{ "name": "Грант Качалка", "type": "private_supergroup", "id": 3137561705, "messages": [ { "id": -999756969, "type": "service", "date": "2025-07-25T10:07:53", "date_unixtime": "1753427273", "actor": "Владимир Устенко", "actor_id": "user356138812", "action": "create_group", "title": "Грант Качалка", "members": [ "Владимир Устенко", "Yaroslav Pikalyov", "Богдан Павленко" ], "text": "", "text_entities": [] }, { "id": -999756968, "type": "message", "date": "2025-07-25T11:14:28", "date_unixtime": "1753431268", "from": "Владимир Устенко", "from_id": "user356138812", "text": [ { "type": "bold", "text": "SmartRep: ИИ-контроль техники упражнений в спортзале на смартфоне (Предполагаемое название гранта:)" }, "\n\n", { "type": "bold", "text": "Описание идеи гранта:" }, "\n\nПроект ", { "type": "bold", "text": "SmartRep" }, " направлен на разработку мобильного приложения с использованием технологий компьютерного зрения и нейросетей для анализа техники выполнения упражнений в реальном времени. Приложение будет работать автономно на смартфоне — без подключения к внешним датчикам или облачным сервисам — и предназначено для использования в спортзале.\n\n", { "type": "bold", "text": "Основная идея:" }, " пользователь устанавливает смартфон напротив тренажёра (фронтально или сбоку), камера фиксирует выполнение упражнения, а ИИ-модель, запущенная локально, анализирует ключевые точки тела и оценивает правильность техники. В случае ошибок в движении приложение мгновенно подаёт сигналы (вибрация, звук, сообщение на экране) с комментариями: например, «Спина округляется» или «Слишком низкий присед».\n\nПроект имеет следующие особенности:\n\n* ", { "type": "bold", "text": "Локальная работа на телефоне:" }, " используются оптимизированные, легковесные нейросети, способные работать без подключения к интернету;\n* ", { "type": "bold", "text": "Контроль амплитуды и стабильности:" }, " система анализирует траекторию суставов, оценивает включение целевых мышц, стабильность осанки и плавность движения;\n* ", { "type": "bold", "text": "Обратная связь в реальном времени:" }, " минимизирует риск травм и помогает улучшить технику;\n* ", { "type": "bold", "text": "Обучение модели на размеченных данных:" }, " сравнение правильных и ошибочных техник, а также идентификация компенсаторных движений;\n* ", { "type": "bold", "text": "Масштабируемость:" }, " возможность добавления новых упражнений, персонализации тренировок и использования в домашних условиях.\n\n", { "type": "bold", "text": "Ценность проекта:" }, "\n\n* Технологическая новизна: real-time анализ CV без внешнего оборудования.\n* Социальная значимость: доступность ИИ-наставника без необходимости трат на персонального тренера.\n* Повышение безопасности тренировок.\n* Потенциал коммерциализации и масштабирования в международном сегменте фитнеса и digital-health.." ], "text_entities": [ { "type": "bold", "text": "SmartRep: ИИ-контроль техники упражнений в спортзале на смартфоне (Предполагаемое название гранта:)" }, { "type": "plain", "text": "\n\n" }, { "type": "bold", "text": "Описание идеи гранта:" }, { "type": "plain", "text": "\n\nПроект " }, { "type": "bold", "text": "SmartRep" }, { "type": "plain", "text": " направлен на разработку мобильного приложения с использованием технологий компьютерного зрения и нейросетей для анализа техники выполнения упражнений в реальном времени. Приложение будет работать автономно на смартфоне — без подключения к внешним датчикам или облачным сервисам — и предназначено для использования в спортзале.\n\n" }, { "type": "bold", "text": "Основная идея:" }, { "type": "plain", "text": " пользователь устанавливает смартфон напротив тренажёра (фронтально или сбоку), камера фиксирует выполнение упражнения, а ИИ-модель, запущенная локально, анализирует ключевые точки тела и оценивает правильность техники. В случае ошибок в движении приложение мгновенно подаёт сигналы (вибрация, звук, сообщение на экране) с комментариями: например, «Спина округляется» или «Слишком низкий присед».\n\nПроект имеет следующие особенности:\n\n* " }, { "type": "bold", "text": "Локальная работа на телефоне:" }, { "type": "plain", "text": " используются оптимизированные, легковесные нейросети, способные работать без подключения к интернету;\n* " }, { "type": "bold", "text": "Контроль амплитуды и стабильности:" }, { "type": "plain", "text": " система анализирует траекторию суставов, оценивает включение целевых мышц, стабильность осанки и плавность движения;\n* " }, { "type": "bold", "text": "Обратная связь в реальном времени:" }, { "type": "plain", "text": " минимизирует риск травм и помогает улучшить технику;\n* " }, { "type": "bold", "text": "Обучение модели на размеченных данных:" }, { "type": "plain", "text": " сравнение правильных и ошибочных техник, а также идентификация компенсаторных движений;\n* " }, { "type": "bold", "text": "Масштабируемость:" }, { "type": "plain", "text": " возможность добавления новых упражнений, персонализации тренировок и использования в домашних условиях.\n\n" }, { "type": "bold", "text": "Ценность проекта:" }, { "type": "plain", "text": "\n\n* Технологическая новизна: real-time анализ CV без внешнего оборудования.\n* Социальная значимость: доступность ИИ-наставника без необходимости трат на персонального тренера.\n* Повышение безопасности тренировок.\n* Потенциал коммерциализации и масштабирования в международном сегменте фитнеса и digital-health.." } ] }, { "id": -999756962, "type": "message", "date": "2025-07-25T11:50:53", "date_unixtime": "1753433453", "from": "Владимир Устенко", "from_id": "user356138812", "file": "(File not included. Change data exporting settings to download.)", "file_name": "image_2025-07-25_11-50-52.png", "file_size": 301822, "thumbnail": "(File not included. Change data exporting settings to download.)", "thumbnail_file_size": 11116, "mime_type": "image/png", "width": 1111, "height": 793, "text": "", "text_entities": [] }, { "id": -999756960, "type": "message", "date": "2025-07-25T12:07:48", "date_unixtime": "1753434468", "from": "Владимир Устенко", "from_id": "user356138812", "file": "(File not included. Change data exporting settings to download.)", "file_name": "image_2025-07-25_12-07-48.png", "file_size": 193191, "thumbnail": "(File not included. Change data exporting settings to download.)", "thumbnail_file_size": 16378, "mime_type": "image/png", "width": 606, "height": 908, "text": "", "text_entities": [] }, { "id": -999756954, "type": "message", "date": "2025-07-25T13:43:52", "date_unixtime": "1753440232", "from": "Владимир Устенко", "from_id": "user356138812", "file": "(File not included. Change data exporting settings to download.)", "file_name": "fitness.docx", "file_size": 8821, "mime_type": "application/vnd.openxmlformats-officedocument.wordprocessingml.document", "text": "Исходник Ярослава", "text_entities": [ { "type": "plain", "text": "Исходник Ярослава" } ] }, { "id": -999756410, "type": "message", "date": "2025-07-26T10:01:24", "date_unixtime": "1753513284", "from": "Богдан Павленко", "from_id": "user636286691", "forwarded_from": "Технологии | Нейросети | Боты", "forwarded_from_id": "channel1465909297", "file": "(File not included. Change data exporting settings to download.)", "file_name": "0725 (4).mp4", "file_size": 14783753, "thumbnail": "(File not included. Change data exporting settings to download.)", "thumbnail_file_size": 12693, "media_type": "video_file", "mime_type": "video/mp4", "duration_seconds": 35, "width": 2942, "height": 1080, "text": [ { "type": "custom_emoji", "text": "🎮", "document_id": "video_files/sticker.webm" }, " ", { "type": "bold", "text": "Парень навайбкодил файтинг, где вместо геймпада — его тело." }, "\n\nВместо обычный игры на геймпаде тут нужно махать руками перед камерой, которая отслеживает движения. Так персонаж повторяет все движения игрока ", { "type": "custom_emoji", "text": "😮", "document_id": "stickers/AnimatedSticker.tgs" }, "\n\nПрактически всё сделали нейросети: \n— Claude Opus спроектировал технологию;\n— Claude Sonnet написал код;\n— GitHub Copilot помог собрать готовую программу.\n\nПока работает только в Tekken, в котором за каждую конечность отвечает отдельная кнопка.\n\n", { "type": "text_link", "text": "• Источник", "href": "https://x.com/_renhau/status/1946993311031710205" }, "\n\n", { "type": "mention", "text": "@aiaiai" }, "" ], "text_entities": [ { "type": "custom_emoji", "text": "🎮", "document_id": "video_files/sticker.webm" }, { "type": "plain", "text": " " }, { "type": "bold", "text": "Парень навайбкодил файтинг, где вместо геймпада — его тело." }, { "type": "plain", "text": "\n\nВместо обычный игры на геймпаде тут нужно махать руками перед камерой, которая отслеживает движения. Так персонаж повторяет все движения игрока " }, { "type": "custom_emoji", "text": "😮", "document_id": "stickers/AnimatedSticker.tgs" }, { "type": "plain", "text": "\n\nПрактически всё сделали нейросети: \n— Claude Opus спроектировал технологию;\n— Claude Sonnet написал код;\n— GitHub Copilot помог собрать готовую программу.\n\nПока работает только в Tekken, в котором за каждую конечность отвечает отдельная кнопка.\n\n" }, { "type": "text_link", "text": "• Источник", "href": "https://x.com/_renhau/status/1946993311031710205" }, { "type": "plain", "text": "\n\n" }, { "type": "mention", "text": "@aiaiai" }, { "type": "plain", "text": "" } ] }, { "id": -999737918, "type": "message", "date": "2025-09-18T22:32:56", "date_unixtime": "1758223976", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_1@18-09-2025_22-32-56.jpg", "photo_file_size": 114030, "width": 1280, "height": 803, "text": "Сравнительная таблица трех видов грантов. 119 самый оптимальный", "text_entities": [ { "type": "plain", "text": "Сравнительная таблица трех видов грантов. 119 самый оптимальный" } ] }, { "id": -999737917, "type": "message", "date": "2025-09-18T22:33:25", "date_unixtime": "1758224005", "from": "Владимир Устенко", "from_id": "user356138812", "text": "Тема: ИИ-контроль техники упражнений в спортзале\n\nКраткое описание проекта: Проект направлен на разработку и исследование методов компьютерного зрения и нейросетевых алгоритмов для автоматизированного анализа техники выполнения силовых и функциональных упражнений. Главная цель — создание оптимизированной модели ИИ, способной в реальном времени анализировать видеопоток и выявлять ошибки техники движений. Особое внимание уделяется алгоритмической эффективности: разработанные методы должны работать корректно даже на устройствах с ограниченными вычислительными ресурсами (например, смартфонах), без использования внешних сенсоров или облачных сервисов.