Інформаційні системи та технології в техніці та бізнесі
| ПІБ | Лютий Владіслав Олексійович |
| Дата народження | 29.08.1995 р. |
| Місце народження | м. Донецьк, Україна |
| Школа | 2002–2013 рр.: — Донецька загальноосвітня школа I-III ступенів № 14 |
| ВУЗ |
Донецький національний технічний університет, факультет комп'ютерних наук і технологій: 2014–2018 рр — бакалаврат за напрямом підготовки Інформаційні системи та технології 2018–2020 рр — магістратура за спеціальністю Інформаційні системи і технології в техніці і бізнесі |
| Середній бал | 95 |
| Володіння мовами | Руский (досконало), українська (досконало), англійська (upper-intermediate) |
| Особисті досягнення | 2018 р. — диплом бакалавра за спеціальністю Інформаційні управляючі системи та технології |
| Захоплення | Тонова і колірна корекції фотографій, створення постерів, зображення і Web-дизайн в Adobe Photoshop Створення векторних малюнків і іконок в Adobe Illustrator |
| Особисті якості | Креативність, самостійність, вміння працювати в команді, мобільність, стресостійкість |
| Професійна спеціалізація і володіння комп'ютером |
Операційні системи: Windows, Ubuntu Мови програмування: PHP, JavaScript, Java, Python Фреймворки: Yii2 (PHP), Laravel (PHP), Spring MVC (Java) СУБД: MySQL, MongoDB Языки моделирования и описания: UML Системи контролю версій: Git DevOps технології: Apache, Nginx, Docker, Cron, Jenkins; Backend технології: Memcached, RabbitMQ, MVC, OOP, Patterns, SOLID, DRY, GRASP Frontend технології: HTML 5, CSS 3, Pug/Twig, LESS/SASS/Stylus, PostCSS, Gulp, Webpack Графічні редактори: Adobe Photoshop, Adobe Illustrator, Figma |
| Додаткові курси | Online курси з мережевого адміністрування — CCNA Routing and Switching |
| Плани на майбутнє | Удосконалення знань в області глибокого навчання і великих даних |
| Контактна інформація | e-mail: vlad112263@gmail.com |
Я, Лютий Владіслав Олексійович, народився 29 серпня 1995 в чудовому місті Донецьк, Україна.
З раннього дитинства я дуже любив книги, тому що у будинку знаходилася велика бібліотека з різною літературою, починаючи від класики до світових бестселерів. Завдяки цьому я дуже швидко навчився читати ще в дитячому садку. За великої частини, як і будь-яка дитина, я в гарну сонячну погоду любив проводити час на вулиці зі своїми друзями, де ми знаходили масу розваг та ігор, завдяки чому ніколи не нудьгували.
У 2002 році я почав вчитися в Донецькій загальноосвітній школі №64, тому що вона була дуже близько до мого будинку. Навчання в школі я не знаходив цікавою справою, але страх ременя і свого батька, чиє прізвище ідеально підходила йому, вселяв стимул отримувати відмінні оцінки. Після 5-го класу я був зарахований до ДЗШ №14, тому що мій близький друг вже вчився там і завербував мене піти туди. Однак після 9-го класу я знову за своєю ініціативою перевівся в інше освітній заклад, а саме Донецький ліцей Колеж
. У 2013 році я закінчив навчання в ліцеї і виникло питання про майбутню професію, а також про вибір навчального закладу, де отримувати знання до неї.
Спочатку я не збирався вступати на програміста і IT сфера мене мало цікавила. Уроки інформатики були дуже нудні у школі, а також за сформованою іронії ми рідко займалися за комп'ютерами на них. На моє остаточне рішення вплинув однокласник в ліцеї, який збирався вступати саме на факультет комп'ютерних наук у ДонНТУ. Він розповів мені більше обо всіх перспективах роботи в області програмування і моделювання, штучний інтелект і щось про Скайнет.
Я став ретельно готуватися до здачі зовнішнього незалежного оцінювання і в підсумку вступив на факультет комп'ютерних наук і технологій, ставши в 2013-му році студентом групи КН 13-А. Однак радість на цьому і закінчилася. Навчання проходило для мене дуже важко, особливо програмування і математичний аналіз. У підсумку через моїх тривалих пропусків пар і боргів, що накопичилися, я був відрахований з першого курсу.
Після відрахування залишився осад і я вирішив, що багато втрачу, якщо опущу руки і не спробую знову. Тому знов подав документи на перший курс тієї ж спеціальності 09.03.02 та в 2014 році знову став студентом групи КН 14-А. Цього разу в очікуванні нового навчального року я читав досить багато комп'ютерної та математичної літератури, яка сильно допомогла мені з легкістю почати новий навчальний рік і в підсумку закінчити бакалаврат з червоним дипломом. Паралельно усьому цим 4 рокам навчання багато чого трапилось, але про погане я не хочу писати. Найбільше мені імпонували предмети із серії нічого не зрозуміло, але дуже цікаво
, а саме безпосередньо пов'язані дисципліни з нейронними мережами, машинним і глибоким навчаннями, аналізом даних і штучним інтелектом. До відмінному викладацький складу моєї рідної кафедри (та й до всіх кафедрах) у мене залишилися тільки теплі емоції і враження.
