Методы анализа и классификации изображений с учетом неявных структур и неоднородности признаков тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Тарасова Юлия Сергеевна

• Тарасова Юлия Сергеевна
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Тарасова Юлия Сергеевна

Введение

Глава 1. Проблемы сопровождения принятия решений в профориентации

1.1. Современные профориентационные методики как СППР

1.2. Человеческий фактор при сопровождении процесса принятия решения

1.3. Применение системного подхода к профориентационной СППР

1.4. Выводы по первой главе

Глава 2. Оптимизация квазипространства и построение идеологии программного комплекса ColourUnique Pro

2.1. Процедура тестирования

2.2. Оптимизированная квазипространственная модель

2.3. Структура программного комплекса Colour Uniqe Pro

2.4. Визуализация ИСД индивида (испытуемого)

2.5. Выводы по второй главе

Глава 3. Построение классификаторов для анализа изображений (готовых тестовых форм)

3.1. Задачи компьютерного зрения и современные методы анализа и классификации изображений

3.2. Классы объектов и их характерные признаки

3.3. Методы анализа и классификации изображений

3.3.1. Нейронные сети

3.3.2. Классические методы

3.4. Классификаторы программного комплекса Colour Uniqe Pro

3.5. Выводы по третьей главе

Глава 4. Практическая реализация и вычислительные эксперименты

4.1. Результаты экспериментов

4.2. Гибридный классификатор

4.2.1. «Потеря» искомых элементов в процессе перевода в градации серого

4.2.2. Особенности разверток с неоднородностью признаков искомых классов

4.2.3. «Демонстративные» и «скрытые» структуры

4.3. Результаты применения гибридного классификатора, машинное разделение типов и подтипов

4.4. Верификация и валидация

4.5. Перспективы дальнейших исследований

4.6. Выводы по 4 главе

Заключение

Благодарности

Библиографический список

Приложения

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СППР - система поддержки принятия решения

ЛПР - лицо, принимающее решение

ИСД - индивидуальный стиль деятельности

ПО - программное обеспечение, программа или множество программ, используемых для управления компьютером ЭВМ - электронно-вычислительная машина CV - computer vision, компьютерное зрение

CNN (СНС) - convolutional neural network, свёрточная нейронная сеть SGD - stochastic gradient descent, стохастический градиентный спуск ReLU - rectified linear unit or activation function, функция активации GPU - graphics processing unit, графический процессор

RGB - red, green, blue или же красный, зелёный, синий - аддитивная цветовая модель, описывающая способ кодирования цвета для цветовоспроизведения с помощью трёх цветов, которые принято называть основными CMYK - cyan, magenta, yellow, key or black; или же циан, маджента, желтый и черный - субтрактивная схема формирования цвета, используемая прежде всего в полиграфии для стандартной триадной печати

HSB - модель-аналог RGB, основанная на её цветах, но отличающаяся системой координат

LAB - аппаратно-независимая цветовая модель

Введение диссертации (часть автореферата) на тему «Методы анализа и классификации изображений с учетом неявных структур и неоднородности признаков»

ВВЕДЕНИЕ

Актуальность исследования. Трудно переоценить роль процесса автоматизации в любой сфере деятельности современного человека. Призванная исключить, либо существенно снизить необходимость участия человека в ряде трудоемких операций, автоматизация становится неотъемлемой частью различных процессов.

Так, компьютеры повышают эффективность производственной сферы, в которой происходит повсеместная автоматизация рутинных операций и замещение ручного труда промышленными роботами. Бортовые компьютеры управляют различными транспортными средствами, быстрыми темпами развивается мобильная связь, создавая новые сектора в потребительской сфере и обеспечивая существенное повышение качества жизни [1-3]. Благодаря современному рынку мобильных приложений и сервисов, через смартфон или ПК возможно осуществлять достаточно сложные и многоступенчатые процессы, такие как дистанционное обучение на сертифицированных онлайн-курсах и удаленная работа.

В связи с вступлением человечества в шестой технологический уклад, автоматизация рутинных процессов и повышение их эффективности создают основу для развития и внедрения новых и наиболее актуальных технологий. Распространение компьютеров и оцифровка всевозможных процессов относятся преимущественно к пятому технологическому укладу, в то время как шестой уже предполагает внедрение нанотехнологий.

Между пятым и шестым технологическими укладами имеется преемственность, так как их ключевым фактором являются информационные технологии. Пятый технологический уклад основывается на применении достижений микроэлектроники в управлении физическими процессами на микронном уровне, ядро шестого технологического уклада - нанотехнологии [1- 3].

Автоматизация и компьютеризация охватывают сегодня и такую важнейшую сферу деятельности человека как образование. Для быстрой адаптации

к развивающемуся шестому технологическому укладу человеку приходится воспринимать и перерабатывать огромное количество информации. Вместе с повышением качества жизни через повсеместное внедрение компьютеров и мобильных устройств наступил момент, когда информационная нагрузка стала отрицательно сказываться на способности человека принимать решения и ориентироваться в огромном пространстве возможностей. Переутомление и перенасыщенность информацией ведут к потере мотивации к обучению, создавая угрозу уровню качества подготавливаемых вузами кадров.

Совершенствование технологий происходит на стыке наук, потому к вопросу профессионального отбора кадров необходимо подходить более внимательно, глубоко и всесторонне.

Наиболее важная тенденция современной науки - соотношение дифференциации и интеграции наук [4, 5]. Современная наука характеризуется процессами интеграции со следующими предпосылками: появление смежных дисциплин; появление междисциплинарных исследований; появление проблем, являющихся ориентирами исследования; появление объектов, носящих междисциплинарный характер.

Так, распространение междисциплинарных исследований, интегративных сфер деятельности порождает новые профессии на стыке дисциплин и, соответственно, новых специалистов, что обусловливает необходимость актуализации классических методик профориентационной диагностики и разработки новых.

Такие классические и зарекомендовавшие себя профориентационные методики как «Методика профессионального самоопределения» Дж. Холланда (Голланда) (50-60е годы XX в.) [6], «Дифференциально-диагностический опросник (ДДО)» Е.А. Климова (1984 г.) [7], «Матрица выбора профессии» Г.В. Резапкиной (2000 г.) [8] и многие другие разработаны достаточно давно, что объясняет присутствие в некоторых опросниках устаревших профессий.