\n\nОжидаемые результаты от реализации проекта: \n1) Научная новизна: новые методы анализа позы и траекторий движений в реальном времени, адаптированные под низкую вычислительную сложность. \n2) Повышение безопасности тренировок: своевременное выявление ошибок техники и контроль биомеханической стабильности. \n3)Социальная значимость: возможность использования интеллектуальных методов контроля без затрат на оборудование и тренеров. \n4) Контроль биомеханических параметров: отслеживание амплитуды движений, траектории суставов, вовлечения целевых мышц и осанки. \n5) Валидация и обучение: формирование датасетов с правильными и ошибочными техниками, включая компенсаторные движения, для обучения и тестирования модели.", "text_entities": [ { "type": "plain", "text": "Тема: ИИ-контроль техники упражнений в спортзале\n\nКраткое описание проекта: Проект направлен на разработку и исследование методов компьютерного зрения и нейросетевых алгоритмов для автоматизированного анализа техники выполнения силовых и функциональных упражнений. Главная цель — создание оптимизированной модели ИИ, способной в реальном времени анализировать видеопоток и выявлять ошибки техники движений. Особое внимание уделяется алгоритмической эффективности: разработанные методы должны работать корректно даже на устройствах с ограниченными вычислительными ресурсами (например, смартфонах), без использования внешних сенсоров или облачных сервисов.\n\nОжидаемые результаты от реализации проекта: \n1) Научная новизна: новые методы анализа позы и траекторий движений в реальном времени, адаптированные под низкую вычислительную сложность. \n2) Повышение безопасности тренировок: своевременное выявление ошибок техники и контроль биомеханической стабильности. \n3)Социальная значимость: возможность использования интеллектуальных методов контроля без затрат на оборудование и тренеров. \n4) Контроль биомеханических параметров: отслеживание амплитуды движений, траектории суставов, вовлечения целевых мышц и осанки. \n5) Валидация и обучение: формирование датасетов с правильными и ошибочными техниками, включая компенсаторные движения, для обучения и тестирования модели." } ] }, { "id": -999737916, "type": "message", "date": "2025-09-18T22:35:41", "date_unixtime": "1758224141", "edited": "2025-09-18T22:37:05", "edited_unixtime": "1758224225", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "reply_to_message_id": -999737918, "text": "120 оптимальный, тише едешь, дальше будешь", "text_entities": [ { "type": "plain", "text": "120 оптимальный, тише едешь, дальше будешь" } ], "reactions": [ { "type": "emoji", "count": 1, "emoji": "🔥", "recent": [ { "from": "Владимир Устенко", "from_id": "user356138812", "date": "2025-09-18T22:37:05" } ] } ] }, { "id": -999737915, "type": "message", "date": "2025-09-18T22:40:49", "date_unixtime": "1758224449", "from": "Владимир Устенко", "from_id": "user356138812", "file": "(File not included. Change data exporting settings to download.)", "file_name": "120.pdf", "file_size": 566098, "thumbnail": "(File not included. Change data exporting settings to download.)", "thumbnail_file_size": 23142, "mime_type": "application/pdf", "text": "120.pdf – «Малые научные группы»", "text_entities": [ { "type": "plain", "text": "120.pdf – «Малые научные группы»" } ] }, { "id": -999737914, "type": "message", "date": "2025-09-18T22:41:20", "date_unixtime": "1758224480", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "file": "(File not included. Change data exporting settings to download.)", "file_name": "la-knight.mp4", "file_size": 225555, "media_type": "animation", "mime_type": "video/mp4", "duration_seconds": 8, "width": 166, "height": 92, "text": "", "text_entities": [] }, { "id": -999737913, "type": "message", "date": "2025-09-18T22:41:43", "date_unixtime": "1758224503", "from": "Владимир Устенко", "from_id": "user356138812", "file": "(File not included. Change data exporting settings to download.)", "file_name": "AnimatedSticker.tgs", "file_size": 10541, "thumbnail": "(File not included. Change data exporting settings to download.)", "thumbnail_file_size": 4312, "media_type": "sticker", "sticker_emoji": "😨", "mime_type": "application/x-tgsticker", "width": 512, "height": 512, "text": "", "text_entities": [] }, { "id": -999737912, "type": "message", "date": "2025-09-18T22:42:37", "date_unixtime": "1758224557", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "file": "(File not included. Change data exporting settings to download.)", "file_name": "sticker.webp", "file_size": 19698, "thumbnail": "(File not included. Change data exporting settings to download.)", "thumbnail_file_size": 2162, "media_type": "sticker", "sticker_emoji": "🙄", "mime_type": "image/webp", "width": 512, "height": 512, "text": "", "text_entities": [] }, { "id": -999726923, "type": "message", "date": "2025-10-20T16:15:47", "date_unixtime": "1760966147", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_2@20-10-2025_16-15-47.jpg", "photo_file_size": 125650, "width": 1280, "height": 677, "text": "", "text_entities": [] }, { "id": -999726922, "type": "message", "date": "2025-10-20T16:15:50", "date_unixtime": "1760966150", "from": "Владимир Устенко", "from_id": "user356138812", "text": [ { "type": "mention", "text": "@ya_pikalyov" } ], "text_entities": [ { "type": "mention", "text": "@ya_pikalyov" } ] }, { "id": -999726921, "type": "message", "date": "2025-10-20T16:15:53", "date_unixtime": "1760966153", "from": "Владимир Устенко", "from_id": "user356138812", "text": [ { "type": "mention", "text": "@holyBogdan" } ], "text_entities": [ { "type": "mention", "text": "@holyBogdan" } ] }, { "id": -999726920, "type": "message", "date": "2025-10-20T16:18:11", "date_unixtime": "1760966291", "from": "Владимир Устенко", "from_id": "user356138812", "text": "37", "text_entities": [ { "type": "plain", "text": "37" } ] }, { "id": -999726919, "type": "message", "date": "2025-10-20T16:18:13", "date_unixtime": "1760966293", "from": "Владимир Устенко", "from_id": "user356138812", "text": "6", "text_entities": [ { "type": "plain", "text": "6" } ] }, { "id": -999726918, "type": "message", "date": "2025-10-20T16:18:19", "date_unixtime": "1760966299", "from": "Владимир Устенко", "from_id": "user356138812", "text": "6", "text_entities": [ { "type": "plain", "text": "6" } ] }, { "id": -999726912, "type": "message", "date": "2025-10-20T16:36:14", "date_unixtime": "1760967374", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_3@20-10-2025_16-36-14.jpg", "photo_file_size": 168743, "width": 1168, "height": 990, "text": "", "text_entities": [] }, { "id": -999726911, "type": "message", "date": "2025-10-20T16:36:26", "date_unixtime": "1760967386", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_4@20-10-2025_16-36-26.jpg", "photo_file_size": 182962, "width": 1254, "height": 1027, "text": "", "text_entities": [] }, { "id": -999726910, "type": "message", "date": "2025-10-20T16:47:26", "date_unixtime": "1760968046", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_5@20-10-2025_16-47-26.jpg", "photo_file_size": 18122, "width": 1128, "height": 149, "text": "", "text_entities": [] }, { "id": -999726761, "type": "service", "date": "2025-10-21T10:32:41", "date_unixtime": "1761031961", "actor": "Владимир Устенко", "actor_id": "user356138812", "action": "invite_members", "members": [ "Максим Близно" ], "text": "", "text_entities": [] }, { "id": -999726760, "type": "message", "date": "2025-10-21T10:32:42", "date_unixtime": "1761031962", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "photo": "photos/photo_6@21-10-2025_10-32-42.jpg", "photo_file_size": 85400, "width": 703, "height": 625, "text": "", "text_entities": [] }, { "id": -999726759, "type": "message", "date": "2025-10-21T10:33:04", "date_unixtime": "1761031984", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "poll": { "question": "1,2 или 3", "closed": false, "total_voters": 4, "answers": [ { "text": "1", "voters": 0, "chosen": false }, { "text": "2", "voters": 1, "chosen": true }, { "text": "3", "voters": 3, "chosen": false } ] }, "text": "", "text_entities": [] }, { "id": -999726758, "type": "message", "date": "2025-10-21T10:34:28", "date_unixtime": "1761032068", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_7@21-10-2025_10-34-28.jpg", "photo_file_size": 108279, "width": 1087, "height": 1024, "text": "Даже чат бот за 3 вариант", "text_entities": [ { "type": "plain", "text": "Даже чат бот за 3 вариант" } ] }, { "id": -999726749, "type": "message", "date": "2025-10-21T11:31:14", "date_unixtime": "1761035474", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "reply_to_message_id": -999726912, "text": [ { "type": "link", "text": "https://navigator.sk.ru/orn/1125924" } ], "text_entities": [ { "type": "link", "text": "https://navigator.sk.ru/orn/1125924" } ] }, { "id": -999726746, "type": "message", "date": "2025-10-21T11:50:33", "date_unixtime": "1761036633", "from": "Владимир Устенко", "from_id": "user356138812", "text": [ { "type": "link", "text": "https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?usp=sharing" } ], "text_entities": [ { "type": "link", "text": "https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?usp=sharing" } ] }, { "id": -999726745, "type": "message", "date": "2025-10-21T11:59:14", "date_unixtime": "1761037154", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": [ { "type": "link", "text": "https://docs.google.com/document/d/12rsE3o6EXnAmRNH_AZUOQ5qelLmFHhpD-RylEW2G6UQ/edit?usp=sharing" } ], "text_entities": [ { "type": "link", "text": "https://docs.google.com/document/d/12rsE3o6EXnAmRNH_AZUOQ5qelLmFHhpD-RylEW2G6UQ/edit?usp=sharing" } ] }, { "id": -999726732, "type": "message", "date": "2025-10-21T13:34:22", "date_unixtime": "1761042862", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_8@21-10-2025_13-34-22.jpg", "photo_file_size": 41886, "width": 1000, "height": 1000, "text": "", "text_entities": [] }, { "id": -999726731, "type": "message", "date": "2025-10-21T13:34:44", "date_unixtime": "1761042884", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_9@21-10-2025_13-34-44.jpg", "photo_file_size": 28506, "width": 500, "height": 500, "text": "Трицепс", "text_entities": [ { "type": "plain", "text": "Трицепс" } ] }, { "id": -999726729, "type": "message", "date": "2025-10-21T13:35:18", "date_unixtime": "1761042918", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_10@21-10-2025_13-35-18.jpg", "photo_file_size": 46454, "width": 800, "height": 800, "text": "Бицепс", "text_entities": [ { "type": "plain", "text": "Бицепс" } ] }, { "id": -999726728, "type": "message", "date": "2025-10-21T13:36:17", "date_unixtime": "1761042977", "edited": "2025-10-21T14:18:36", "edited_unixtime": "1761045516", "from": "Богдан Павленко", "from_id": "user636286691", "photo": "photos/photo_11@21-10-2025_13-36-17.jpg", "photo_file_size": 42003, "width": 800, "height": 800, "text": "группа мышц спина, немного трицепс", "text_entities": [ { "type": "plain", "text": "группа мышц спина, немного трицепс" } ] }, { "id": -999726727, "type": "message", "date": "2025-10-21T13:36:45", "date_unixtime": "1761043005", "from": "Владимир Устенко", "from_id": "user356138812", "photo": "photos/photo_12@21-10-2025_13-36-45.jpg", "photo_file_size": 39755, "width": 768, "height": 1024, "text": "Спина (гиперэкстензия)", "text_entities": [ { "type": "plain", "text": "Спина (гиперэкстензия)" } ] }, { "id": -999726726, "type": "message", "date": "2025-10-21T13:38:44", "date_unixtime": "1761043124", "from": "Богдан Павленко", "from_id": "user636286691", "photo": "photos/photo_13@21-10-2025_13-38-44.jpg", "photo_file_size": 44632, "width": 1280, "height": 720, "text": "или спина вот:", "text_entities": [ { "type": "plain", "text": "или спина вот:" } ] }, { "id": -999726725, "type": "message", "date": "2025-10-21T13:56:34", "date_unixtime": "1761044194", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "Для решения обозначенных научных и технических проблем в проекте SmartRep предусмотрен комплексный подход, сочетающий методы компьютерного зрения, адаптивного машинного обучения и биомеханического моделирования. Индивидуальные различия пользователей по пропорциям тела и подвижности суставов планируется компенсировать за счёт калибровки антропометрических параметров в начальной фазе работы приложения, позволяющей автоматически масштабировать эталонные углы и амплитуды движений. Неоднозначность визуальных данных и влияние ракурса устраняются с помощью обучения нейросетевых моделей на синтетических данных, сгенерированных под различными углами обзора и условиями освещения, а также применения моделей позового детектирования с механизмом пространственного сглаживания ключевых точек. Проблема нехватки размеченных примеров решается за счёт полусупервизорного обучения, дополнения данных (data augmentation) и использования смежных наборов (Human3.6M, COCO-Pose и др.). Формализация понятия «правильности техники» достигается объединением статистических признаков с нечёткой логикой, где экспертные правила тренеров переводятся в математическую форму через интервалы допустимых углов и скоростей движения. Персонализация анализа обеспечивается внедрением механизма самообучения модели на данных конкретного пользователя и учётом его возраста, пола и уровня подготовки. Для работы на мобильных устройствах предусмотрена разработка облегченной модели с квантизацией и оптимизацией inference.", "text_entities": [ { "type": "plain", "text": "Для решения обозначенных научных и технических проблем в проекте SmartRep предусмотрен комплексный подход, сочетающий методы компьютерного зрения, адаптивного машинного обучения и биомеханического моделирования. Индивидуальные различия пользователей по пропорциям тела и подвижности суставов планируется компенсировать за счёт калибровки антропометрических параметров в начальной фазе работы приложения, позволяющей автоматически масштабировать эталонные углы и амплитуды движений. Неоднозначность визуальных данных и влияние ракурса устраняются с помощью обучения нейросетевых моделей на синтетических данных, сгенерированных под различными углами обзора и условиями освещения, а также применения моделей позового детектирования с механизмом пространственного сглаживания ключевых точек. Проблема нехватки размеченных примеров решается за счёт полусупервизорного обучения, дополнения данных (data augmentation) и использования смежных наборов (Human3.6M, COCO-Pose и др.). Формализация понятия «правильности техники» достигается объединением статистических признаков с нечёткой логикой, где экспертные правила тренеров переводятся в математическую форму через интервалы допустимых углов и скоростей движения. Персонализация анализа обеспечивается внедрением механизма самообучения модели на данных конкретного пользователя и учётом его возраста, пола и уровня подготовки. Для работы на мобильных устройствах предусмотрена разработка облегченной модели с квантизацией и оптимизацией inference." } ] }, { "id": -999726723, "type": "message", "date": "2025-10-21T13:56:41", "date_unixtime": "1761044201", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "reply_to_message_id": -999726725, "text": "Персонализация анализа обеспечивается внедрением механизма самообучения модели на данных конкретного пользователя и учётом его возраста, пола и уровня подготовки. \n\nЭто под вопросом", "text_entities": [ { "type": "plain", "text": "Персонализация анализа обеспечивается внедрением механизма самообучения модели на данных конкретного пользователя и учётом его возраста, пола и уровня подготовки. \n\nЭто под вопросом" } ] }, { "id": -999726722, "type": "message", "date": "2025-10-21T14:18:38", "date_unixtime": "1761045518", "from": "Богдан Павленко", "from_id": "user636286691", "photo": "photos/photo_14@21-10-2025_14-18-38.jpg", "photo_file_size": 51217, "width": 600, "height": 492, "text": "", "text_entities": [] }, { "id": -999726719, "type": "message", "date": "2025-10-21T14:49:20", "date_unixtime": "1761047360", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": [ "Научной и методологической основой проекта SmartRep является развитие идей, реализованных в работах Д.Г. Арсеньева, М.А. Шалуховой и А.Е. Мисника, посвящённых интеллектуальным системам поддержки принятия решений в спорте и реабилитации. В указанных исследованиях (ИММВ-2024; Вестн. СамГТУ, 2024; ", { "type": "link", "text": "Musculus.app" }, ") разработана архитектура СППР, включающая модули компьютерного зрения, цифрового двойника спортсмена, онтологической базы знаний и нейро-нечёткой логики для персонализации тренировочного процесса и прогнозирования риска травм. Проект SmartRep развивает данный подход, адаптируя его к условиям массового фитнеса и работе на мобильных устройствах: система использует лёгкие модели компьютерного зрения для анализа техники упражнений, формализует тренерские критерии через нечёткие правила и реализует индивидуализацию рекомендаций с учётом пола, возраста и уровня подготовки пользователя." ], "text_entities": [ { "type": "plain", "text": "Научной и методологической основой проекта SmartRep является развитие идей, реализованных в работах Д.Г. Арсеньева, М.А. Шалуховой и А.Е. Мисника, посвящённых интеллектуальным системам поддержки принятия решений в спорте и реабилитации. В указанных исследованиях (ИММВ-2024; Вестн. СамГТУ, 2024; " }, { "type": "link", "text": "Musculus.app" }, { "type": "plain", "text": ") разработана архитектура СППР, включающая модули компьютерного зрения, цифрового двойника спортсмена, онтологической базы знаний и нейро-нечёткой логики для персонализации тренировочного процесса и прогнозирования риска травм. Проект SmartRep развивает данный подход, адаптируя его к условиям массового фитнеса и работе на мобильных устройствах: система использует лёгкие модели компьютерного зрения для анализа техники упражнений, формализует тренерские критерии через нечёткие правила и реализует индивидуализацию рекомендаций с учётом пола, возраста и уровня подготовки пользователя." } ] }, { "id": -999726718, "type": "message", "date": "2025-10-21T14:49:45", "date_unixtime": "1761047385", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "photo": "photos/photo_15@21-10-2025_14-49-45.jpg", "photo_file_size": 78350, "width": 889, "height": 609, "text": "", "text_entities": [] }, { "id": -999726717, "type": "message", "date": "2025-10-21T14:49:55", "date_unixtime": "1761047395", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "file": "(File not included. Change data exporting settings to download.)", "file_name": "intellektualnaya_sistema_podderzhki_prinyatiya_resheniy_dlya_upravleniya.pdf", "file_size": 1247570, "mime_type": "application/pdf", "text": "", "text_entities": [] }, { "id": -999726716, "type": "message", "date": "2025-10-21T14:50:35", "date_unixtime": "1761047435", "from": "Владимир Устенко", "from_id": "user356138812", "text": [ { "type": "link", "text": "https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?usp=sharing" }, "\nНаписал ограничения в самом низу" ], "text_entities": [ { "type": "link", "text": "https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?usp=sharing" }, { "type": "plain", "text": "\nНаписал ограничения в самом низу" } ] }, { "id": -999726715, "type": "message", "date": "2025-10-21T14:53:56", "date_unixtime": "1761047636", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "file": "(File not included. Change data exporting settings to download.)", "file_name": "Шалухова.pptx", "file_size": 1784733, "mime_type": "application/vnd.openxmlformats-officedocument.presentationml.presentation", "text": "", "text_entities": [] }, { "id": -999726714, "type": "message", "date": "2025-10-21T15:04:12", "date_unixtime": "1761048252", "from": "Богдан Павленко", "from_id": "user636286691", "photo": "photos/photo_16@21-10-2025_15-04-12.jpg", "photo_file_size": 33752, "width": 805, "height": 302, "text": [ { "type": "link", "text": "https://openreview.net/pdf/061d45c5db0c11ad5dd49cd9a1afa6482d4a9aed.pdf?utm_source=chatgpt.com" } ], "text_entities": [ { "type": "link", "text": "https://openreview.net/pdf/061d45c5db0c11ad5dd49cd9a1afa6482d4a9aed.pdf?utm_source=chatgpt.com" } ] }, { "id": -999726713, "type": "service", "date": "2025-10-21T15:04:18", "date_unixtime": "1761048258", "actor": "Богдан Павленко", "actor_id": "user636286691", "action": "pin_message", "message_id": -999726714, "text": "", "text_entities": [] }, { "id": -999726712, "type": "message", "date": "2025-10-21T15:10:15", "date_unixtime": "1761048615", "from": "Богдан Павленко", "from_id": "user636286691", "file": "(File not included. Change data exporting settings to download.)", "file_name": "s10462-024-11060-2.pdf", "file_size": 3634972, "mime_type": "application/pdf", "text": "Большой обзор по теме", "text_entities": [ { "type": "plain", "text": "Большой обзор по теме" } ] }, { "id": -999726711, "type": "service", "date": "2025-10-21T15:10:19", "date_unixtime": "1761048619", "actor": "Богдан Павленко", "actor_id": "user636286691", "action": "pin_message", "message_id": -999726712, "text": "", "text_entities": [] }, { "id": -999726710, "type": "message", "date": "2025-10-21T15:45:20", "date_unixtime": "1761050720", "from": "Владимир Устенко", "from_id": "user356138812", "text": [ { "type": "link", "text": "https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?tab=t.0" } ], "text_entities": [ { "type": "link", "text": "https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?tab=t.0" } ] }, { "id": -999726692, "type": "message", "date": "2025-10-21T17:09:50", "date_unixtime": "1761055790", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "1. Разработка интеллектуальной системы анализа техники выполнения физических упражнений для улучшения и поддержания физической формы на основе технологий компьютерного зрения.