Теоретическое и прикладное исследование сложных систем: машинное обучение, языки параллельного программирования, комплексные задачи маршрутизации и расписаний, геоинформационные системы и цифровая медицина

Задача определения углов поворота головы по фотографии является одной из важных задач компьютерного зрения. Работы по данному направлению проводились в 2020-2021 годах. Наибольшую скорость при определении углов поворота головы показы­вают методы на основе ключевых точек лица и 3D модели головы. В рамках исследования был предложен алгоритм выбора подмножества ключевых точек для повышения каче­ства определения углов поворота головы. В результате вычислительных экспериментов показано, что использование сокращённого набора ключевых точек лица позволяет повысить точность расчёта углов поворота головы по заданному 2D изображению с размеченными ключевыми точками лица более чем на 50% по сравнению с алгоритмом без отбора ключевых точек. Наилучшую точность определения углов поворота головы показывают методы на основе нейронных сетей. В ходе исследования проблемы опреде­ления углов поворота головы была предложена модификация аугментации вращения, которая корректирует углы поворота головы после вращения изображения. Предло­женная аугментация позволила существенно повысить репрезентативность обучающей выборки при обучении нейронных сетей. Для проверки эффективности предложенной аугментации была проведена серия вычислительных экспериментов. Точность предска­зания углов с использованием только аугментации вращения и наивной архитектуры нейронной сети составила 3.85 по метрике MAE (Mean Absolute Error), что близко к результату наилучшего state-of-the-art метода с 3.83, который использует более сложную архитектуру нейронной сети и дополнительные данные о ключевых точках. Улучшение точности прогнозирования углов относительно базового варианта без использования аугментации вращения составляет 22.1% в соответствии с метрикой MAE. В 2021 году был разработан новый метод автоматической генерации иерар­хических меню пользовательского интерфейса. Постановка оптимизационной задачи была формализована на основе теории информационного фуражирования (information foraging) и решена с помощью методов линейного целочисленного программирования. Эксперименты с контрольной группой испытуемых показали, что время навигации по меню, сгенерированным с помощью предложенного подхода из команд интерфейса трех известных коммерческих программ, в среднем на 25% меньше времени навигации по оригинальным меню. В 2019–2021 годах совместно с коллегами из ИЭРиЖ УрО РАН велся поиск эволюционно успешных стратегий расселения животных, способных объяснить феномен (сверх)длинных переходов, встречающихся нередко у различных видов млекопитающих и не имеющих на сегодняшний день удовлетворительных объяснений. Для решения поставленной задачи разработана стратегия “следуй за мечтой”, создан специализи­рованный программный комплекс (реализующий разработанную и две референсные стратегии), проведены масштабные вычислительные эксперименты с использованием супервычислителя “УРАН” ИММ УрО РАН. Эксперименты показали, что стратегия “следуй за мечтой” позволяет обеспечить существенную дальность расселения модельных агентов при сохранении достаточно высоких уровней выживаемости и накопленной энер­гии (косвенные свидетельства эволюционного успеха стратегии) в целом спектре условий окружающей среды. Полученные результаты могут помочь в понимании механизмов расселения интродуцированных и инвазивных видов на новых территориях. В области анализа графовых моделей сложных систем в 2019 году был разрабо­тан алгоритм генерации графов со случайным распределением степеней вершин. Графы, синтезированные с помощью разработанного генератора, могут быть использованы для исследования сложных систем, в которых архитектура связей между элементами может быть неизвестна заранее. Алгоритм генерации графов состоит из двух основных шагов: построения распределений входящих и исходящих степеней и построения по этим степе­ням результирующего графа. В 2020, 2021 годах проводилось сравнение ряда ключевых характеристик случайных графов, построенных с помощью различных генераторов: модели Эрдоша-Реньи-Гилберта, безмасштабной (scale-free) модели, модели тесного мира (small-world), а также модели Random Plots, разработанной ранее сотрудниками лабора­тории для исследования сложных систем с неизвестным распределением связей между элементами. В результате масштабного вычислительного эксперимента показано, что об­ласти вариации 6 важных структурных характеристик случайных графов, генерируемых с помощью созданной модели, не только включают соответствующие области вариации, полученные при использовании известных моделей (Эрдоша-Реньи-Гилберта, small-world, scale-free), но и существенно превосходят их. Таким образом продемонстрировано, что разработанная модель Random Plots генерирует “более разнообразные” в некотором конструктивном смысле графы, и ее использование может быть предпочтительным в случае, когда природа связей в модели изучена слабо. В 2021 году был разработан алгоритм классификации, основанный на использовании графа ближайших соседей, построенного на элементах как обучающей, так и тестовой выборок. Процесс классификации основан на частоте появления элементов каждого из классов в сообществах, обнаруженных на графе. Точность классификации разработанного алгоритма превышает точность классификации алгоритма случайного леса