Кроме того, большинство методик предполагает выбор наиболее подходящего ответа из ограниченного количества уже заложенных разработчиком вариантов, что, в первую очередь, покажет скорее субъективные предпочтения испытуемого, чем отразит уровень реальных навыков. Также, при некотором

количестве уже готовых вариантов для выбора, существует возможность недостоверности результатов тестирования по причине намеренного выбора испытуемым более «престижных» вариантов, а не тех, которые бы действительно соответствовали его текущим навыкам и предпочтениям [9, 10].

В краткосрочной перспективе недостаточно комплексный и актуализированный подход к профориентации приводит к прерыванию обучения будущим специалистом, недостаточному уровню подготовки кадров, низкой мотивации и включенности в будущую профессиональную деятельность, ошибкам, халатности, техногенным катастрофам, обусловленным человеческим фактором.

Степень теоретической разработанности темы. Исследования компьютерного анализа и обработки изображений представлены в трудах Р. Дуда, П. Харт, Д. Марр, У. Претт, Л. Шапиро, Д. Стокман, В. А. Утробина, Д. А. Форсайт, А. Л.Горелик, В. А.Скрипкина, Э.М.Браверман, А. Г. Аркадьева, Б. Дю-ран, Э.А.Патрик, В.Т. Фисенко, Ф.М. Гафарова, А.Ф. Галимянова, Д. Рутков-ской, М. Пилиньского, Л. Рутковского, Ф. Уоссермен. Исследования системного анализа представлены в трудах И. В. Прангишвили, Д. А. Поспелова, Ф. И. Перегудова, В. П. Тарасенко. Исследования систем поддержки принятия решений представлены в трудах М. Гинзберга, Т. К. Кравченко, О. И. Ларичева. Исследования в области профориентации представлены в трудах Е. А. Климова, Д. Голланда.

Требование повышения точности оценок делает актуальной задачу системного анализа и моделирования процессов классификации изображений, разработки и автоматизации новых алгоритмов обработки изображений с целью уточнения и дополнения классификации типов индивидов по ИСД (индивидуальный стиль деятельности).

Целью исследования является повышение эффективности процесса классификации изображений при наличии неявных структур и элементов, относящихся к различным искомым классам.

В соответствии с целью решены следующие задачи диссертационной работы:

1) обзор и анализ современного состояния проблем классификации изображений, профориентационных программ и программных комплексов как систем поддержки принятия решений;

2) оптимизация и исследование квазипространственной модели как инструмента визуализации ИСД индивида и формализации признаков искомых классов;

3) разработка гибридного классификатора на основе двух методов анализа изображений для разделения типов и подтипов с учетом неявных структур и неоднородности признаков искомых классов;

4) разработка программного комплекса для автоматизации процесса тестирования по методике «Ассоциативное цветовое пространство»© и классификации индивидов по ИСД, а также управления процессом интерпретации результата;

5) внедрение результатов исследования в процессы профориентационных мероприятий вузов г. Нижнего Новгорода;

6) анализ перспектив дальнейших исследований.

Объектом исследования являются изображения готовых тестовых форм, полученные посредством применения методики тестирования «Ассоциативное цветовое пространство»© (рис. 1).

Рисунок 1. Объекты исследования

Предметом исследования являются методы анализа изображений, направленные на повышение эффективности процедуры классификации.

Область исследования соответствует следующим пунктам паспорта специальности 05.13.01. - «Системный анализ, управление и обработка информации (в науке и промышленности)»:

4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации.

10. Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах.

12. Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.

13. Методы получения, анализа и обработки экспертной информации.

14. Разработка и исследование метода классификации изображений (готовых тестовых форм.

Методы исследования. В работе использовались методы цифровой обработки изображений, методы нейросетевой обработки изображений, метод фильтрации, реализованный на языке программирования Python [11].

При разработке программного комплекса на основе профориентационной методики были решены задачи декомпозиции, анализа и синтеза, в исследованиях применены эмпирические методы, экстраполяция, обобщение.

Научная новизна диссертационной работы заключается в следующем. 1. Разработана и оптимизирована квазипространственная модель, позволяющая визуализировать ИСД испытуемого через характерные признаки (структурные элементы, цвет), отличающаяся от других профориентаци-онных моделей возможностью генерации уникального ответа каждого испытуемого вместо выбора из ограниченного варианта возможных (Тарасова, Ю.С. Colour UniqueM / Ю. С. Тарасова, В.В. Андреев, А.В. Шаповал, А.В. Чечин // Свидетельство об официальной регистрации программы для

ЭВМ № 2020612319. Зарегистрировано в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности РФ (Роспатент) от 19 февраля 2020 г.).

2. Разработан гибридный классификатор по параметрам изображений готовых тестовых форм, отличающийся от известных применением методов, направленных на выявление неявных характерных элементов структур (неочевидных для эксперта), свидетельствующих о совпадении с одним из эталонов. Классификатор отличается системой поэтапного анализа изображения, включающей анализ особенностей цвета, структуры, формы, возможностью разделять типы и подтипы с учетом неоднородности признаков искомых классов в процессе общей интерпретации результатов (сопоставления результатов обоих классификаторов).

3. Создана архитектура системы управления процессом принятия решения, включающая интерактивное взаимодействие между экспертом и системой, позволяющее нивелировать ошибки эксперта и системы, оценивать неявные структуры, разделять подтипы, сохранять индивидуальный подход к пользователю (испытуемому).

Обоснованность и достоверность результатов диссертационной работы подтверждены корректным использованием математического аппарата и подтверждены результатами моделирования и экспериментальными исследованиями на реальных примерах.

Теоретическая значимость работы

1. Квазипространственная модель может быть использована в качестве основы для разработки модели визуализации другого процесса или явления, управляемого человеком.

2. Предложенный в диссертационной работе подход к визуализации изображений и методика совместной интерпретации результатов двух классификаторов могут быть использованы для анализа подобных изображений, как в профориентации, так и в других областях.

3. Перспективой развития исследования является совершенствование и дополнение существующей классификации, а также реализация карты подтипов с уникальным местоположением для каждого испытуемого в зависимости от того, сколько признаков искомых классов имеет сгенерированное им изображение, что позволяет еще более индивидуализировать результат классификации.