Захистивши бакалаврську роботу на тему Комп'ютеризована підсистема обліку тендерних закупівель
під керівництвом Привалова Максима Володимировича, я вирішив продовжити навчання в рідному університеті, вступивши в магістратуру на спеціальність Інформаційні системи і технології в техніці і бізнесі
09.04.02. Група в магістратурі залишилася з бакалаврату майже незмінною, що відразу давало відчуття легкого і швидкого старту навчання. Тема моєї магістерської роботи: Експертна система визначення достовірності інформації по міміці людини на основі відеопотоку
. Керівником магістерської роботи мною був обраний доцент, к.т.н. і завідувач кафедри АСУ Секірін Олександр Іванович, тому що він володіє широким спектром знань в області штучного інтелекту і не тільки.
Після закінчення магістратури я планую залишитися в своєму ВНЗ в якості викладача, а й паралельно продовжити працювати в сфері IT, тому що на даний момент я вже працюю за фахом більше року і мені більш-менш подобається. Однак точно я в цьому не впевнений, тому що майбутнє непередбачуване і не знаєш, що буде завтра.
З феноменом під назвою брехня
стикався в житті кожен з нас. Брехнею називають навмисну передачу неправдивої інформації, для того щоб викликати в іншій людині переконання, яке сам передає вважає, що не відповідає істині. Оманливими можуть бути різного роду факти і відомості. Брехня набуває особливого значення, коли мова стосується політики, ЗМІ , судової процесії, медицини, робочого процесу і інші області повсякденному житті сучасної людини. Вічна проблема людської щирості, обману і брехні не раз ставала предметом обговорення в художній літературі, філософії, соціології та психології. Обман впливає в нашому житті важливу роль, але необхідно відрізняти брехня для порятунку або брехня для брехні.
У 2006 році інститут статистики в Оклахомі проаналізував точність суджень по розпізнаванню брехливої інформації серед 6 651 повідомлень в 206 документах різної подачі інформації (відео, текст, аудіо) від 24 483 людей, серед яких було 2 842 експерта в області психоаналізу. В результаті вони отримали наступні результати: в створених умовах люди винесли в середньому 54% правильних суджень, правильно класифікуючи 47% брехні як оманливі і 61% правдивих як оманливі.
Для проведення аналізу міміки людини на оцінку достовірності інформації експерти користуються правилами і мімічними картами, отриманих за допомогою психофізіологічних досліджень в області психології людини і криміналістиці, що є недоліком застосування його в різних сферах діяльності, тому що які спеціалізуються експертів в даній області не так багато.
Першим технічним конкурентом став всім відомий поліграф. Використання поліграфа має свою досить тривалу історію. Родоначальником поліграфа є США, де проблеми його застосування приділялась значна увага на різних рівнях (федеральному, регіональному) і різними інстанціями, аж до конгресу США, президента, Верховного суду США та ін. Статистика результатів роботи поліграфа вражає: фактична оцінка роботи (95%) перевищує заявлену теоретичну (80%). Тобто лише 5-7 чоловік зі ста здатні пройти поліграф так, що результат буде незрозумілим
.
Однак при всіх перевагах використання поліграфа, у нього є ряд недоліків і найзначніші з них — дороге устаткування (близько 200 тис. Рублів), неможливість використання без інформування суб'єкта допиту, необхідний сертифікований експерт, який аналізує показання приладу. В кінці можна сказати, що на рівні з розвитком комп'ютерної техніки, зростання обчислювальних потужностей і методів навчання штучного інтелекту і поліграф не можна назвати технологією XXI століття.
З урахуванням вищесказаного можна зробити висновок, що найкращий і перспективний варіант — використовувати сучасний математичний апарат і технологічний процес для машинного навчання систем комп'ютерного зору для аналізу довільного відеоряду для використання в задачах цього дослідження для майбутньої магістерської дисертації.
Метою дослідження є підвищення ефективності систем комп'ютерного зору з розпізнавання міміки обличчя з метою виявлення ознак обману по відео-кадрів. Дане дослідження дозволить в майбутньому розширити сферу застосування штучного інтелекту в області судової області, політології, соціології та інших областях, де людський фактор, а саме брехня, може принести шкоду процесам або оточуючим.