\n\n\n2. Разработка программного комплекса SmartRep для автоматизированного контроля правильности выполнения физических упражнений с использованием технологий искусственного интеллекта.\n\n\n3. Разработка системы компьютерного зрения для оценки корректности выполнения упражнений с отягощениями и на тренажёрах, направленных на поддержание физической формы.\n\n\n4. Разработка интеллектуальной системы визуального анализа движений человека при выполнении физических упражнений в фитнес-зале.\n\n\n5. Разработка нейро-нечёткой системы анализа и контроля техники выполнения упражнений для повышения эффективности тренировок и предотвращения травм.", "text_entities": [ { "type": "plain", "text": "1. Разработка интеллектуальной системы анализа техники выполнения физических упражнений для улучшения и поддержания физической формы на основе технологий компьютерного зрения.\n\n\n2. Разработка программного комплекса SmartRep для автоматизированного контроля правильности выполнения физических упражнений с использованием технологий искусственного интеллекта.\n\n\n3. Разработка системы компьютерного зрения для оценки корректности выполнения упражнений с отягощениями и на тренажёрах, направленных на поддержание физической формы.\n\n\n4. Разработка интеллектуальной системы визуального анализа движений человека при выполнении физических упражнений в фитнес-зале.\n\n\n5. Разработка нейро-нечёткой системы анализа и контроля техники выполнения упражнений для повышения эффективности тренировок и предотвращения травм." } ] }, { "id": -999726691, "type": "message", "date": "2025-10-21T17:10:41", "date_unixtime": "1761055841", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "poll": { "question": "Название темы", "closed": false, "total_voters": 3, "answers": [ { "text": "1", "voters": 1, "chosen": true }, { "text": "2", "voters": 1, "chosen": true }, { "text": "3", "voters": 1, "chosen": false }, { "text": "4", "voters": 1, "chosen": false }, { "text": "5", "voters": 1, "chosen": false } ] }, "text": "", "text_entities": [] }, { "id": -999726690, "type": "message", "date": "2025-10-21T17:12:28", "date_unixtime": "1761055948", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "reply_to_message_id": -999726692, "text": "Ну или свой вариант предложите", "text_entities": [ { "type": "plain", "text": "Ну или свой вариант предложите" } ] }, { "id": -999726689, "type": "message", "date": "2025-10-21T17:19:46", "date_unixtime": "1761056386", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": [ { "type": "link", "text": "https://chatgpt.com/share/68f79679-e8a4-8009-9842-191b431a4ca9" } ], "text_entities": [ { "type": "link", "text": "https://chatgpt.com/share/68f79679-e8a4-8009-9842-191b431a4ca9" } ] }, { "id": -999726688, "type": "message", "date": "2025-10-21T17:22:10", "date_unixtime": "1761056530", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "photo": "photos/photo_17@21-10-2025_17-22-10.jpg", "photo_file_size": 75241, "width": 924, "height": 1263, "text": "", "text_entities": [] }, { "id": -999726238, "type": "message", "date": "2025-10-22T03:18:29", "date_unixtime": "1761092309", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "Современные подходы к контролю техники выполнения физических упражнений в фитнес-центрах и спортивных залах в значительной степени зависят от квалификации тренера и субъективной визуальной оценки. При этом качество выполнения движений напрямую влияет на эффективность тренировочного процесса и уровень травматизма. Отсутствие доступных и объективных инструментов анализа движений вне профессиональных лабораторных условий делает невозможным системный контроль техники для широкого круга пользователей, занимающихся самостоятельно или с минимальным контролем тренера.\nЦель проекта заключается в разработке интеллектуальной системы анализа и контроля техники выполнения упражнений с использованием технологий компьютерного зрения и искусственного интеллекта, реализованной в виде мобильного приложения. Система обеспечивает автоматическую оценку правильности выполнения базовых упражнений на тренажёрах и со свободными весами с помощью видеозаписи, получаемой с камеры смартфона, без необходимости использования дополнительных сенсоров и специализированного оборудования.\nПроект решает актуальную научно-техническую задачу — повышение точности и объективности оценки движений человека в неконтролируемых условиях съёмки (вариации углов, освещения, масштаба и позы) при минимальных вычислительных ресурсах (edge-устройства). В основе системы лежит модуль компьютерного зрения, выделяющий ключевые точки скелета человека на видео, и аналитический модуль, который на основе геометрических взаимосвязей между суставами вычисляет углы и динамические параметры движения.\nДополнительно в системе применяется нейро-нечёткий модуль принятия решений, формирующий экспертные правила интерпретации данных: система не только фиксирует отклонения в траектории, но и классифицирует типичные ошибки техники, формируя рекомендации по их исправлению. Такой подход позволяет объединить преимущества статистического обучения и знаний, формализованных в виде лингвистических правил.\nНаучная новизна проекта заключается в разработке метода анализа биомеханических паттернов упражнений на основе визуальных данных и нечеткой логики, обеспечивающего интерпретируемость и адаптивность модели к индивидуальным особенностям пользователя, а также работающий в режиме реального времени на мобильных устройствах. В отличие от существующих коммерческих решений, основанных на жёстких шаблонах поз, система SmartRep способна учитывать вариативность техники, зависимость угловых характеристик от антропометрических данных и плавно адаптировать критерии оценки под конкретного пользователя.\nНаучная занчимость заключается в:\n- повышении объективности и точности оценки техники движений;\n- расширении научных представлений о применении методов ИИ в спортивной биомеханике;\n- формировании базы знаний и алгоритмических решений, применимые в других областях (реабилитация, эргономика, медицина труда).", "text_entities": [ { "type": "plain", "text": "Современные подходы к контролю техники выполнения физических упражнений в фитнес-центрах и спортивных залах в значительной степени зависят от квалификации тренера и субъективной визуальной оценки. При этом качество выполнения движений напрямую влияет на эффективность тренировочного процесса и уровень травматизма. Отсутствие доступных и объективных инструментов анализа движений вне профессиональных лабораторных условий делает невозможным системный контроль техники для широкого круга пользователей, занимающихся самостоятельно или с минимальным контролем тренера.\nЦель проекта заключается в разработке интеллектуальной системы анализа и контроля техники выполнения упражнений с использованием технологий компьютерного зрения и искусственного интеллекта, реализованной в виде мобильного приложения. Система обеспечивает автоматическую оценку правильности выполнения базовых упражнений на тренажёрах и со свободными весами с помощью видеозаписи, получаемой с камеры смартфона, без необходимости использования дополнительных сенсоров и специализированного оборудования.\nПроект решает актуальную научно-техническую задачу — повышение точности и объективности оценки движений человека в неконтролируемых условиях съёмки (вариации углов, освещения, масштаба и позы) при минимальных вычислительных ресурсах (edge-устройства). В основе системы лежит модуль компьютерного зрения, выделяющий ключевые точки скелета человека на видео, и аналитический модуль, который на основе геометрических взаимосвязей между суставами вычисляет углы и динамические параметры движения.\nДополнительно в системе применяется нейро-нечёткий модуль принятия решений, формирующий экспертные правила интерпретации данных: система не только фиксирует отклонения в траектории, но и классифицирует типичные ошибки техники, формируя рекомендации по их исправлению. Такой подход позволяет объединить преимущества статистического обучения и знаний, формализованных в виде лингвистических правил.\nНаучная новизна проекта заключается в разработке метода анализа биомеханических паттернов упражнений на основе визуальных данных и нечеткой логики, обеспечивающего интерпретируемость и адаптивность модели к индивидуальным особенностям пользователя, а также работающий в режиме реального времени на мобильных устройствах. В отличие от существующих коммерческих решений, основанных на жёстких шаблонах поз, система SmartRep способна учитывать вариативность техники, зависимость угловых характеристик от антропометрических данных и плавно адаптировать критерии оценки под конкретного пользователя.