Практическая значимость работы. Программный комплекс Colour Unique Pro используется как инструмент экспресс-диагностики при выборе вуза, так и как инструмент расширенной профориентационной диагностики вместе с классическими тестами и опросниками. Программный комплекс Colour Unique Pro внедрен в процессы профориентационной деятельности таких вузов г. Нижнего Новгорода как НГТУ им. Р. Е. Алексеева и ННГАСУ.

Сведения о внедрении результатов. Теоретические и прикладные результаты диссертационной работы внедрены в процессе профориентационного тестирования абитуриентов НГТУ. Также получено заключение о возможности применения результатов диссертационной работы в практической деятельности.

Апробация полученных результатов. Основные положения диссертации представлялись и докладывались на следующих научных конференциях:

- Международная научно-методическая конференция «Инновационные технологии в образовательной деятельности» - 02 марта 2022 г. - Н. Новгород: НГТУ (в печати);

- Computer Graphics and Vision. Proceedings of the 30th International Conference on Computer Graphics and Vision. Nizhny Novgorod, Russia, September 27-30, 2021 г;

- Международной научно-технической конференции «Информационные системы и технологии» ИСТ-2020, Нижний Новгород, 2020 г.;

- Международной научной конференции Нижегородского государственного архитектурно-строительного университета и Научно-исследовательского центра физико-технической информатики CPT2019. -ЦарьГрад, 2019 г.;

- Computer Graphics and Vision. Proceedings of the 29th International Conference on Computer Graphics and Vision. Bryansk, Russia, September 23-26, 2019.;

- XXIV Нижегородской сессии молодых учёных (технические науки), Нижний Новгород, 2019 г.;

- Международной научно-технической конференции «Информационные системы и технологии» ИСТ-2018, Нижний Новгород, 2018 г.

Публикация результатов

По теме диссертации опубликовано 13 работ, в том числе 4 работы в изданиях, рекомендованных ВАК, 3 работы в изданиях, индексируемых в системе SCOPUS, получено 1 свидетельство о государственной регистрации программ для ЭВМ, 1 свидетельство о депонировании и регистрации авторского права.

Основные положения, выносимые на защиту

1. Результаты оптимизации и исследования квазипространственной модели представлены как инструмент визуализации ИСД индивида в виде уникальных изображений и формализации признаков искомых классов.

2. Методы анализа изображений, ставшие основой гибридного классификатора и позволяющие повысить эффективность анализа и классификации, в сравнении с визуальной диагностикой, осуществляемой экспертом.

3. Программный комплекс Colour Unique Pro, позволяющий автоматизировать процесс тестирования по методике «Ассоциативное цветовое про©

странство» и классификацию индивидов по ИСД.

Личный вклад автора. Автору принадлежит разработка квазипространственной модели тестовой формы для определения СД индивида, оптимизация

данной формы для программного комплекса, описания искомых структур и элементов для машинного анализа и классификации по методике тестирования «Ассоциативное цветовое пространство», разработка специфических фильтров для каждого искомого типа, разработка способов выявления искомых элементов и присвоение им той или иной степени выраженности. Автор принимала участие в оценке и тестировании реализованных алгоритмов и внедрении созданного программного обеспечения. В большинстве работ, опубликованных в соавторстве, соискателю принадлежит определяющая роль при исследовании задачи и получении результатов.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 103 наименования, а также приложений. Общий объём работы 127 страниц текста, содержащих 89 рисунков и 4 таблицы.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Этапы диссертационного исследования. Деятельность, осуществляемая в рамках данного диссертационного исследования, может быть поделена на следующие группы: гипотеза, реализация (построение классификаторов), тестирование, апробация, внедрение. При выявлении ошибок на этапах тестирования и апробации производится коррекция классификаторов, затем тестирование повторяется, пока ошибка не будет устранена.

Во введении обосновывается актуальность диссертационной работы, формулируются основные цели и задачи исследования.

В первой рассмотрены современные профориентационные программы и программные комплексы как СППР, проведено предварительное исследование, посвященное влиянию человеческого фактора на процесс анализа и классификации изображений (готовых тестовых форм), а, следовательно, на процесс сопровождения принятия решения в профориентации.

Во второй главе описана методика тестирования «Ассоциативное цветовое пространство», направленная на выявление ИСД индивида и лежащая в основе программного комплекса Colour Unique Pro, рассмотрена идеология программного комплекса Colour Unique Pro, разработанного Ю.С. Тарасовой, В.В. Андреевым, А.В. Чечиным и А.В. Шаповалом.

В третьей рассмотрены задачи компьютерного зрения и основные методы классификации изображений, формализованы элементы для искомых классов изображений (рис. 7, 8), описаны методы, на основе которых строятся классификаторы, описано два классификатора, входящих в анализирующий блок программного комплекса Colour Unique Pro.

В четвертой главе приведены результаты работы классификаторов на тестовых выборках, оценена разница между прогнозируемой и реальной точностью классификации, приведены способы машинного разделения типов и подтипов при наличии неявных структур и неоднородности признаков искомых классов.

В заключении формулируются основные результаты, полученные в диссертационной работе, а также перспективы дальнейших исследований.

Глава 1. ПРОБЛЕМЫ СОПРОВОЖДЕНИЯ ПРИНЯТИЯ РЕШЕНИЙ

В ПРОФОРИЕНТАЦИИ

Во введении были рассмотрены основные недостатки классических про-фориентационных опросников, анкет и матриц, однако процесс сопровождения принятия решений в профориентации не ограничивается проблемами структуры и возможностей самих методик.

Не менее важными являются такие аспекты как постановка задачи для испытуемого, наличие четко обозначенных критериев оценки и классификации, объективность эксперта, ясность изложения рекомендаций, доступность методики. Бумажные опросники могут быть доступны и просты для применения в качестве инструментов оценки тех или иных особенностей испытуемого, в то время как работа с матрицами и изображениями вручную может вызывать затруднения, особенно если речь идет о цветных изображениях.

Методика тестирования «Ассоциативное цветовое пространство»®, рассматриваемая в рамках данного исследования, предусматривает работу с изображениями и цветом, предполагая создание каждым испытуемым своего уникального цифрового «портрета».