Для досягнення поставленої мети необхідно вирішити такі завдання:
В ході аналізу предметної області було виділено об'єкт моделювання і подальшої алгоритмізації — міміка обличчя. Під поняттям міміка розуміється рух мускулатури в координованих комплексах, що відображають різноманітні психічні стани людини. Складність розпізнавання міміки як об'єкта виявлена в силу наступних факторів:
Проблемою досягнення якнайшвидших і максимально достовірних результатів поставленої мети дослідження полягає насамперед у:
З особливостей візуальних методів розпізнавання міміки виділяють наступне: Складність візуальних методик вимагає значних витрат часу на навчання. Експерт, як правило, вибирає для вивчення тільки одну методику. Користувач не може зробити самостійно класифікацію правдивості інформації по оцінці міміки. Порівняльний аналіз методів розпізнавання міміки представлений в табліцe 1.
| Метод | Тип дії | Інтенсивність дії | Час дії |
|---|---|---|---|
| Ekman & Friesen (1976, 1978) | Вимірювання всіх м'язових рухів; 44 одиниць рухів | Чотири дії по три контрольних точки інтенсивності | Старт-стоп (початок, максимум, зміщення) |
| Frois-Wittmann (1930) | 28 описів | не описує | не описує |
| Fulcher (1942) | Відсутність / наявність 16 м'язових рухів | Рейтинг за обсягом рухів у кожній області обличчя | не описує |
| Ermiane & Gergerian (1978 | Вимірювання всіх видимих рухів; 27 м'язових рухів | Кожна дія оцінюється по трьох-бальною шкалою | не описує |
| Landis (1924) | 22 опису | Кожна дія вимірюється по чотирьох-бальною шкалою | не описує |
Інтенсивність руху м'язів визначається наступним чином: до номера одиниці з СКЛД додаються букви з А по Е в залежності від інтенсивності руху (від мінімальної до максимальної).
Значення:
Рухові одиниці щодо уявної вертикальної осі особи можуть бути: двосторонні, симетричні, односторонні, ліві, праві.
Алгоритми виявлення обличчя на зображенні можна розділити на чотири категорії:
Емпіричний підхід заснований на знаннях зверху-вниз і передбачає реалізацію алгоритму з правилами, що відповідають фрагменту зображення на якому знайдено людське обличчя. Набір правил - це формалізація емпіричного знання про подання особи на зображенні і ознаки, якими керується людина при прийнятті рішення: особа він бачить чи ні. Правила:
Метод зменшення зображення для виключення можливих перешкод, а також для зменшення обчислювальних операцій попередньо піддає зображення сильного зміни розмір На такому зображенні необхідно визначити область рівномірного розподілу яскравості (передбачувана область обличчя), а потім перевірити наявність різко відрізняються за яскравістю областей всередині: саме такі зони можна з різним відсотком ймовірності віднести до лиця.
Метод гістограмдля визначення областей зображення з обличчям
будує вертикальну і горизонтальну гістограми. У підозрілих
зонах відбувається пошук рис обличчя. Даний підхід використовувався в період розвитку машинного тому припускав малих вимог до обчислювальної потужності процесора для обробки зображення.
Метод виявлення складних
обличь заснований на пошуку правильних геометрично розташованих рис обличчя. Для цього використовується гауссовский фільтр з безліччю різних масштабів і орієнтацій. Після цього проводиться пошук відповідників знайдених рис і їх розташування шляхом перебору.
Метод угруповання ознак редполагает застосування другої похідної гауссовского фільтра для пошуку цікавлять областей зображення. Після цього, краю групуються навколо кожної такої зони, використовуючи пороговий фільтр. Далі застосовується оцінка байєсівської мережі для поєднання виявлених ознак і визначається вибірка рис обличчя.
Метод розподілу контрольних точок — статистична модель, що представляє інциденти, форма яких може деформуватися. Велика перевага даного методу полягає у виділенні змінних об'єктів в рамках набору для навчання з малою кількістю параметрів. Такий підхід застосовується в системах класифікації ознак.
Метод розпізнавання з використанням шаблонів простий в реалізації і ефективний при роботі з зображеннями з простим заднім фоном. Недоліком методу є калібрування шаблону поблизу зображенні особи.
Метод нейронних мереж є найбільш популярним способом вирішення завдань розпізнавання образів. При вирішенні завдань використовується метод опорних векторів, необхідний для зниження розмірності простору ознак. При цьому метод опорних векторів не приводить до втрати інформативності відібраних тренувальних об'єктів, а також дозволяє перейти перейти до базису простору, де дисперсія буде спрямована уздовж головних осей базису.
Натягнуте на отримані таким чином головні осі підпростір є оптимальним серед всіх просторів в тому сенсі, що найкращим чином описує тренувальний набір.
Дані алгоритми схожі з навчанням виду «навчання з учителем» і застосовуються для задач класифікації та регресійного аналізу. Метод опорних векторів заснований на тому, що шукається лінійне поділ класів.
Головною метою тренування багатьох класифікаторів є мінімізація помилки класифікації на тренувальному наборі (або емпіричний ризик).
На даному етапі виконання магістерської роботи був проведений аналіз психологічного феномена брехня
і його взаємозв'язок з мікро-виразами і емоціями. Крім цього, було проаналізовано основні алгоритми розпізнавання і класифікації частин обличчя на предмет знаходження ключових точок а також представлений алгоритм розпізнавання емоційного мікро-вирази із застосуванням нейронної мережі.