\nНаучная занчимость заключается в:\n- повышении объективности и точности оценки техники движений;\n- расширении научных представлений о применении методов ИИ в спортивной биомеханике;\n- формировании базы знаний и алгоритмических решений, применимые в других областях (реабилитация, эргономика, медицина труда)." } ] }, { "id": -999726237, "type": "message", "date": "2025-10-22T03:18:44", "date_unixtime": "1761092324", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "reply_to_message_id": -999726238, "text": [ { "type": "hashtag", "text": "#annotation_project_old" } ], "text_entities": [ { "type": "hashtag", "text": "#annotation_project_old" } ] }, { "id": -999726236, "type": "message", "date": "2025-10-22T03:34:20", "date_unixtime": "1761093260", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": [ { "type": "mention", "text": "@u_Vova" }, " ", { "type": "mention", "text": "@holyBogdan" }, " нужны сканы РИДов" ], "text_entities": [ { "type": "mention", "text": "@u_Vova" }, { "type": "plain", "text": " " }, { "type": "mention", "text": "@holyBogdan" }, { "type": "plain", "text": " нужны сканы РИДов" } ] }, { "id": -999726234, "type": "message", "date": "2025-10-22T03:49:40", "date_unixtime": "1761094180", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "У Натальи Николаевны узнать нужно гос регистр номера и года проведения:\n\n1) Разработка научно-теоретических основ создания роботизированных компьютерно-аппаратно-механических комплексов, способных к восприятию и переработке звуковой, сетевой, визуальной и речевой информации;\n\n\n2. Разработка методов распознавания слитно произнесённых фраз на основе пофонемного анализа речи", "text_entities": [ { "type": "plain", "text": "У Натальи Николаевны узнать нужно гос регистр номера и года проведения:\n\n1) Разработка научно-теоретических основ создания роботизированных компьютерно-аппаратно-механических комплексов, способных к восприятию и переработке звуковой, сетевой, визуальной и речевой информации;\n\n\n2. Разработка методов распознавания слитно произнесённых фраз на основе пофонемного анализа речи" } ] }, { "id": -999726231, "type": "message", "date": "2025-10-22T03:54:26", "date_unixtime": "1761094466", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "Вроде такого, ток ещё годы нужны начала и конца «Исследование и разработка методов семантического анализа и интерпретации потоков данных интеллектктуальнымисистемами», № госрегистрации 0118D000003, УтУтверждена приказом Министерства образования и науки ДНР № 1272от 27.11.2017", "text_entities": [ { "type": "plain", "text": "Вроде такого, ток ещё годы нужны начала и конца «Исследование и разработка методов семантического анализа и интерпретации потоков данных интеллектктуальнымисистемами», № госрегистрации 0118D000003, УтУтверждена приказом Министерства образования и науки ДНР № 1272от 27.11.2017" } ] }, { "id": -999726200, "type": "message", "date": "2025-10-22T09:11:02", "date_unixtime": "1761113462", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": [ { "type": "mention", "text": "@u_Vova" }, " ", { "type": "mention", "text": "@holyBogdan" }, " сколько статей и тезисов тоже напишите" ], "text_entities": [ { "type": "mention", "text": "@u_Vova" }, { "type": "plain", "text": " " }, { "type": "mention", "text": "@holyBogdan" }, { "type": "plain", "text": " сколько статей и тезисов тоже напишите" } ] }, { "id": -999726199, "type": "message", "date": "2025-10-22T09:11:39", "date_unixtime": "1761113499", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "Угарнул с Владимира, в графе соответствие кадрового состава написал \"Соответствуют\" 😭", "text_entities": [ { "type": "plain", "text": "Угарнул с Владимира, в графе соответствие кадрового состава написал \"Соответствуют\" 😭" } ] }, { "id": -999726183, "type": "message", "date": "2025-10-22T09:16:11", "date_unixtime": "1761113771", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "forwarded_from": "Yaroslav Pikalyov", "forwarded_from_id": "user629128386", "file": "(File not included. Change data exporting settings to download.)", "file_name": "Редактирование форм заявки (1).pdf", "file_size": 916834, "mime_type": "application/pdf", "text": "", "text_entities": [] }, { "id": -999726182, "type": "message", "date": "2025-10-22T09:16:42", "date_unixtime": "1761113802", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": [ { "type": "mention", "text": "@u_Vova" }, " можете, если хотите редактировать в форме там...\nЯ если что засейвил" ], "text_entities": [ { "type": "mention", "text": "@u_Vova" }, { "type": "plain", "text": " можете, если хотите редактировать в форме там...\nЯ если что засейвил" } ] }, { "id": -999726181, "type": "message", "date": "2025-10-22T09:16:45", "date_unixtime": "1761113805", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "reply_to_message_id": -999726183, "text": "Вот", "text_entities": [ { "type": "plain", "text": "Вот" } ] }, { "id": -999726180, "type": "message", "date": "2025-10-22T09:20:27", "date_unixtime": "1761114027", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "Из списка необходимого оборудования вычеркните доп станцию машинного обучения, я забыл что здесь бюджет ограничен", "text_entities": [ { "type": "plain", "text": "Из списка необходимого оборудования вычеркните доп станцию машинного обучения, я забыл что здесь бюджет ограничен" } ] }, { "id": -999726164, "type": "message", "date": "2025-10-22T10:03:49", "date_unixtime": "1761116629", "from": "Богдан Павленко", "from_id": "user636286691", "reply_to_message_id": -999726234, "text": "Года проведения этих тем? Или чем являются эти 2 пункта?", "text_entities": [ { "type": "plain", "text": "Года проведения этих тем? Или чем являются эти 2 пункта?" } ] }, { "id": -999726154, "type": "message", "date": "2025-10-22T10:08:27", "date_unixtime": "1761116907", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "reply_to_message_id": -999726231, "text": "Что тут непонятного", "text_entities": [ { "type": "plain", "text": "Что тут непонятного" } ] }, { "id": -999726153, "type": "message", "date": "2025-10-22T10:08:54", "date_unixtime": "1761116934", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "photo": "photos/photo_18@22-10-2025_10-08-54.jpg", "photo_file_size": 146343, "width": 1112, "height": 759, "text": "", "text_entities": [] }, { "id": -999726152, "type": "message", "date": "2025-10-22T10:09:11", "date_unixtime": "1761116951", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "И год начала и конца каждой", "text_entities": [ { "type": "plain", "text": "И год начала и конца каждой" } ] }, { "id": -999726140, "type": "message", "date": "2025-10-22T10:35:33", "date_unixtime": "1761118533", "from": "Владимир Устенко", "from_id": "user356138812", "reply_to_message_id": -999726236, "file": "(File not included. Change data exporting settings to download.)", "file_name": "2024692389.eod.pdf", "file_size": 874502, "mime_type": "application/pdf", "text": "", "text_entities": [] }, { "id": -999726139, "type": "message", "date": "2025-10-22T10:37:19", "date_unixtime": "1761118639", "from": "Владимир Устенко", "from_id": "user356138812", "reply_to_message_id": -999726200, "text": "5 тезисов 2 статьи", "text_entities": [ { "type": "plain", "text": "5 тезисов 2 статьи" } ] }, { "id": -999726138, "type": "message", "date": "2025-10-22T10:40:07", "date_unixtime": "1761118807", "from": "Богдан Павленко", "from_id": "user636286691", "reply_to_message_id": -999726200, "text": "3 статьи, 3 тезисов", "text_entities": [ { "type": "plain", "text": "3 статьи, 3 тезисов" } ] }, { "id": -999726116, "type": "service", "date": "2025-10-22T13:23:19", "date_unixtime": "1761128599", "actor": "Валерия", "actor_id": "user634177629", "action": "join_group_by_link", "inviter": "Group", "text": "", "text_entities": [] }, { "id": -999726115, "type": "service", "date": "2025-10-22T13:23:49", "date_unixtime": "1761128629", "actor": "Владимир Устенко", "actor_id": "user356138812", "action": "migrate_to_supergroup", "text": "", "text_entities": [] }, { "id": 1, "type": "service", "date": "2025-10-22T13:23:49", "date_unixtime": "1761128629", "actor": "Грант Качалка", "actor_id": "channel3137561705", "action": "migrate_from_group", "title": "Грант Качалка", "text": "", "text_entities": [] }, { "id": 2, "type": "service", "date": "2025-10-22T13:24:08", "date_unixtime": "1761128648", "actor": "Валерия", "actor_id": "user634177629", "action": "remove_members", "members": [ "Валерия" ], "text": "", "text_entities": [] }, { "id": 3, "type": "service", "date": "2025-10-22T13:24:34", "date_unixtime": "1761128674", "actor": "Владимир Устенко", "actor_id": "user356138812", "action": "remove_members", "members": [ "Валерия" ], "text": "", "text_entities": [] }, { "id": 4, "type": "message", "date": "2025-10-22T15:26:07", "date_unixtime": "1761135967", "from": "Владимир Устенко", "from_id": "user356138812", "text": "Методы и подходы для пункта 4.6", "text_entities": [ { "type": "plain", "text": "Методы и подходы для пункта 4.6" } ] }, { "id": 5, "type": "message", "date": "2025-10-22T15:34:27", "date_unixtime": "1761136467", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": [ "Научный коллектив проекта располагает подтверждённым заделом в области искусственного интеллекта, машинного обучения и компьютерного зрения, сформированным в рамках выполнения фундаментальной НИР ФГБНУ «ИПИИ» (код FREN-2024-0002, № госрегистрации 124061400003-5) «Извлечение семантической информации из изображений для автономных систем навигации беспилотных летательных аппаратов» (2024 – 2026 гг.).\n\nВ ходе исследований разработаны:\n– методика формирования сбалансированных аннотированных наборов данных для задач распознавания объектов и построения семантических графов сцен;\n– архитектуры нейронных сетей для обнаружения объектов в реальном времени и перекрёстной геолокализации по данным БПЛА и спутников;\n– инструментарий для автоматизированного аннотирования данных и интерпретации мультимодальных потоков информации;\n– методы построения триплетных моделей распознавания и генерации графов сцен, применимые в системах автономной навигации и распознавания действий человека.\n\nКоллектив имеет опыт выполнения НИР в области анализа изображений, распознавания речи и семантической интерпретации данных. Результаты отражены в публикациях в изданиях РИНЦ, Scopus, WOS и включают работы по разработке методов классификации изображений, языковых моделей, распознавания слитной речи и автоматической генерации транскрипций.\n\nКлючевые публикации:\n– Пикалёв Я. С., Ермоленко Т. В. On the Issue of Continuous Speech Recognition // Integral Robot Technologies and Speech Behavior. – 2024. – P. 155–180. ISBN ", { "type": "phone", "text": "1-5275-5436-8" }, ".\n– Bondarchuk V. V., Kravchenko N. M., Pikalyov Ya. S. Indirect Criteria Algorithm for the Control of a Cognitive Neural Network // Practice Oriented Science: UAE – Russia – India. – 2024. – DOI 10.34660/INF.2024.32.41.030.\n– Пикалёв Я. С., Ермоленко Т. В. Система автоматического распознавания слитной русской речи на основе глубоких нейросетей // Речевые технологии. – 2021. – № 1–2. – С. 3–18.\n\n– Бондаренко В. И., Ермоленко Т. В. Анализ эффективности глубоких языковых моделей для задачи определения тональности русскоязычных текстов // Проблемы искусственного интеллекта. – 2024. – № 1(32). – С. 51–62.\n\nИмеются результаты интеллектуальной деятельности:\n– № ", { "type": "phone", "text": "2024692488" }, " — Программный комплекс для аннотирования данных (Устенко В. Ю.);\n– № ", { "type": "phone", "text": "2024693206" }, " — Программный комплекс для автоматизированного сбора аэрофотоснимков (Павленко Б. В.).