Данная особенность методики сопряжена как с позитивными, так и с негативными факторами, оказывающими влияние на точность и объективность классификации. Материалы главы частично опубликованы в работе автора [12, 13].

1.1. Современные профориентационные методики как СППР

Промышленные и бытовые роботы заменили человека в ряде случаев, тем не менее, большинство операций по-прежнему контролируется, либо осуществляется оператором или экспертом. Особенно важно присутствие эксперта внутри человеко-машинных систем.

В связи с ограничениями человеческой способности переработки информации, возрастанием объема информации и усложнения задач, становится актуальной задача соединения возможностей человека и ЭВМ для минимизации ошибок и субъективности суждений, свойственных человеку, при сохранении свойственных тому же человеку гибкости, креативности и эмпатичности. Последнее крайне актуально в помогающих профессиях и сферах социальной направленности.

Так, первые реализации систем поддержки принятия решений (СППР) нашли свое применение в области бизнеса, затем стали распространяться и на другие области деятельности, в том числе и социальные.

Термин «система поддержки принятия решений (СППР)» имеет несколько определений. Для задач профориентации - распознавания элементов и классификации изображений - наиболее близким можно считать определение СППР как компьютерной информационной системы, используемой для поддержки различных видов деятельности и при принятии решений в ситуациях, где невозможно или нежелательно целиком и полностью предоставлять управление автоматизированной системе [14].

Роль СППР не сводится к тому, чтобы полностью заменить человека в каком-либо процессе, задача СППР - повысить эффективность человека, свести ошибки, провоцируемые человеческим фактором, к минимуму. Использование СППР не направлено на полную автоматизацию процесса принятия решения, а осуществляет кооперации, обеспечивает взаимодействие между системой и человеком в процессе принятия решений [15].

Могут ли компьютерные методики профориентационного тестирования называться СППР? Чтобы ответить на данный вопрос, необходимо обратиться к признакам СППР и наиболее распространенным категориям задач для СППР.

К признакам СППР относятся:

• концептуальные модели,

• пользователи системы,

• решаемые задачи,

• обеспечивающие средства,

• области применения.

Основные задачи СППР[16]:

• принятие решений (в т. ч. планирование и прогнозирование),

• извлечение и предоставление знаний,

• построение человеко-машинных (диалоговых) систем.

Основные задачи СППР [17]:

• оптимизация (выбор оптимального решения из нескольких возможных);

• ранжирование (упорядочение возможных решений по предпочтительности/вероятности).

Рассмотренные во введении классические методики профориентационно-го мониторинга и сопровождения доступны в сети Интернет: как на специализированных сайтах, так и на тематических ресурсах или форумах, что подразумевает их автоматизацию в качестве компьютерных программ.

Классическая концептуальная модель СППР выглядит следующим образом (рис. 2) [16]:

Рисунок 2. Классическая концептуальная модель СППР

В процессе профориентационного тестирования всегда присутствует пользователь, который в данном сценарии является лицом, принимающим решение (ЛИР), так как именно пользователь, по результатам взаимодействия с

профориентационной методикой и иногда еще и экспертом, принимает решение о выборе дальнейшего направления для самообразования, либо поступлении в учебное заведение.

Так как в данной главе рассматриваются автоматизированные профори-ентационные методики, т. е. методики, переведенные в формат компьютерной программы или комплекса, то, соответственно, данные программы располагают интерфейсом для осуществления взаимодействия системы и пользователя. К примеру, программный комплекс «Effecton» (рис. 3) [18].

Блоки анализа проблем, как правило, содержит ряд тестов, опросников и тренажеров, основанных на различных моделях сбора и визуализации данных, а также алгоритмы оценки тех или критериев. Блок принятия решений направлен на обработку результатов диагностики. В программном комплексе «Effec-ton» учитываются следующие статистические показатели: объем данных, средняя арифметическое, среднее квадратическое отклонение, средняя ошибка, оценка достоверности разницы между средними арифметическими, коэффициент корреляции показателей.

Поставленные проблемы решаются с помощью баз данных, знаний и моделей, встроенных в программный комплекс.

Рисунок 3. Интерфейс программного комплекса «Effecton»

Возвращаясь к признакам и задачам СППР, современные профориента-ционные программы и программные комплексы могут быть представлены в ви-

де концептуальных моделей, обладают пользователями системы, имеют задачи, требующие решения, располагают средствами их решения (модели, методики, алгоритмы), обеспечивают условия решения проблем (анализ, результат, интерпретация), применяются в различных областях деятельности человека. Также программные комплексы решают следующие задачи: принятие решений (рекомендации для ЛПР), извлечение и предоставление знаний (интерпретация результатов), построение человека-машинных диалоговых систем (интерактивный интерфейс), оптимизации (выбор наиболее подходящего решения из всех возможных), ранжирование (оценка возможных вариантов решения по предпочтительности, вероятности, целесообразности и пр.).

Программный комплекс Colour Unique Pro, разработанный автором исследования, также имеет признаки СППР и решает соответствующие задачи, его модели, методы и алгоритмы будут рассмотрены далее.

Так как в процессе профориентационной диагностики присутствуют от одного (ЛПР) до двух (ЛПР и эксперт) и более людей (группа ЛПР, группа экспертов), требуется рассмотреть человеческий фактор при сопровождении принятия решения.

1.2. Человеческий фактор при сопровождении процесса

принятия решения

Как правило, при работе с профориентационными программными комплексами в состав экспертной группы, осуществляющей контроль и поддержку принятия решения, входят педагоги, психологи и руководители испытуемых

[19].

Помимо обозначенной ранее проблемы индивидуального восприятия цвета и формы, экспертам, как и всем людям, свойственны определённая предвзятость и уровень ожиданий от результатов тестирования либо конкретного испытуемого, что также является одной из веских причин для автоматизации методики, рассматриваемой в рамках данного исследования.

С целью выявления особенностей зрительного восприятия человека, а также оценки точности и единства мнений в классификации тестовых форм в соответствии с эталонами, был поставлен «Эксперимент на сопоставление».

