• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Контакты
Руководство
Заместитель декана факультета по работе со студентами Шадрина Елена Викторовна
Киселева Ирина Анатольевна
Заместитель декана факультета по учебной работе Киселева Ирина Анатольевна
Отдел сопровождения учебного процесса очных программ бакалавриата и магистратуры: Заместитель начальника отдела Емельянова Мария Максимовна

Телефон:
+7 (831) 4320089
6403
email: memelyanova@hse.ru

Отдел сопровождения учебного процесса очных программ бакалавриата и магистратуры: Заместитель начальника отдела Колдина Лилия Валерьевна

Телефон:
+7 (831) 4320089
6403
email:
lvkoldina@hse.ru

Отдел сопровождения учебного процесса очных программ бакалавриата и магистратуры: Заместитель начальника отдела Полонецкая Наталья Александровна

Телефон:
+7 (831) 2572936
6515
email: nbakulina@hse.ru

Отдел сопровождения учебного процесса по образовательной программе «Магистр по компьютерному зрению»: Начальник отдела Николаева Юлия Олеговна
Отдел сопровождения учебного процесса очных программ бакалавриата и магистратуры: Менеджер Писарева Ирина Андреевна

Телефон:
+7 (831) 4320105
6404
email:
ibarinova@hse.ru

Отдел сопровождения учебного процесса очных программ бакалавриата и магистратуры: Менеджер Мамедова Екатерина Анатольевна
Отдел сопровождения учебного процесса очных программ бакалавриата и магистратуры: Специалист по учебно-методической работе 1 категории Котина Елена Дмитриевна

Телефон:
+7 (831) 4320105
6404
email: ekotina@hse.ru

Отдел сопровождения учебного процесса очных программ бакалавриата и магистратуры: Специалист по учебно-методической работе 1 категории Шутова Нина Васильевна

Телефон: +7 (831) 257 29 36
email: nshutova@hse.ru

Факультет информатики, математики и компьютерных наук (Нижний Новгород): Менеджер Забашта Наталья Павловна

Телефон:
+7 (831) 432-00-92
6402
email: nzabashta@hse.ru

Отдел сопровождения учебного процесса по образовательной программе «Магистр по компьютерному зрению»: Специалист по учебно-методической работе 1 категории Морозова Анастасия Юрьевна

Партнеры

Бренд Lad

СберБанк для физических лиц — банковские услуги — СберБанк

Образовательные программы
Бакалаврская программа

Бизнес-информатика

4 года
Очная форма обучения
RUS+ENG
Обучение ведется на русском и частично на английском языке
Бакалаврская программа

Компьютерные науки и технологии

4 года
Очная форма обучения
160/80/3

160 бюджетных мест

80 платных мест

3 платных места для иностранцев

RUS+ENG
Обучение ведется на русском и частично на английском языке
Бакалаврская программа

Математика

4 года
Очная форма обучения
25/5/1

25 бюджетных мест

5 платных мест

1 платное место для иностранцев

RUS+ENG
Обучение ведется на русском и частично на английском языке
Бакалаврская программа

Прикладная математика и информатика

4 года
Очная форма обучения
RUS+ENG
Обучение ведется на русском и частично на английском языке
Бакалаврская программа

Программная инженерия

4 года
Очная форма обучения
RUS+ENG
Обучение ведется на русском и частично на английском языке
Бакалаврская программа

Программная инженерия (очно-заочное обучение)

4,5 года
Очно-заочная форма обучения
RUS
Обучение ведётся полностью на русском языке
Бакалаврская программа

Технологии искусственного и дополненного интеллекта

4 года
Очная форма обучения
10/40

10 бюджетных мест

40 платных мест

RUS+ENG
Обучение ведется на русском и частично на английском языке
Магистерская программа

Бизнес-информатика

2 года
Очная форма обучения
17/5/1

17 бюджетных мест

5 платных мест

1 платное место для иностранцев

RUS+ENG
Обучение ведется на русском и частично на английском языке
Магистерская программа

Интеллектуальный анализ данных

2 года
Очная форма обучения
38/5/1

38 бюджетных мест

5 платных мест

1 платное место для иностранцев

RUS+ENG
Обучение ведется на русском и частично на английском языке
Магистерская программа

Искусственный интеллект и компьютерное зрение

2 года
Очная форма обучения
Онлайн-программа
25/2

25 платных мест

2 платных места для иностранцев

ENG
Обучение ведётся полностью на английском языке
Магистерская программа

Математика

2 года
Очная форма обучения
12/5/2

12 бюджетных мест

5 платных мест

2 платных места для иностранцев

ENG
Обучение ведётся полностью на английском языке
Книга
Мой Гринес

Н. Новгород: НИУ ВШЭ - Нижний Новгород, 2024.

