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

Разработать пайплан для автоматической детекции/сегментации (на основе SOTA нейросетевых методов) сорняков на цветных снимках сельскохозяйственного поля с целью определения их количества, площади распространения и последующей ликвидации. Входными данными являются цветные изображения высокого разрешения с/х поля с табаком или пшеницей, полученные с беспилотных летательных аппаратов (БПЛА) или наземных камер (RGB или мультиспектральной). Формат входных/выходных изображений: JPEG/GeoTIFF/TIFF. Задачи: - найти датасет сорняков для пшеницы и табака; - разметить данные на новом датасете, используя автоматические техники разметки данных; - найти и происследовать разные нейросетевые методы для выделения посевов табака и сорных растений; - сравнить точность моделей, найти методы с высокой точностью детекции сорняков (метрика: IoU - не менее 90%]). - обеспечить низкую вычислительную сложность алгоритма для обработки изображений высокого разрешения и больших размеров. - разработать интерфейс для визуализации результатов детекции (маска сегментации, метки bounding boxes). Этапы работы: - Анализ существующих методов сегментации/детекции изображений. - Выбор и адаптация наиболее подходящих методов. - поиск датасетов с сорняками, табаком/пшеницы. - Разработка и обучение модели на найденном наборе данных. - Тестирование и валидация модели на независимом тестовом наборе. - Оценка производительности модели по заданным метрикам. - Разработка интерфейса для обработки изображений. Технологии: Python, TensorFlow/PyTorch, OpenCV