Исходные данные эксперимента:

1) две группы испытуемых - экспертная (50 чел.) и не экспертная (50 чел.);

2) выведены критерии отбора экспертов и не экспертов;

3) подготовлены эталоны (черно-белые изображения ярко выраженных типов тестовых форм, всего 4 типа);

4) подобраны объекты исследования для сопоставления с эталонами (цветные изображения тестовых форм, 25 шт.);

5) сформулировано задание для испытуемых;

6) разработаны опросники для испытуемых (2 опросника для экспертных и не экспертных групп соответственно).

7) сформулирована гипотеза, требующая подтверждения, дополнения или опровержения в результате проведения эксперимента.

Группы испытуемых. Для эксперимента, в соответствии с выведенными критериями, было набрано две группы испытуемых - экспертов и не экспертов. Каждая группа насчитывала равное количество испытуемых - 50 чел., распределение по половому признаку составило 56% респондентов-женщин и 44% респондентов мужчин в группе экспертов; 56% респондентов-женщин и 44% респондентов мужчин в обеих группах (рис. 4).

Список литературы диссертационного исследования кандидат наук Тарасова Юлия Сергеевна, 2022 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Глазьев, С.Ю. Развитие российской экономики в условиях глобальных технологических сдвигов / С.Ю. Глазьев. - М.: Национальный институт развития, 2007.

2. Глазьев, С.Ю. Стратегия опережающего развития и интеграции на основе становления шестого технологического уклада. / С.Ю. Глазьев. - М.: Партнерство цивилизаций №1-2/2013, Международный научно-образовательный журнал.

3. Глазьев, С.Ю. Рывок в будущее. Россия в новых технологическом и мирохозяйственном укладах // Коллекция Изборского клуба. - М.: Книжный мир, 2018. - 768 с.

4. Степин, В. С. История и философия науки: учебник для аспирантов и соискателей ученой степени кандидата наук / В. С. Степин. - изд. 3-е. - М.: Академический проект, 2014. - 424 с.

5. Лебедев, С. А. Эпистемология и философия науки. Классическая и неклассическая: учебное пособие для вузов / С. А. Лебедев, С. Н. Коськов. - М.: Академический проект, 2014. - 295 с.

6. Седых А.Б. Вклад Джона Льюиса Холланда в психологию профессий и карьеры(к 90-летию со дня рождения известного учёного) / А.Б. Седых // Южно-российский журнал социальных наук. - 2009. - № 4. - С. 54-67. -URL: https://cyberleninka.ru/article/n/vklad-dzhona-lyuisa-hollanda-v-psihologiyu-professiy-i-kariery-k-90-letiyu-so-dnya-rozhdeniya-izvestnogo-uchyonogo/viewer (дата обращения 25.03.2022)

7. Самохина, В.М., Профориентационные методики в процессе выбора профессии / В.М. Самохина, М.Ю. Похорукова // Молодой ученый. - 2015.-№ 22 (102). - С. 863-865. - URL: https://moluch.ru/archive/102/23518/ (дата обращения: 18.03.2021).

8. Резапкина, Г.В. Отбор в профильные классы. — М.: Генезис, 2006. — 124 с. — (Серия «Психолог в школе»)

9. Самохина, В. М. Профориентационные методики в процессе выбора профессии / В. М. Самохина, М. Ю. Похорукова // Молодой ученый. - 2015. -№ 22 (102). - С. 863-865. - URL: https://moluch.ru/archive/102/23518/ (дата обращения: 25.03.2022).

10. Толстикова, А.А. Сравнительный анализ профориентационных методик // Молодой ученый. - 2021. - № 17 (359). - С. 346-350. - URL: https://moluch.ru/archive/359/80241/ (дата обращения: 08.03.2022).

11. Чечин, А.В. Обработка геоданных с использованием языка Python // Труды научного конгресса 20-го Международного научно-промышленного форума «Великие Реки 2018» - Н. Новгород: ННГАСУ. - С. 379-380.

12. Тарасова, Ю.С. Проблемы и перспективы реализации алгоритма классификации тестовых форм программного комплекса Colour Unique Pro / В.В. Андреев, Ю.С. Тарасова, А.В. Чечин // Сборник трудов Международной научно-технической конференции «Информационные системы и технологии» ИСТ-2020. - 24-28 апреля 2020 г. - Н. Новгород: НГТУ. - С. 913 - 918.

13. Тарасова, Ю.С. Автоматизация профориентационного тестирования с использованием программного комплекса Colour Unique Pro / Ю.С. Тарасова, А.В. Чечин, В.В. Андреев // Сборник трудов Международной научной конференции Нижегородского государственного архитектурно-строительного университета и Научно-исследовательского центра физико-технической информатики CPT2019. - ЦарьГрад, 2019 г. - C. 231 - 236.

14. Ginzberg M. J., Stohr E. A. Decision Support Systems: Issues and Perspectives. // Processes and Tools for Decision Support. / Ed. by H. G. Sol. - Amsterdam: North - Holland Publ. Co., 1083. - p. 9-31.

15. Кравченко, Т. К. Системы поддержки принятия решений: учебник и практикум для вузов / Т. К. Кравченко, Д. В. Исаев. - Москва: Издательство Юрайт, 2020. - 292 с.

16. Ларичев, О.И. Системы поддержки принятия решений: современное состояние и перспективы развития / О.И. Ларичев, А.Б. Петровский // Итоги науки и техники. - М.: ВИНИТИ, 1987. - Т. 21. - С. 131-164.

17. Раджабов, К.Я. Рабочая программа дисциплины «Системы поддержки принятия решений» для направления подготовки 38.03.02 Менеджмент, профиль «Менеджмент организации» - Махачкала: Изд-во ДГУНХ, 2019. - 21 с.

18. Effecton https://effecton.rU/211.html

19. Торшилова, Е. М. Можно ли считать гармонию алгеброй? / Е. М. Тор-шилова - Москва: Искусство, 1989. - 207 с.

20. Климов, Е.А. Введение в психологию труда / Е.А. Климов. - М.: Культура и спорт, ЮНИТИ, 1998. - 350 с.

21. Прангишвили, И.В. Системный подход и общесистемные закономерности / И.В. Прангишвили. - М.: СИНТЕГ, 2000. - 528 с.

22. Прангишвили, И.В. Поиск подходов к решению проблем / И.В. Прангишвили. - М.: СИНТЕГ, 1999. - 192 с.