\n\nНаучный коллектив регулярно представляет результаты на международных конференциях «Искусственный интеллект: теоретические аспекты и практическое применение» (2020 – 2024) и «Донецкие чтения» (2017 – 2024), что способствует укреплению научной школы ФГБНУ «ИПИИ» в области ИИ.\n\n\nСовокупность накопленных теоретических и практических результатов — в том числе методов распознавания образов, мультимодальной интеграции и разработки нейронных архитектур — обеспечивает высокий уровень готовности к реализации проекта SmartRep, направленного на применение технологий компьютерного зрения и нечёткой логики для анализа движений человека." ], "text_entities": [ { "type": "plain", "text": "Научный коллектив проекта располагает подтверждённым заделом в области искусственного интеллекта, машинного обучения и компьютерного зрения, сформированным в рамках выполнения фундаментальной НИР ФГБНУ «ИПИИ» (код FREN-2024-0002, № госрегистрации 124061400003-5) «Извлечение семантической информации из изображений для автономных систем навигации беспилотных летательных аппаратов» (2024 – 2026 гг.).\n\nВ ходе исследований разработаны:\n– методика формирования сбалансированных аннотированных наборов данных для задач распознавания объектов и построения семантических графов сцен;\n– архитектуры нейронных сетей для обнаружения объектов в реальном времени и перекрёстной геолокализации по данным БПЛА и спутников;\n– инструментарий для автоматизированного аннотирования данных и интерпретации мультимодальных потоков информации;\n– методы построения триплетных моделей распознавания и генерации графов сцен, применимые в системах автономной навигации и распознавания действий человека.\n\nКоллектив имеет опыт выполнения НИР в области анализа изображений, распознавания речи и семантической интерпретации данных. Результаты отражены в публикациях в изданиях РИНЦ, Scopus, WOS и включают работы по разработке методов классификации изображений, языковых моделей, распознавания слитной речи и автоматической генерации транскрипций.\n\nКлючевые публикации:\n– Пикалёв Я. С., Ермоленко Т. В. On the Issue of Continuous Speech Recognition // Integral Robot Technologies and Speech Behavior. – 2024. – P. 155–180. ISBN " }, { "type": "phone", "text": "1-5275-5436-8" }, { "type": "plain", "text": ".\n– Bondarchuk V. V., Kravchenko N. M., Pikalyov Ya. S. Indirect Criteria Algorithm for the Control of a Cognitive Neural Network // Practice Oriented Science: UAE – Russia – India. – 2024. – DOI 10.34660/INF.2024.32.41.030.\n– Пикалёв Я. С., Ермоленко Т. В. Система автоматического распознавания слитной русской речи на основе глубоких нейросетей // Речевые технологии. – 2021. – № 1–2. – С. 3–18.\n\n– Бондаренко В. И., Ермоленко Т. В. Анализ эффективности глубоких языковых моделей для задачи определения тональности русскоязычных текстов // Проблемы искусственного интеллекта. – 2024. – № 1(32). – С. 51–62.\n\nИмеются результаты интеллектуальной деятельности:\n– № " }, { "type": "phone", "text": "2024692488" }, { "type": "plain", "text": " — Программный комплекс для аннотирования данных (Устенко В. Ю.);\n– № " }, { "type": "phone", "text": "2024693206" }, { "type": "plain", "text": " — Программный комплекс для автоматизированного сбора аэрофотоснимков (Павленко Б. В.).\n\nНаучный коллектив регулярно представляет результаты на международных конференциях «Искусственный интеллект: теоретические аспекты и практическое применение» (2020 – 2024) и «Донецкие чтения» (2017 – 2024), что способствует укреплению научной школы ФГБНУ «ИПИИ» в области ИИ.\n\n\nСовокупность накопленных теоретических и практических результатов — в том числе методов распознавания образов, мультимодальной интеграции и разработки нейронных архитектур — обеспечивает высокий уровень готовности к реализации проекта SmartRep, направленного на применение технологий компьютерного зрения и нечёткой логики для анализа движений человека." } ] }, { "id": 6, "type": "message", "date": "2025-10-22T15:35:21", "date_unixtime": "1761136521", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "Научный коллектив проекта имеет большой опыт реализации научных проектов, связанных с разработкой\nспециализированного программного обеспечения с применением математического моделирования для\nпромышленного производства. Основные результаты по данной тематике отражены в публикациях [1-7].\nПрименение методов машинного обучения в задачах управления и принятия решений в хозяйственной деятельности и\nмедицине отражено в работах членов научного коллектива [8-9], [15-18]. В рамках этих исследований разработаны\nпредсказательные модели энергопотребления на предприятиях угольной промышленности, использующие\nавтокорреляционные методы, модели оценки вероятности появления ДТП, основанные на методах машинного\nобучения, обоснован метод, использующий ResNet и API-Net, для классификации товаров, имеющих похожие упаковки.\nАвторами проекта разработана методика обработки и структурирования данных фондового рынка для использования\nпрогностических моделей машинного обучения\nЗадел коллектива проекта в направлении тематики технического зрения и распознавания изображений в режиме\nреального времени отражен, в частности, в публикациях [13-14], [17, 20,21]. Исследованы возможности использования\nглубоких нейронных сетей для задачи классификации изображений на устройствах с ограниченной вычислительной\nмощностью.\nТакже авторами проекта ведется активная работа в области применения искусственного интеллекта, глубокого\nобучения в задачах обработки естественного языка [10-12] и распознавания речи [19, 22].\nНаучный коллектив имеет опыт организации и проведения научных мероприятий: международных научных\nконференций \"Донецкие чтения: образование, наука, инновации, культура и вызовы современности\" (2017-2024);\nмеждународных научных круглых столов \"Искусственный интеллект: теоретические аспекты, практическое\nприменение\" (2020-2024).\nЗаявка № 25-21-20602 Страница 22 из 27\nСписок источников:\n1. Бондаренко В.И. Программная система для моделирования процесса тепломассопереноса при разливке и\nзатвердевании стали / В.И. Бондаренко // Вестник Донецкого национального университета. Серия А. Естественные\nнауки. – 2009. – № 2. – С. 103-110.\n2. Программный продукт «Математическое моделирование гидродинамических и теплообменных процессов в\nстальных слитках» / Ф.В. Недопекин, В.В. Белоусов, В.И. Бондаренко, В.М. Кондратенко. – Украина: Свидетельство о\nрегистрации авторского права на произведение №47898, 2013.\n3. Бондаренко В.И. Математическое обеспечение и компьютерные технологии для моделирования гидродинамических\nи теплофизических процессов в металлургии: Монография / В.И. Бондаренко, В.Ф. Комаров, Ф.В. Недопекин, В.М.\nМелихов, В.В. Белоусов. – Донецк: Юго-Восток, 2013. – 210 с.\n4. Bondarenko V.I. Visualization of Process of Wheel Steel High Ingots Simulation / V.I. Bondarenko, V. V Bodryaga, F. V\nNedopekin, V. V Belousov // IOP Conference Series: Materials Science and Engineering. – 2017. – Т. 287.\n5. Bondarenko V.I. Using MVC pattern in the software development to simulate production of high cylindrical steel ingots / V.I.\nBondarenko, V.V. Bilousov, F.V. Nedopekin, V.V. Bodriaha, L.V. Antropova // Journal of Crystal Growth. – 2019. – Т. 526. – С.\n125240.\n6. Винник А.О. Программный комплекс мониторинга энергопотребления на предприятиях угольной промышленности /\nА.О. Винник, А.-А.М. Мартыненко, В.И. Бондаренко // Вестник Донецкого национального университета. Серия Г.\nТехнические науки. – 2021. – № 2. – С. 33-38.\n7. Бондаренко В.И. Разработка и реализация макета бионического протеза кисти руки / В.И. Бондаренко, А.И.\nГорбатенкова // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2022. – № 4. – С. 27-\n32.\n8. Беспалова С.В. Построение регрессионных моделей режимов работы водораспределительных сетей с помощью\nметодов регуляризации и анализа главных компонент / С.В. Беспалова, С.М. Романчук, Т.В. Ермоленко, В.И. Бондаренко\n// Информатика и кибернетика. – 2019. – Т. 2 (16). – С. 35-49.\n9. Беспалова С.В. Построение предсказательных моделей параметров давления воды в водораспределительных сетях с", "text_entities": [ { "type": "plain", "text": "Научный коллектив проекта имеет большой опыт реализации научных проектов, связанных с разработкой\nспециализированного программного обеспечения с применением математического моделирования для\nпромышленного производства. Основные результаты по данной тематике отражены в публикациях [1-7].\nПрименение методов машинного обучения в задачах управления и принятия решений в хозяйственной деятельности и\nмедицине отражено в работах членов научного коллектива [8-9], [15-18]. В рамках этих исследований разработаны\nпредсказательные модели энергопотребления на предприятиях угольной промышленности, использующие\nавтокорреляционные методы, модели оценки вероятности появления ДТП, основанные на методах машинного\nобучения, обоснован метод, использующий ResNet и API-Net, для классификации товаров, имеющих похожие упаковки.\nАвторами проекта разработана методика обработки и структурирования данных фондового рынка для использования\nпрогностических моделей машинного обучения\nЗадел коллектива проекта в направлении тематики технического зрения и распознавания изображений в режиме\nреального времени отражен, в частности, в публикациях [13-14], [17, 20,21]. Исследованы возможности использования\nглубоких нейронных сетей для задачи классификации изображений на устройствах с ограниченной вычислительной\nмощностью.\nТакже авторами проекта ведется активная работа в области применения искусственного интеллекта, глубокого\nобучения в задачах обработки естественного языка [10-12] и распознавания речи [19, 22].\nНаучный коллектив имеет опыт организации и проведения научных мероприятий: международных научных\nконференций \"Донецкие чтения: образование, наука, инновации, культура и вызовы современности\" (2017-2024);\nмеждународных научных круглых столов \"Искусственный интеллект: теоретические аспекты, практическое\nприменение\" (2020-2024).\nЗаявка № 25-21-20602 Страница 22 из 27\nСписок источников:\n1. Бондаренко В.И. Программная система для моделирования процесса тепломассопереноса при разливке и\nзатвердевании стали / В.И. Бондаренко // Вестник Донецкого национального университета. Серия А. Естественные\nнауки. – 2009. – № 2. – С. 103-110.\n2. Программный продукт «Математическое моделирование гидродинамических и теплообменных процессов в\nстальных слитках» / Ф.В. Недопекин, В.В. Белоусов, В.И. Бондаренко, В.М. Кондратенко. – Украина: Свидетельство о\nрегистрации авторского права на произведение №47898, 2013.\n3. Бондаренко В.