных наборов данных. - Оценка тепловых карт предсказывающей модели. Так вы сможете понять, куда именно смотрит ваша модель в момент предсказания. - Дополнительные обработки изображения – отделение смазанных/шумных изображений, поиск контуров интересующих вас областей(например, самих лёгких), возможная их сегментация. В результате у вас должны получиться модель, которая будет, во-первых, с хорошей вероятностью классифицировать изображения по вами определённым классам (можно взять пневмонию/туберкулёз, а так же просто маркеры здоров/болен). И во-вторых, достаточно точно определять области на изображении, которые являются маркером данной болезни.

Системы спутниковой радиосвязи давно обрели широкое распространение во всем мире. Простота подключения, охват огромных территорий на поверхности Земли и значительные скорости передачи способствуют постоянному увеличению числа абонентов. Знание регионов спутникового покрытия является важным аспектом для таких областей как проектирование комплексов связи, радиоконтроль, геолокация. Целью проекта является накопление данных для создания карты покрытия спутникового радиовещания. В ходе работы потребуется выполнить поиск, разбор и сохранение информации об областях охвата ориентированных в пространстве лучей спутников-ретрансляторов, находящихся на геостационарной орбите.

Разработать ПО для детектирования особенностей и классификации слоев породы по 4 параметрам (тип породы, карбонатность, нефтенасыщенность, разрушенность) на фотографиях керна