23. Колин, К.К. Информационный подход как фундаментальный метод научного познания / К.К. Колин. - М.: РАЕН, ИПФИ, 1998. - 22 с.

24. Волкова, В.Н. Основы теории систем и системного анализа / В.Н. Волкова, А.А. Денисов. - С.-Петерб. гос. техн. ун-т. - СПб.: Изд-во СПбГТУ, 1997. - 510 с.

25. Садовский, В.Н. Основания общей теории систем: логико-методологический анализ / В.Н. Садовский - Москва: Наука, 1974. - 276 с.

26. Прохорова, И. А. Теория систем и системный анализ: учебное пособие. -Челябинск: ЮУрГУ, 2013. - 49 с.

27. Ракитов, А.И., Системный анализ и аналитические исследования: руководство для профессиональных аналитиков / А.И. Ракитов [и др.]. - М., 2009. - 448 с.

28. Пржедецкая, Н.В. Логистика в условиях СОУГО-19: актуальные проблемы и перспективы их решения на базе цифровизации / Пржедецкая Н.В., Бор-зенко К.В. // Журнал «Научно-технический вестник Поволжья», №5, 2018. -С. 200-230.

29. Горлушкина, Н.Н. Системный анализ и моделирование информационных процессов и систем / Н.Н. Горлушкина. - СПб: Университет ИТМО, 2016 - 120 с.

30. Теория систем и системный анализ в управлении организациями: Справочник: учеб. пособие / Под ред. В. Н. Волковой и А. А. Емельянова. - М.: Финансы и статистика, 2006. - 848 с.: ил.

31. Берталанфи, Л. История и статус общей теории систем / Л. фон Берта-ланфи // Системные исследования: Ежегодник, 1972. - М.: Наука, 1973. - С. 20-37

32. Сергеев, И.С. Система организационно-педагогического сопровождения профессионального самоопределения обучающихся в условиях вертикально интегрированного непрерывного образования: автореф. дис. ... док. пед. наук / И.С.Сергеев.М., 2017

33. Зинина, С. М. Цифровые технологии как средство профессионального выбора: будущее и настоящее // Актуальные проблемы педагогики и психологии. Том 1, №3, 2020 г - С. 38-49

34. Андреев, В.В. Автоматизация профориентационного тестирования на основе ассоциативного цветового пространства / В.В. Андреев, Ю.С. Тарасова, Е.А. Мартемьянова, А.В. Шаповал, А.В. Чечин // Труды НГТУ им. Р.Е. Алексеева. - №2(125). - 2019. - С. 9-17.

35. Тарасова, Ю.С. Прогнозирование распределения визуальной массы доминирующих цветовых сочетаний на основе анализа квазипространственной модели / Ю.С. Тарасова, В.В. Андреев, Е.А. Мартемьянова // Научно-технический вестник Поволжья. - №5, 2018. - С. 256-260.

36. Тарасова, Ю.С. Проблемы и перспективы реализации алгоритма классификации тестовых форм программного комплекса Colour Unique Pro / В.В. Андреев, Ю.С. Тарасова, А.В. Чечин // Информационные системы и технологии. ИСТ-2020: сб.трудов конф. - 24-28 апреля 2020 г. - Н. Новгород: НГТУ. - С. 913 - 918.

37. Тарасова, Ю.С. Прогнозирование распределения визуальной массы доминирующих цветовых сочетаний на основе анализа квазипространственной модели / Ю.С. Тарасова, В.В. Андреев, Е.А. Мартемьянова // Научно-технический вестник Поволжь - 5, 2018. - С. 256-260.

38. Григорьева, М.В. Психология труда. Конспект лекций / М.В. Григорьева. - М.: Высшее образование, 2006. - 192 с.

39. Климов, Е.А. Психология профессионала / Е.А. Климов. - Воронеж.: Издательство Модэк, 1996.

40. Фисенко, Т.Ю. Компьютерная обработка и распознавание изображений: учеб. пособие / Т.Ю. Фисенко. - СПб: СПбГУ ИТМО, 2008 -192 с.

41. Марк, Д. Фершильд. Модели цветового восприятия / Марк, Д. Фер-шильд. - М., 2012.

42. Родькин, П.Е. Проблема художественного формообразования в территориальной бренд-идентификации: нелинейность и абстрактность // Научно-технический вестник Поволжь - 5, 2018. - С. 230-246.

43. Введение в анализ изображений на Python. Практикум. Электронный образовательный ресурс / Е.П. Шустова. - Казань: Казан. ун-т, 2020.-88 с.

44. Шапиро, Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман ; пер. с англ. - М. : БИНОМ. Лаборатория знаний, 2006. - 752с.

45. Визильтер, Ю. В. Обработка и анализ изображений в задачах машинного зрения: курс лекий и практических занятий / Ю. В. Визильтер [и др.]. - М. : Физматкнига, 2010. - 672 с.

46. Лукьяница, А. А. Цифровая обработка изображений / А. А. Лукьяница, А. Г. Шишикин. - М. : Ай-Эс_эс Пресс, 2009. - 518с.

47. Форсайт, Д. А. Компьютерное зрение. Современный подход / Д. А. Форсайт, Ж. Понс : пер. с англ.. - М.: Вильямс, 2004.

48. Дуда Р., Харт П. Распознавание образов и анализ сцен / Дуда Р., Харт П. - М.: Вильямс, 2003.

49. Селянин, В. В. Компьютерное зрение. Анализ и обработка изображений / В.В. Селянин. - М.: Вильямс, 2003.

50. Потапов, А.С. Системы компьютерного зрения: учебное пособие / А.С, Потапов. - СПб: Университет ИТМО, 2016 - 161 с.

51. Tarasova, I.S. Algorithms for automated differentiation of subtypes and improving the overall accuracy of image classification in career guidance / I.S. Tarasova, A.V. Chechin , V.V. Andreev// Computer Graphics and Vision. Proceedings of the 31th International Conference on Computer Graphics and Vision. Nizhny Novgorod, Russia, September 27-30, 2021. - P. 387- 398.

52. Tarasova, I.S. Implementation of algorithms of image analysis in the software package Colour Unique PRO with the aim of increasing the accuracy of classification types individuals [Text] / I.S. Tarasova, A.V. Chechin , V.V. Andreev // Computer Graphics and Vision. Proceedings of the 29th International Conference on Computer Graphics and Vision. Bryansk, Russia, September 23-26, 2019. - P. 189-193.

