Это хорошие алгоритмы, и мы их не просто используем, но и успешно развиваем. Сама по себе картинка от применения алгебраического метода лучше, конечно, не станет. Но в них можно использовать регуляризацию, и это действительно помогает. Мы первыми в свое время предложили использование нелинейного фильтра в качестве косвенного регуляризатора в алгебраике. В любом случае, алгебраические методы чрезвычайно вычислительно затратны. Мы работаем над получением высокоточных реконструкций быстрыми алгоритмами, в т.ч. комбинацией быстрого дискретного преобразования Радона и нелинейных нейросетевых сверток (доложено на международной конференции, ждем выхода просидингов). Вот это уж точно нынешний век. А обратная проекция (20-ые годы), о которой сказали вы, но не используем мы, свертка и обратная проекция (60-ые), о которой говорим мы, и алгебраические методы (Кочмарж — 37-ой, ART — 70-ый) — это все прошлый век без исключений. Что же касается Астры — спасибо, «до слез». Мы обязательно передадим ваши слова Йосту Батенбургу и Яну Сиберсу, они порадуются.
GUI делали сами, на Qt. Так как все библиотеки кроссплатформенные (и наш движок, и QT) — собираем под разные ОС (начиная с MS Windows и заканчивая ОС Эльбрус)
У нас такая стратегия продаж, мы привлекаем и конкурируем не ценой, а качеством. Вообще, это привычная практика для b2b, когда в сложном продукте есть масса нюансов и прайс без консультации может ввести в заблуждение.
Да, в какой-то мере это является следствием растрового формата. Тем не менее, в векторе или же при предобратке картинок/звуков/чего угодно чем-то проблема, вероятно, сохранится.
Нет, и вряд ли будет, так как сети будут обучать дальше, увидят ваши свежие «отравленные» фото и тогду уже и на них обучат. К тому же, вот вы, допустим, на все свои фото добавили какой-то триггер (например, штамп на лбу), мешающий классификации, а другой человек такой же триггер добавил лишь на часть своих фото, и вот уже сеть знает, что триггер не важен.
Про зашумленность, если она бывает, автомат знать должен, иначе обучающая выборка у вас была нерепрезентативная. Понимание окружающего мира, вероятно, необходимо для человека (хотя не факт, спросите нескольких знакомых, что нынче творится в мире и вряд ли услышите одинаковые ответы), но точно не обязательно в искусственном интеллекте, направленном на решение конкретной задачи.
Условно, Вы, конечно, правы. Все нейросети можно, в целом, представить как многослойный перцептрон, и многие из них используются для обработки самых разных сигналов, в том числе, изображений.
Вот только все широко используемые методы машинного обучения — это детерминированные от входа функции, и для всех них используются ограниченные выборки, а значит, перечисленные атаки опасным для них всех. Дело лишь в простоте подбора и очевидности таких атак.
Мы не используем внешних пакетов кроме EML, а версия компилятора указана в табличке, как и версия ОС. Версию EML попробуем уточнить, но мы всегда используем рекомендованную МЦСТ под тип процессора. А скорость — коллеги работают над оптимизацией своих библиотек, что похвально.
Вы абсолютно правы! Кроме прочего, мы готовим к публикации расширение формата DICOM-CT-PD, позволяющего хранение сырых данных и необходимой для реконструкции мета-информации. Что касается мгновенности обработки, то это верно только для линейных моделей реконструкции. «Безартефактные» алгоритмы бывают очень ресурсоемкими.
Для отрисовки, однозначно, лучше всего подходят GPU — они для этого созданы. А вот для вычислений все зависит от алгоритмов(упс) и часть алгоритмов хорошо «ложится» на GPU, а многие совсем нет. В своих работах мы используем ресурсы GPU, по мере необходимости и если это эффективно. Но ориентироваться только на них мы считаем глупостью.
Присланное видео и наша визуализация — это не об одном и том же. Цель нашей визуализации — мониторинг процесса реконструкции (показан на первом ролике). Цель присланного видео — показать возможности программы визуализации.
Второй же наш ролик сделан для красивой демонстрации результата реконструкции, полученного с помощью Smart Tomo Engine, скорость визуализации задана из наших представлений о прекрасном и наглядности результата.
В ужасе мы перечитали статью и комментарии. И с облегчением обнаружили, что нигде не было заявлено про «только на CPU». Мы работаем и на GPU. Наши алгоритмы хорошо параллелизуются на векторных архитектурах. Но писать тут не о чем — это технологический мэйнстрим. Вот когда появится отечественный GPU — будет, о чем написать. Или вот: мы планируем освоить еще и NPU. Как осилим — обязательно напишем, это должно быть любопытно. А на OpenCL мы возлагали очень большие надежды. Думали, что можно будет одинаково абстрагировать CPU и GPU. Но в прошлом, 2019 году он выглядел как дохлая лошадь. В этом году движение возобновилось, и мы внимательно наблюдаем, появятся ли стабильные реализации на достаточном числе платформ. Тогда и решим.
Непонятное мы готовы разъяснять, для этого и предназначен механизм комментариев. Что же касается вашей задачи, то решить ее можете только вы. Разработав ту методику, которая подходит под ваш запрос. Сравниваются ли подходы VLIW против CISC? Две архитектуры без учета частоты и тех. процесса? Два конкретных чипа? Системы, оснащенные штатными компиляторами? Ответы будут разными. Статья, как можно понять из заголовка, для поставленной вами задачи вряд ли подходит. Но, надеемся, будет одним из ориентиров. Мы готовы уточнять вводные, отвечать на вопросы. Но уж точно мы не можем за вас сделать выводы в неизвестной нам задаче.
Решая задачу с ограничениями, инженер создает продукт, обладающий конкурентными преимуществами. Инженеры производителей видеокарт работают в условиях жестких ограничений и упаковывают громадное количество АЛУ в единицу площади кремниевой пластины. Их бизнес процветает. Мы работаем с другим типом ограничений — наши продукты должны работать, по возможности, на любых платформах. Это тоже действует. А работая без ограничений ничего инновационного создать нельзя.
Вот только все широко используемые методы машинного обучения — это детерминированные от входа функции, и для всех них используются ограниченные выборки, а значит, перечисленные атаки опасным для них всех. Дело лишь в простоте подбора и очевидности таких атак.
Второй же наш ролик сделан для красивой демонстрации результата реконструкции, полученного с помощью Smart Tomo Engine, скорость визуализации задана из наших представлений о прекрасном и наглядности результата.