И. Математическое обеспечение и компьютерные технологии для моделирования гидродинамических\nи теплофизических процессов в металлургии: Монография / В.И. Бондаренко, В.Ф. Комаров, Ф.В. Недопекин, В.М.\nМелихов, В.В. Белоусов. – Донецк: Юго-Восток, 2013. – 210 с.\n4. Bondarenko V.I. Visualization of Process of Wheel Steel High Ingots Simulation / V.I. Bondarenko, V. V Bodryaga, F. V\nNedopekin, V. V Belousov // IOP Conference Series: Materials Science and Engineering. – 2017. – Т. 287.\n5. Bondarenko V.I. Using MVC pattern in the software development to simulate production of high cylindrical steel ingots / V.I.\nBondarenko, V.V. Bilousov, F.V. Nedopekin, V.V. Bodriaha, L.V. Antropova // Journal of Crystal Growth. – 2019. – Т. 526. – С.\n125240.\n6. Винник А.О. Программный комплекс мониторинга энергопотребления на предприятиях угольной промышленности /\nА.О. Винник, А.-А.М. Мартыненко, В.И. Бондаренко // Вестник Донецкого национального университета. Серия Г.\nТехнические науки. – 2021. – № 2. – С. 33-38.\n7. Бондаренко В.И. Разработка и реализация макета бионического протеза кисти руки / В.И. Бондаренко, А.И.\nГорбатенкова // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2022. – № 4. – С. 27-\n32.\n8. Беспалова С.В. Построение регрессионных моделей режимов работы водораспределительных сетей с помощью\nметодов регуляризации и анализа главных компонент / С.В. Беспалова, С.М. Романчук, Т.В. Ермоленко, В.И. Бондаренко\n// Информатика и кибернетика. – 2019. – Т. 2 (16). – С. 35-49.\n9. Беспалова С.В. Построение предсказательных моделей параметров давления воды в водораспределительных сетях с" } ] }, { "id": 7, "type": "message", "date": "2025-10-22T15:35:21", "date_unixtime": "1761136521", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "text": "помощью методов машинного обучения / С.В. Беспалова, С.М. Романчук, Т.В. Ермоленко, В.И. Бондаренко // Проблемы\nискусственного интеллекта. – 2019. – Т. 2(13). – С. 24-38.\n10. Бондаренко В.И. Классификация научных текстов с помощью методов глубокого машинного обучения / В.И.\nБондаренко // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2021. – № 3. – С. 69-\n77.\n11. Ермоленко Т.В. Разработка алгоритмов и языковых моделей для мультиязычной системы автоматического\nаннотирования текстов разных жанров / Т.В. Ермоленко, В.И. Бондаренко, Я.C. Пикалёв // Вестник Донецкого\nнационального университета. Серия Г. Технические науки. – 2023. – № 2. – С. 22-42.\n12. Бондаренко В.И. Анализ эффективности глубоких языковых моделей для задачи определения тональности\nрусскоязычных текстов / В.И. Бондаренко, В.О. Елисеев, Т.В. Ермоленко // Проблемы искусственного интеллекта. –\n2024. – № 1 (32). – С. 51-62.\n13. Павленко Б.В. Использование модели YOLO в современных задачах распознавания в реальном времени на примере\nвоенной и космической отраслей / Б.В. Павленко, В.И. Бондаренко, А.-А.М. Мартыненко // Вестник Донецкого\nгосударственного университета. Серия Г: Технические Науки. – 2023. – № 4. – С. 55-65.\n14. Бондаренко В.И. Применение методов глубокого обучения для повышения качества изображения / В.И.\nБондаренко, А.В. Федчук // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2022. – №\n4. – С. 39-44.\n15. Ермоленко Т.В. Исследование эффективности предсказательных моделей для системы анализа и мониторинга\nэнергопотребления на предприятиях угольной промышленности / Т.В. Ермоленко, В.Н. Котенко, А.О. Винник А.О. //\nПроблемы искусственного интеллекта. 2022. № 4 (27). С. 25-34.\n16. Конончук Э.В. Модели машинного обучения для оценки вероятности появления ДТП и его серьезности / Э.В.\nКонончук. Т.В. Ермоленко Т.В., Т.О. Шишунов // Проблемы искусственного интеллекта. 2022. № 1 (24). С. 4-12.\n17. Ермоленко Т.В. Анализ эффективности архитектур глубоких нейросетей для классификации изображении товаров /\nТ.В. Ермоленко, И.Е. Самородский // Проблемы искусственного интеллекта. 2022. № 1 (24). С. 54-64.\n18. Ермоленко Т.В. Классификация аномалий сердцебиения с помощью глубокого обучения / Т.В. Ермоленко, Д.В. Ролик\n// Проблемы искусственного интеллекта. 2022. № 1 (24). С. 40-53.\n19. Ермоленко Т.В. Система автоматического распознавания слитной русской речи на основе глубоких нейросетей /\nТ.В. Ермоленко, Я.С. Пикалёв // Речевые технологии. 2021. № 1-2. С. 3-18.\n20. Пикалёв Я.С. О нейронных архитектурах извлечения признаков для задачи распознавания объектов на устройствах с\nЗаявка № 25-21-20602 Страница 23 из 27\nограниченной вычислительной мощностью // Я.С. Пикалёв, Т.В. Ермоленко // Проблемы искусственного интеллекта.\n2023. № 3 (30). С. 44-54.\n21. Pikalyov Ya.S. About neural architectures of feature extraction for the problem of object 1 recognition for the problem of\nobject recognition on devices with limited computing power / Ya.S. Pikalyov, T.V. Yermolenko // Вестник Томского\nгосударственного университета. Математика и механика. 2023. № 3. С. 30.\n22. Pikalyov, Ya. Chapter Five. On the Issue of Continuous Speech Recognition / Yaroslav Pikalyov, Tatyana Yermolenko //\nIntegral Robot Technologies and Speech Behavior. – 2024. – P. 155-180.", "text_entities": [ { "type": "plain", "text": "помощью методов машинного обучения / С.В. Беспалова, С.М. Романчук, Т.В. Ермоленко, В.И. Бондаренко // Проблемы\nискусственного интеллекта. – 2019. – Т. 2(13). – С. 24-38.\n10. Бондаренко В.И. Классификация научных текстов с помощью методов глубокого машинного обучения / В.И.\nБондаренко // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2021. – № 3. – С. 69-\n77.\n11. Ермоленко Т.В. Разработка алгоритмов и языковых моделей для мультиязычной системы автоматического\nаннотирования текстов разных жанров / Т.В. Ермоленко, В.И. Бондаренко, Я.C. Пикалёв // Вестник Донецкого\nнационального университета. Серия Г. Технические науки. – 2023. – № 2. – С. 22-42.\n12. Бондаренко В.И. Анализ эффективности глубоких языковых моделей для задачи определения тональности\nрусскоязычных текстов / В.И. Бондаренко, В.О. Елисеев, Т.В. Ермоленко // Проблемы искусственного интеллекта. –\n2024. – № 1 (32). – С. 51-62.\n13. Павленко Б.В. Использование модели YOLO в современных задачах распознавания в реальном времени на примере\nвоенной и космической отраслей / Б.В. Павленко, В.И. Бондаренко, А.-А.М. Мартыненко // Вестник Донецкого\nгосударственного университета. Серия Г: Технические Науки. – 2023. – № 4. – С. 55-65.\n14. Бондаренко В.И. Применение методов глубокого обучения для повышения качества изображения / В.И.\nБондаренко, А.В. Федчук // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2022. – №\n4. – С. 39-44.\n15. Ермоленко Т.В. Исследование эффективности предсказательных моделей для системы анализа и мониторинга\nэнергопотребления на предприятиях угольной промышленности / Т.В. Ермоленко, В.Н. Котенко, А.О. Винник А.О. //\nПроблемы искусственного интеллекта. 2022. № 4 (27). С. 25-34.\n16. Конончук Э.В. Модели машинного обучения для оценки вероятности появления ДТП и его серьезности / Э.В.\nКонончук. Т.В. Ермоленко Т.В., Т.О. Шишунов // Проблемы искусственного интеллекта. 2022. № 1 (24). С. 4-12.\n17. Ермоленко Т.В. Анализ эффективности архитектур глубоких нейросетей для классификации изображении товаров /\nТ.В. Ермоленко, И.Е. Самородский // Проблемы искусственного интеллекта. 2022. № 1 (24). С. 54-64.\n18. Ермоленко Т.В. Классификация аномалий сердцебиения с помощью глубокого обучения / Т.В. Ермоленко, Д.В. Ролик\n// Проблемы искусственного интеллекта. 2022. № 1 (24). С. 40-53.\n19. Ермоленко Т.В. Система автоматического распознавания слитной русской речи на основе глубоких нейросетей /\nТ.В. Ермоленко, Я.С. Пикалёв // Речевые технологии. 2021. № 1-2. С. 3-18.\n20. Пикалёв Я.С. О нейронных архитектурах извлечения признаков для задачи распознавания объектов на устройствах с\nЗаявка № 25-21-20602 Страница 23 из 27\nограниченной вычислительной мощностью // Я.С. Пикалёв, Т.В. Ермоленко // Проблемы искусственного интеллекта.\n2023. № 3 (30). С. 44-54.\n21. Pikalyov Ya.S. About neural architectures of feature extraction for the problem of object 1 recognition for the problem of\nobject recognition on devices with limited computing power / Ya.S. Pikalyov, T.V. Yermolenko // Вестник Томского\nгосударственного университета. Математика и механика. 2023. № 3. С. 30.\n22. Pikalyov, Ya. Chapter Five. On the Issue of Continuous Speech Recognition / Yaroslav Pikalyov, Tatyana Yermolenko //\nIntegral Robot Technologies and Speech Behavior. – 2024. – P. 155-180." } ] }, { "id": 8, "type": "message", "date": "2025-10-22T15:43:41", "date_unixtime": "1761137021", "from": "Богдан Павленко", "from_id": "user636286691", "text": "+ к разработанному в ходе исследований можно добавить: \nСтруктура метаданных сегментов карт навигации дрона", "text_entities": [ { "type": "plain", "text": "+ к разработанному в ходе исследований можно добавить: \nСтруктура метаданных сегментов карт навигации дрона" } ] }, { "id": 9, "type": "message", "date": "2025-10-23T14:01:40", "date_unixtime": "1761217300", "from": "Владимир Устенко", "from_id": "user356138812", "text": [ { "type": "link", "text": "https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?usp=sharing" } ], "text_entities": [ { "type": "link", "text": "https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?usp=sharing" } ] }, { "id": 10, "type": "message", "date": "2025-10-23T14:16:48", "date_unixtime": "1761218208", "from": "Владимир Устенко", "from_id": "user356138812", "text": "33. Устенко, В. Ю. Сравнение стратегий мозаичной аугментации для оценки угла крена беспилотника по изображению с камеры [Текст] / В. Ю. Устенко, Б. В. Павленко // XVIII Всероссийская мультиконференция по проблемам управления (МКПУ–2025) : материалы мультиконференции (Тула, 15 сентября – 20 сентября 2025 г.) : в 4 т. Т. 1 Робототехника и мехатроника (РиМ – 2025) / под ред. академика РАН Ф.Л. Черноусько. — Тула : Изд-во ТулГУ, 2025. — 300 с. – С. 271-0273. – ISBN 978-5-7679-5716-3, ISBN 978-5-7679-5709-5 (Т. 1)", "text_entities": [ { "type": "plain", "text": "33. Устенко, В. Ю. Сравнение стратегий мозаичной аугментации для оценки угла крена беспилотника по изображению с камеры [Текст] / В. Ю. Устенко, Б. В. Павленко // XVIII Всероссийская мультиконференция по проблемам управления (МКПУ–2025) : материалы мультиконференции (Тула, 15 сентября – 20 сентября 2025 г.) : в 4 т. Т. 1 Робототехника и мехатроника (РиМ – 2025) / под ред. академика РАН Ф.