Глава в книге
История математики: научная дисциплина или беллетристика?

Полотовский Г. М.

В кн.: IV Конференция математических центров России. Сборник тезисов. 2024. С. 120-120.

Как по фотографиям понять человека

Создан алгоритм, определяющий предпочтения пользователей смартфоновИсследователи из НИУ ВШЭ в Нижнем Новгороде и Санкт-Петербургского отделения Математического института им. В. А. Стеклова РАН разработали новый способ прогнозирования предпочтений пользователей мобильных устройств. В основе работы рекомендательных систем лежат алгоритмы, моделирующие пользовательское поведение, исходя из той информации, которая указана в профиле человека. Традиционные рекомендательные системы используют только структурированные и текстовые данные — новая модель использует фотографии.

Как по фотографиям понять человека

Авторы статьи (Савченко А.В. - академический руководитель магистратуры по компьютерному зрению НИУ ВШЭ, Гречихин И.С. - преподаватель магистратуры по компьютерному зрению НИУ ВШЭ,  Демочкин К.В ) предложили метод, который позволяет быстро находить объекты, лица и определенные сцены и с высокой точностью распознавать события на фотографиях за счет одновременного анализа визуальных признаков и классификации найденных объектов с помощью нейронных сетей небольшого размера, специально разработанных для мобильных устройств. На обработку одной фотографии в них уходит от 30 до 100 мс.

За распознавание объектов и лиц отвечает детектор объектов, за определение сцен — вторая нейронная сеть-классификатор. В исследовании использовались наборы данных — PEC (Photo Event Collection) и WIDER (Web Image Dataset for Event Recognition). PEC содержит 14 классов сцен (дни рождения, свадьбы, праздники и др.), WIDER — 61 класс (встречи, танцы, пресс-конференции и др.).

Определение сцен позволяет извлечь информацию о предпочтениях человека, таких как искусство и театры, ночная жизнь, спорт. А детектор объектов может распознавать продукты питания, музыкальные инструменты, транспортные средства и другое, а также по лицам людей проводить анализ демографии (возраст, семья) и определять социальное положение. Все найденные на фотографиях лица проходят кластеризацию: алгоритм группирует в отдельные кластеры лицо каждого человека (самого пользователя на селфи, его родных и близких). Затем все фотографии с лицами помечаются как приватные (содержащие персональную информацию о пользователе и его знакомых), а остальные фотографии (в том числе и без лиц) — как потенциально общедоступные.

Таким образом предусматривается защита персональных данных: все приватные фото и видео обрабатываются только на телефоне в автономном режиме. Другие фотографии могут быть отправлены на удаленный сервер для классификации сцен и обнаружения объектов с помощью вычислительно сложных нейронных сетей, которые характеризуются высокой точностью.

Предлагаемое решение реализовано в мобильном приложении для операционной системы Android. Экспериментальные результаты показывают возможность эффективной обработки изображений с улучшением точности на 2–12% по сравнению с аналогами за счет того, что учитываются сцены и объекты одновременно.

Цифровой профиль человека сохраняется в виде гистограммы интересов, на основе которой могут работать рекомендательные системы. Например, ученые уже разработали рекомендательную систему ресторанов. На основании местоположения и информации о предпочтениях в еде система предлагает топ-10 ресторанов, которые соответствуют профилю пользователя и у которых максимальный средний рейтинг.

В будущем алгоритм может использоваться для персонализации сервисов и услуг, а также максимально подходящих под конкретного человека рекомендаций. 


 Андрей Савченко, профессор кафедры информационных систем и технологий факультета информатики, математики и компьютерных наук НИУ ВШЭ в Нижнем Новгороде:

— Зачем вообще нужно определять предпочтения пользователей?

— Предпочтения пользователя нужно определять для любой рекомендательной системы, чтобы рекомендовать ему то, что потенциально понравится, и не рекомендовать то, что не нравится или нерелевантно. Например, детские товары людям без детей. Большинство рекомендательных систем основаны на опыте взаимодействия с пользователем: какие фильмы смотрел или искал, билеты куда покупал и т. п. В противном случае возникает проблема «холодного старта», когда о пользователе ничего неизвестно. В нашей статье мы предположили, что для анализа на мобильном телефоне доступна галерея фотографий, из которых мы и извлекаем предпочтения в области посещения спортивных мероприятий, музеев, конференций, достопримечательностей, ресторанов, а также демографическую информацию — пол / возраст пользователя, информацию о его родственниках / детях.

— Как работает новый алгоритм для определения предпочтений?