и XGBoost на типовых наборах данных, используемых для исследования задач классификации. В 2019 году было проведено исследование зависимости выживаемости роев агентов, эволюционирующих в условиях неблагоприятной изменяющейся среды, от стра­тегии энергообмена в рое. В масштабных вычислительных экспериментах показано, что стратегии обмена из диапазона трофаллаксиса радикально увеличивают выживаемость роя в условиях неблагоприятной переменчивой среды. В 2019–2021 годах исследовалась задача формирования оптимальной безопас­ной очереди воздушных судов из нескольких потоков, приходящих в их общую точку слияния. Рассматривались простые постановки с однотипными судами и сложные с разнотиповыми. Были предложены различные показатели оптимальности очереди (ли­нейные, кусочно-линейные, нелинейные) и методы решения соответствующих постановок (линейное программирование, методы конечномерной оптимизации, перебор с отсечени­ем, смешанное целочисленное линейное программирование). Предложенные показатели отражают те или иные реальные требования диспетчеров управления воздушным дви­жением к получаемым слитым очередям. Разработаны эффективные компьютерные процедуры численного решения получаемых оптимизационных задач. В рамках исследования и разработки новых методов программирования рас­пределённых неоднородных высокопроизводительных вычислительных систем велись работы по двум направлениям. Первое – реализация прототипа библиотеки среды (вре­мени) исполнения для разрабатываемого сотрудниками лаборатории языка исчисления R4. Второе – исследование методов статического анализа кода программ для поиска ошибок времени исполнения и оптимизации автоматического распределения памяти в программах, работающих с большими массивами данных. В 2019-2020 годах проводилось сравнение наиболее распространенных архитек­тур нейронных сетей, применяемых для решения задачи сегментации изображений: Unet, PSPNet, FPN, Linknet, PAN. Данные архитектуры позволяют использовать различные энкодеры. В экспериментах использовались семейства энкодеров предобученных на набо­ре данных ImageNet: ResNet, ResNeXt, DPN, VGG, SeNet, DenseNet, InceptionResNetv2, Inceptionv4, MobileNet, Xception. В ходе исследования было обучено более 1140 нейрон­ных сетей. Лучший результат на кросс-валидации составил 98,79%, а на тестовом наборе данных – 93,18%, что заметно превосходит полученные ранее сотрудниками лаборатории 90,15% и 92,78% соответственно. В 2021 году для решения задачи автоматической диагностики отклонений в развитии у детей до года по их двигательной активности на основе методики Прехтла был разработан программный комплекс для генерации синтетических изображений и видео с двигательной активностью детей. Этот программный комплекс позволяет создавать датасеты потенциально неограниченного размера за счёт изменения модели ребенка, смешивания движений, варьирования окружения и освещения, избегая при этом юридических проблем с персональными данными. В 2019-2020 годах проводилась обработка видеозаписей детей до года, собранных в целях автоматизации медицинского анализа движений по методу Прехтла, позволя­ющему проводить раннюю диагностику неврологических патологий в развитии детей. Обработка основывалась на анализе генерализованных движений, где на вход системе подается видеозапись двигательной активности детей. Полученные видеоданные исполь­зуются для создания образа движений, суммирующего информацию из видеофайла в виде одной картинки. На основе полученных изображений строятся горизонтальные и вертикальные кривые, разделяющие кадры на четыре зоны активности. В каждой зоне активности оценивается объём движений независимо друг от друга, что позволя­ет оценить активность по важным параметрам метода Прехтла (уровни активности конечностей, симметричность активности, сопоставление с нормальными значениями активности). В ходе реализации проекта в 2019-2021 гг. решалась задача удаленного контроля техники движений, встречающаяся, например, в образовательных организациях с уда­ленным обучением двигательным навыкам, либо при мониторинге паттернов движения пациентов в телемедицине (например, при отслеживании прогресса лечения нарушений двигательных функций). Захват движений также важен в задаче формирования циф­рового аватара в VR, позволяя создавать эффект присутствия. Подобные технологии используются для проработки пользовательского опыта в обучающих тренажёрах и играх. Цифровое присутствие требует более точной и детальной оцифровки движений человека, в том числе мелкой моторики рук. Использование МЭМС (микроэлектромеха­нических) устройств позволяет решить ряд проблем, связанных с анализом движений. Например, перекрытие конечностей, низкая освещённость и высокие вычислительные требования к компьютеру. Однако методу присущи проблемы, которых нет при ис пользовании видео-захвата движений: дрейф нуля гироскопа и дребезг акселерометра. Для решения этих проблем разработан ряд алгоритмов, нацеленных на преобразование захваченных движений в анимацию. В контексте данной работы стояла задача не визу­ализировать движения, а сравнить предъявленное движение с заданным эталоном. В такой постановке исходные данные представлены в виде наборов нормированных векто­ров фиксированной размерности в пространстве потоков данных с сенсоров. Отсутствие этапа перехода в физическое пространство модели позволяет избежать накопления инте­гральной ошибки, присущей алгоритмам, преобразующим данные в углы ориентации в пространстве.