Л. Черноусько. — Тула : Изд-во ТулГУ, 2025. — 300 с. – С. 271-0273. – ISBN 978-5-7679-5716-3, ISBN 978-5-7679-5709-5 (Т. 1)" } ] }, { "id": 11, "type": "message", "date": "2025-10-23T14:16:51", "date_unixtime": "1761218211", "from": "Владимир Устенко", "from_id": "user356138812", "text": "ТУла", "text_entities": [ { "type": "plain", "text": "ТУла" } ] }, { "id": 12, "type": "message", "date": "2026-03-27T16:03:30", "date_unixtime": "1774616610", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "forwarded_from": "Machinelearning", "forwarded_from_id": "channel1114591086", "photo": "photos/photo_19@27-03-2026_16-03-30.jpg", "photo_file_size": 54246, "width": 1280, "height": 640, "text": [ { "type": "custom_emoji", "text": "🌟", "document_id": "stickers/sticker.webp" }, " ", { "type": "bold", "text": "Kimodo: диффузионная модель для генерации 3D-движений людей." }, "\n\nNVIDIA выложила в открытый доступ проект ", { "type": "text_link", "text": "Kimodo", "href": "https://github.com/nv-tlabs/kimodo" }, " - генеративную модель на основе диффузии, которая создает реалистичные трехмерные движения для человеческих и робототехнических скелетов.\n\nKimodo принимает на вход текстовые промпты и ключевые позы всего тела, позиции и вращения конечностей, двухмерные пути и контрольные точки. Это позволяет точно управлять генерацией: от общего описания наподобие \"персонаж идет и садится на стул\" до детального контроля положения рук и ног в кадрах.\n\nВсего доступно ", { "type": "text_link", "text": "5 вариантов", "href": "https://huggingface.co/collections/nvidia/kimodo-v1" }, " модели для 3 типов скелетов: ", { "type": "text_link", "text": "SOMA", "href": "https://github.com/NVlabs/SOMA-X" }, ", ", { "type": "text_link", "text": "SMPL-X", "href": "https://github.com/vchoutas/smplx" }, " и Unitree G1. Первые два ориентированы на анимацию аватаров, третий - на робота Unitree G1.\n\nМодели, обученные на полном датасете Bones Rigplay 1 (700 часов), NVIDIA рекомендует как основные рабочие.\n\nВарианты на сете ", { "type": "text_link", "text": "BONES-SEED", "href": "https://huggingface.co/datasets/bones-studio/seed" }, " (288 часов) предназначены для бенчмаркинга и сравнения с собственными разработками.\n\nДля работы с Kimodo предусмотрены 3 интерфейса:\n\n", { "type": "custom_emoji", "text": "🟢", "document_id": "video_files/sticker (1).webm" }, "Интерактивное веб-демо с таймлайн-редактором;\n", { "type": "custom_emoji", "text": "🟢", "document_id": "video_files/sticker (1).webm" }, "CLI-утилита для пакетной генерации;\n", { "type": "custom_emoji", "text": "🟢", "document_id": "video_files/sticker (1).webm" }, "Python API для тонкой настройки .\n\nПод инференс потребуется около 17 ГБ видеопамяти, модели запускали на RTX 3090, RTX 4090 и NVIDIA A100.\n\n", { "type": "custom_emoji", "text": "🟡", "document_id": "stickers/sticker (1).webp" }, " ", { "type": "bold", "text": "Интеграция с робототехническим стеком NVIDIA." }, "\n\n", { "type": "text_link", "text": "ProtoMotions", "href": "https://github.com/NVlabs/ProtoMotions" }, " позволяет брать сгенерированные движения и обучать на них физически корректные политики управления в GPU-ускоренной симуляции — как для аватаров, так и для Unitree G1.\n\nЧерез ", { "type": "text_link", "text": "General Motion Retargeting", "href": "https://github.com/YanjieZe/GMR" }, " движения, созданные на скелете SMPL-X, можно перенести на произвольных роботов.\n\n\n", { "type": "custom_emoji", "text": "📌", "document_id": "stickers/sticker (2).webp" }, "Лицензирование:\n\n", { "type": "blockquote", "text": "Код проекта под Apache 2.0, большинство моделей под NVIDIA Open Model License.\n\nВариант SMPL-X имеет более ограниченную NVIDIA R&D Model License, она допускает только исследовательское применение.", "collapsed": false }, "\n\n", { "type": "custom_emoji", "text": "🟡", "document_id": "stickers/sticker (1).webp" }, { "type": "text_link", "text": "Набор моделей", "href": "https://huggingface.co/collections/nvidia/kimodo-v1" }, "\n", { "type": "custom_emoji", "text": "🟡", "document_id": "stickers/sticker (1).webp" }, { "type": "text_link", "text": "Техотчет", "href": "https://research.nvidia.com/labs/sil/projects/kimodo/assets/kimodo_tech_report.pdf" }, "\n", { "type": "custom_emoji", "text": "🖥", "document_id": "stickers/sticker (3).webp" }, { "type": "text_link", "text": "Github", "href": "https://github.com/nv-tlabs/kimodo" }, "\n\n\n", { "type": "mention", "text": "@ai_machinelearning_big_data" }, "\n\n", { "type": "hashtag", "text": "#AI" }, " ", { "type": "hashtag", "text": "#ML" }, " ", { "type": "hashtag", "text": "#Robotics" }, " ", { "type": "hashtag", "text": "#Kimodo" }, " ", { "type": "hashtag", "text": "#NVIDIA" }, "" ], "text_entities": [ { "type": "custom_emoji", "text": "🌟", "document_id": "stickers/sticker.webp" }, { "type": "plain", "text": " " }, { "type": "bold", "text": "Kimodo: диффузионная модель для генерации 3D-движений людей." }, { "type": "plain", "text": "\n\nNVIDIA выложила в открытый доступ проект " }, { "type": "text_link", "text": "Kimodo", "href": "https://github.com/nv-tlabs/kimodo" }, { "type": "plain", "text": " - генеративную модель на основе диффузии, которая создает реалистичные трехмерные движения для человеческих и робототехнических скелетов.\n\nKimodo принимает на вход текстовые промпты и ключевые позы всего тела, позиции и вращения конечностей, двухмерные пути и контрольные точки. Это позволяет точно управлять генерацией: от общего описания наподобие \"персонаж идет и садится на стул\" до детального контроля положения рук и ног в кадрах.\n\nВсего доступно " }, { "type": "text_link", "text": "5 вариантов", "href": "https://huggingface.co/collections/nvidia/kimodo-v1" }, { "type": "plain", "text": " модели для 3 типов скелетов: " }, { "type": "text_link", "text": "SOMA", "href": "https://github.com/NVlabs/SOMA-X" }, { "type": "plain", "text": ", " }, { "type": "text_link", "text": "SMPL-X", "href": "https://github.com/vchoutas/smplx" }, { "type": "plain", "text": " и Unitree G1. Первые два ориентированы на анимацию аватаров, третий - на робота Unitree G1.\n\nМодели, обученные на полном датасете Bones Rigplay 1 (700 часов), NVIDIA рекомендует как основные рабочие.\n\nВарианты на сете " }, { "type": "text_link", "text": "BONES-SEED", "href": "https://huggingface.co/datasets/bones-studio/seed" }, { "type": "plain", "text": " (288 часов) предназначены для бенчмаркинга и сравнения с собственными разработками.\n\nДля работы с Kimodo предусмотрены 3 интерфейса:\n\n" }, { "type": "custom_emoji", "text": "🟢", "document_id": "video_files/sticker (1).webm" }, { "type": "plain", "text": "Интерактивное веб-демо с таймлайн-редактором;\n" }, { "type": "custom_emoji", "text": "🟢", "document_id": "video_files/sticker (1).webm" }, { "type": "plain", "text": "CLI-утилита для пакетной генерации;\n" }, { "type": "custom_emoji", "text": "🟢", "document_id": "video_files/sticker (1).webm" }, { "type": "plain", "text": "Python API для тонкой настройки .\n\nПод инференс потребуется около 17 ГБ видеопамяти, модели запускали на RTX 3090, RTX 4090 и NVIDIA A100.\n\n" }, { "type": "custom_emoji", "text": "🟡", "document_id": "stickers/sticker (1).webp" }, { "type": "plain", "text": " " }, { "type": "bold", "text": "Интеграция с робототехническим стеком NVIDIA." }, { "type": "plain", "text": "\n\n" }, { "type": "text_link", "text": "ProtoMotions", "href": "https://github.com/NVlabs/ProtoMotions" }, { "type": "plain", "text": " позволяет брать сгенерированные движения и обучать на них физически корректные политики управления в GPU-ускоренной симуляции — как для аватаров, так и для Unitree G1.\n\nЧерез " }, { "type": "text_link", "text": "General Motion Retargeting", "href": "https://github.com/YanjieZe/GMR" }, { "type": "plain", "text": " движения, созданные на скелете SMPL-X, можно перенести на произвольных роботов.\n\n\n" }, { "type": "custom_emoji", "text": "📌", "document_id": "stickers/sticker (2).webp" }, { "type": "plain", "text": "Лицензирование:\n\n" }, { "type": "blockquote", "text": "Код проекта под Apache 2.0, большинство моделей под NVIDIA Open Model License.\n\nВариант SMPL-X имеет более ограниченную NVIDIA R&D Model License, она допускает только исследовательское применение.", "collapsed": false }, { "type": "plain", "text": "\n\n" }, { "type": "custom_emoji", "text": "🟡", "document_id": "stickers/sticker (1).webp" }, { "type": "text_link", "text": "Набор моделей", "href": "https://huggingface.co/collections/nvidia/kimodo-v1" }, { "type": "plain", "text": "\n" }, { "type": "custom_emoji", "text": "🟡", "document_id": "stickers/sticker (1).webp" }, { "type": "text_link", "text": "Техотчет", "href": "https://research.nvidia.com/labs/sil/projects/kimodo/assets/kimodo_tech_report.pdf" }, { "type": "plain", "text": "\n" }, { "type": "custom_emoji", "text": "🖥", "document_id": "stickers/sticker (3).webp" }, { "type": "text_link", "text": "Github", "href": "https://github.com/nv-tlabs/kimodo" }, { "type": "plain", "text": "\n\n\n" }, { "type": "mention", "text": "@ai_machinelearning_big_data" }, { "type": "plain", "text": "\n\n" }, { "type": "hashtag", "text": "#AI" }, { "type": "plain", "text": " " }, { "type": "hashtag", "text": "#ML" }, { "type": "plain", "text": " " }, { "type": "hashtag", "text": "#Robotics" }, { "type": "plain", "text": " " }, { "type": "hashtag", "text": "#Kimodo" }, { "type": "plain", "text": " " }, { "type": "hashtag", "text": "#NVIDIA" }, { "type": "plain", "text": "" } ] }, { "id": 13, "type": "message", "date": "2026-03-27T16:03:30", "date_unixtime": "1774616610", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "forwarded_from": "Machinelearning", "forwarded_from_id": "channel1114591086", "photo": "photos/photo_20@27-03-2026_16-03-30.jpg", "photo_file_size": 189983, "width": 1523, "height": 928, "text": "", "text_entities": [] }, { "id": 14, "type": "message", "date": "2026-03-27T16:03:30", "date_unixtime": "1774616610", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "forwarded_from": "Machinelearning", "forwarded_from_id": "channel1114591086", "photo": "photos/photo_21@27-03-2026_16-03-30.jpg", "photo_file_size": 223168, "width": 2560, "height": 1008, "text": "", "text_entities": [] }, { "id": 15, "type": "message", "date": "2026-03-27T16:03:30", "date_unixtime": "1774616610", "from": "Yaroslav Pikalyov", "from_id": "user629128386", "forwarded_from": "Machinelearning", "forwarded_from_id": "channel1114591086", "file": "(File not included. Change data exporting settings to download.)", "file_name": "2.mp4", "file_size": 2569197, "thumbnail": "(File not included. Change data exporting settings to download.)", "thumbnail_file_size": 11053, "media_type": "video_file", "mime_type": "video/mp4", "duration_seconds": 2, "width": 1280, "height": 722, "text": "", "text_entities": [] } ] }