— Алгоритм непосредственно на телефоне обрабатывает каждое фото и видео в галерее, и на первом шаге находит все лица. Для найденных лиц осуществляется их группировка (кластеризация), для лиц, представленных на большом числе фотографий, предсказывается пол и возраст, находится лицо пользователя (на большом числе селфи), строятся связи между найденными лицами (супруги, дети, родители, друзья / родственники). Выделяются потенциально «публичные» фото, на которых нет лиц и другой персональной информации (сканы документов и т. п.). Далее все персональные фотографии и видео обрабатываются непосредственно на мобильном устройстве пользователя, а «публичные» фото могут быть отправлены при наличии разрешения пользователя на удаленный вычислительный сервер, на котором происходит обработка более сложными и точными нейросетевыми моделями, которые нельзя запустить на мобильном телефоне. После обработки на сервере фото и видео сразу удаляются.

Обработка обоих видов данных (персональных и публичных), по сути, отличается только вычислительной сложностью применяемых алгоритмов и включает в себя: 1) распознавание типа «сцены» (футбол, хоккей, музей, улица, пляж, ресторан и т. п.— чуть меньше 400 различных категорий); 2) нахождение объектов на фото и видео (различные музыкальные инструменты — гитара, скрипка… спортивный инвентарь — бейсбольная бита, баскетбольный мяч… еда — различные фрукты, овощи, пирожные, бутылки вина и т. п., а также другие предметы, которые потенциально отражают какие-то предпочтения, например, картины — всего около 150 объектов); 3) определение типа «события» (день рождения, выпускной, свадьба, праздники — Рождество, Пасха, Масленица и т. п.— около 80 событий). Для последней задачи ввиду ее сложности применяется специальное представление изображений на основе выделения характерных признаков сцен и представленных объектов. Далее подсчитываются наиболее часто встречающиеся категории для примерно десяти различных групп предпочтений (еда, спорт, «на улице», «в помещении», дети, транспорт и т. п.). Частота встречаемости каждой категории и представляет собой «профиль интересов пользователей». Чуть позже подготовки исходной статьи в журнале Pattern Recognition сделан пример использования для рекомендации ресторанов, при этом в профиле собираются различные виды кухни (итальянская, китайская, японская, фастфуд и т. п.), после чего для заданной локации пользователю предлагается несколько соответствующих кафе / ресторанов с наивысшим рейтингом.

— Чем он отличается от привычных нам «старых» алгоритмов?

— Основная новизна работы — высокоточный, но при этом быстрый алгоритм распознавания сложных «событий» по фотографиям, который использует различные представления входного изображения после распознавания сцен и детектирования объектов. Кроме того, новизну представляет алгоритм разделения фотографий и видео на персональные и потенциально публичные, использование которого позволяет существенно улучшить точность определения некоторых категорий. Наконец, для практики представляет интерес сама реализация, которая в основном доступна всем желающим разработчикам рекомендательных систем и, по неофициальной информации, стала базовой версией в исследовательских продуктах ряда компаний. Стоит отметить, что работа осуществлялась в рамках проекта компании Samsung, при этом исходная статья была отправлена в редакцию в конце 2019 года, поэтому стоит сравнивать именно с системами тех лет.

— Безопасно ли иметь такой цифровой профиль?

— Вопросы безопасности, безусловно, важны. В нашей системе пользователь может полностью запретить пересылку фото и видео на вычислительные серверы, обрабатывать все на самом мобильном устройстве, при этом собранный профиль содержит только агрегированную информацию о пользователе, а не, например, сами «сырые» данные — исходные фото и видео. Профиль пользователя может использоваться рекомендательными системами на самом телефоне, без передачи его в «облако». Наконец, был реализован и прототип системы, который обрабатывает только публичные фотографии, выложенные пользователями в одну из социальных сетей. В статье приведены примеры, в которых собираемые профили для ряда примеров (известные спортсмены, путешественники, художники, повара, балерины, а также сообщества — сети рок-групп, театров и т. п.) показали разумные результаты.

— Есть ли в этой сфере какие-то законы, регулирующие использование этой информации?

— Подробно с законодательством различных стран исследовательская группа незнакома, но можем предположить, что в самом строгом с точки зрения безопасности варианте использования, описанном в п. 4, использованием нашего алгоритма возможно при соблюдении любых разумных законов. Отметим, что некоторые части нашего решения (распознавание пола, возраста и демографии, а также вычислительно эффективный алгоритм распознавания изображений) были запатентованы компанией Samsung в РФ и США, что предполагает интерес в их практической реализации как минимум при учете законодательства на момент работы (2018–2020 годов).


Источник: «Коммерсантъ»