53. Тарасова, Ю.С. Методы анализа и классификации изображений в профориентации с учетом неявных структур и смешанности типов / Ю.С. Тарасова, В.В. Андреев // Информационные системы и технологии. ИСТ-2022: сб. трудов конф. - 21-23 апреля 2022 г. - Н. Новгород: НГТУ, 2022.

54. Селянкин, В. В. Решение задач компьютерного зрения: учебное пособие / Селянкин В.В. - Таганрог: Южный федеральный университет, 2016.

55. Селянкин, В.В. Анализ и обработка изображений в задачах компьютерного зрения: учебное пособие / Селянкин В.В., Скороход С.В.. - Таганрог: Изд-во ЮФУ, 2015 - 82 с.

56. Горелик, А. Л. Методы распознавания / Горелик А. Л, Скрипкин В. А. -СПб: Университет ИТМО, 2016 - 161 с.

57. Конушин, А. С. Компьютерное зрение / А.С. Конушин. -Таганрог: Южный федеральный университет, 2016.

58. Тропченко, А.А. Методы вторичной обработки и распознавания изображений: учебное пособие / Тропченко А.А., Тропченко А.Ю.. - СПб: Университет ИТМО, 2015 - 215 с.

59. Абламейко, С. В. Обработка изображений: технология, методы, применение / Абламейко С. В.,Лагуновский Д. М. - Беларусь. Минск: 2021.

60. Гонсалес, Р. Цифровая обработка изображений / Гонсалес Р., Россиев Д.

- Казань: Изд-во Казан. ун-та, 2019. - 151 с.

61. Старовойтов, В. В. Методы сегментации цветных изображений / Старо-войтов, В. В., Талеб М. А. - М.: Физматлит, 2001 - 230 с.

62. Марр, Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов / Д. Марр. - М.: Физматлит, 2002.

63. Варгот, Т.А. Цветоведение и колористика: учебное пособие к практическим и теоретическим занятиям / Т.А. Варгот. - Челябинск: Издательский центр ЮУрГУ, 2014 - 47 с.

64. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская. - СПб: Университет ИТМО, 2016 - 120 с.

65. Гафаров, Ф.М Г12 Искусственные нейронные сети и приложения: учеб. пособие / Ф.М. Гафаров, А.Ф. Галимянов. - Казань: Изд-во Казан. ун-та, 2018. - 121 с. М

66. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика / Ф. Уоссермен. - М., 2000.

67. Hubel, D.H. Brain mechanisms of vision. / D. Hubel, T. Wiesel // Scientific American, 1979. P. 150-162.

68. Ростовцев, В.С. Искусственные нейронные сети: учебник / В.С. Ростовцев. - Киров: Изд-во ВятГУ, 2014 - 208 с. Э4743

69. Патрик, Э. А. Основы теории распознавания образов / Э.А. Патрик. - М.: Бином, 2014.

70. Методы компьютерной обработки изображений/ Под ред. В.А. Сойфера

- М.: Физматлит, 2001 - 784 с.: ил.

71. Галустов, Г.Г. Руководство к лабораторной работе «Исследование методов линейной и нелинейной цифровой обработки статических изображений» по курсам «Цифровое телевидение», «Видеотехника», «Цифровая обработка сигналов». - Таганрог: Изд-во ТРТУ, 2006 - 15 с.

72. Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam. MobileNets: Efficient Convolutional Neural Networks for Mobile VisionApplications. arXiv: 1704.04861v1, 2017. - https://arxiv.org/pdf/1704.04861.pdf.

73. Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dra-gomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich. Going deeper with convolutions. arXiv:1409.4842v1, 2014. -https://arxiv.org/pdf/1409.4842.pdf.

74. Olaf Ronneberger, Philipp Fischer, and Thomas Brox. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv:1505.04597v1, 2015. -https://arxiv.org/pdf/1505.04597.pdf.

75. Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, Zbig-niew Wojna. Rethinking the Inception Architecture for Computer Vision. arXiv:1512.00567, 2015. - https://arxiv.org/pdf/1512.00567.pdf

76. J. Duchi, E. Hazan, Y. Singer, "Adaptive Subgradient Methods for Online Learning and Stochastic Optimization". 2011, Journal of Machine Learning Research, 12, 2121-2159.

77. Джулли, А., Пал С. Библиотека KERAS - инструмент глубокого обучения

78. Шакирьянов, Э. Д. Компьютерное зрение на Python R. Первые шаги / Э. Д. Шакирьянов. - М. Лаборатория знаний, 2021

79. Прохоренок, Н. А. OpenCV и Java. Обработка изображений и компьютерное зрение. - СПб.: БХВ-Петербург, 2018 - 320 с.: ил.

80. Медведев, В. Ю. Цветоведение колористика: учеб. пособие (курс лекций) / В.Ю. Медведев. - СПб.: ИПЦ СПГУТД, 2005. - 116 с.

81. Утробин, В.А. Компьютерная обработка изображений. Информационные принципы зрительного восприятия: монография / В.А Утробин. - Ниже-город. гос. техн. ун-т им. Р. Е. Алексеева. - Нижний Новгород, 2012. - 401 с.

82. Утробин, В.А., Компьютерная обработка изображений. Информационные модели этапа понимания: учеб. пособие / В.А Утробин. - НГТУ. - Нижний Новгород, 2006. - 274 с.

83. Утробин, В. А. Физические интерпретации элементов алгебры изображения / В.А Утробин. - УФН, 2004, том 174, № 10.

84. Холл, М. Комбинаторика / М. Холл. - М.: Кнорус, 2015.

85. Ерош, И.Л. Дискретная математика. Комбинаторика: учеб. пособие / И.Л. Ерош. - СПбГУ АП. СПб., 2001 - 37 с.

86. Топунов, В. Л. Комбинаторика. Практикум по решению задач: учебное пособие / В. Л. Топунов; под ред. В. И. Нечаева, В. Г. Чирского. - 2-е изд. -Москва: МПГУ, 2016. - 88 с.

87. Tarasova, I.S. The hybrid classifier for the task of career guidance testing [Text] / I.S. Tarasova, V.V. Andreev, КМ. Ainbinder, D.V. Toskin // CPT2020. Computing in Physics and Technology Proceedings of the 8th Iternational Scientific Conference on Computing in Physics and Technology. - Moscow region, Russia, November 09-13, 2020 - P. 86 - 92.

88. Тарасова, Ю.С. Алгоритмы распознавания и классификации изображений в профориентации абитуриентов / Ю.С. Тарасова, В.В. Андреев, А.В. Чечин // Инновационные технологии в образовательной деятельности: мат. конф.- 02 марта 2022 г. - Н. Новгород: НГТУ. - С. 142 - 147.

89. Панксенов, Г. И. Нормативная колористика: учеб. пособие / Г.И Панксе-нов, О. Н. Чеберева, А. Г. Герцева. - Нижегор. гос. архитектур.- строит. ун-т - Н.Новгород: ННГАСУ, 2019 - 30 с.

90. Абишева, С.И. А 15 Цветоведение: учеб. пособие для студ. высш. учеб. заведений /Абишева С.И. - Павлодар, 2009 -116 с., цв.ил.

91. Цветоведение. Комплекс практических работ. Учебно-методическое пособие / Сост.: В.А. Поплёвина; АНПОО «Тамбовский колледж социокультурных технологий» - Тамбов: Изд-во ООО Орион, 2017 - 144 с.

92. Мягков, А.Ю. Шкалы лжи из опросника MMPI: опыт экспериментальной валидизации / А.Ю. Мягков. - М.: БИНОМ, 2014.

93. Пособие по применению MMPI / Сост. А.А. Рукавишников, Н.Г. Рукавишникова, М.С. Соколова. - Ярославль: НПЦ "Психодиагностика", 1993

94. Березин, Ф.Б. Методика многостороннего исследования личности / Бере-зин Ф.Б., Мирошников М.П., Рожанец Р.В.. - М.: Медицина, 1976.

95. Кабанов, М.М. Методы психологической диагностики и коррекции в клинике / Кабанов М.М., Личко А.Е., Смирнов В.М. - Л.: Медицина, 1983.

96. Мельников, В.М. Введение в экспериментальную психологию личности / Мельников В.М., Ямпольский Л.Т. - М.: Просвещение, 1985

97. Кулямин, В.В. Методы верификации программного обеспечения / В.В. Кулямин. - М.: Институт Системного Программирования РАН, 2008 - 111 с.

98. Железнякова, А.Л. Технологии верификации и валидации в численном газодинамическом моделировании. - М., Наука, 2007.

99. Schlesinger S. Terminology for Model Credibility // Simulation, Vol. 32, No. 3, 1979; 103-104....

100. Дюран, Б. Кластерный анализ / Дюран Б., Оделл П. - М., Наука, 2001.

101. Прангишвили, И.В. Энтропийные и другие системные закономерности: Вопросы управления сложными системами / И.В. Прангишвили; Ин-т проблем управления им. В.А. Трапезникова. - М.: Наука, 2003 - 428 с.

102. Тарасова, Ю.С. Colour Unique M / Ю. С. Тарасова, В.В. Андреев, А.В. Шаповал, А.В. Чечин // Свидетельство об официальной регистрации программы для ЭВМ № 2020612319. Зарегистрировано в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности РФ (Роспатент) от 19 февраля 2020 г.

103. Тарасова, Ю.С. Методика профориентационного тестирования «Ассоциативное цветовое пространство» // Свидетельство о депонировании и регистрации объекта авторского права № 011826. Зарегистрировано в Нижегородском научно-информационном центре от 19 сентября 2017 г.

ПРИЛОЖЕНИЯ

Приложение 1

Регистрация программы для ЭВМ

Приложение 2

Свидетельство о депонировании прав

Приложение 3

Акт о внедрении НГТУ

МИНОБРНАУКИ РОССИИ

УТВЕРЖДАЮ

федеральное государственное бюджетное образовательное учреждение высшего образованн: «Нижегородский государственный технически университет им. P.E. Алексеева» (НГТУ)

АКТ

г. Нижний Новгород

АКТ

О внедрении результатов диссертационной работы Тарасовой Юлии Сергеевны «Методы анализа и классификации изображений с учетом неявных структур и неоднородности признаков»

Научные исследования аспиранта Тарасовой Юлии Сергеевны (научный руководитель - д.т.н., профессор Андреев В.В.), полученные в диссертационной работе «Методы анализа и классификации изображений с учетом неявных структур и неоднородности признаков» внедрены в рамках профориентационной диагностической деятельности факультета довузовской подготовки и дополнительных образовательных услуг, проводимой в Нижегородском государственном техническом университете им. Р.Е. Алексеева.

Декан факультета довузовской подготовки

и дополнительных образовательных услуг

Приложение 4

Акт о внедрении ННГАСУ

МИНОБРНАУКИ РОССИИ

УТВЕРЖДАЮ И.о. проректора по воспитательной работе

Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»

мураева

(ННГАСУ)

АКТ

№

Нижний Новгород

внедрения результатов диссертационной работы

Результаты научных исследований аспиранта Тарасовой Юлии Сергеевны (научный руководитель - д.т.н., профессор Андреев В.В.), полученные в диссертационной работе «Методы анализа и классификации изображений с учетом неявных структур и неоднородности признаков», внедрены в рамках профориентационной диагностической деятельности Центра социально-психологического сопровождения образовательного процесса в Нижегородском государственном архитектурно-строительном университете.

Руководитель ЦСПСОП

/ Зинина С.М./

Приложение 5

Акт о внедрении ННГАСУ 2

МИНОБРНАУКИ РОССИИ

УТВЕРЖДАЮ

И.о. проректора по развитию и

внешним связям

Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»

С.Ю. Лихачёва

(ННГАСУ)

АКТ

№

Нижний Новгород

внедрения результатов диссертационной работы

Результаты научных исследований аспиранта Тарасовой Юлии Сергеевны (научный руководитель - д.т.н., профессор Андреев В.В.), полученные в диссертационной работе «Методы анализа и классификации изображений с учетом неявных структур и неоднородности признаков» применены в рамках профориентационных мероприятий со школьниками Центра профориентации и маркетинга образовательной деятельности УДПМ в Нижегородском государственном архитектурно-строительном университете.

Начальник УДПМ