Заместитель начальника подразделения
Борис Вишняков
Заместитель начальника подразделения «Системы интеллектуального анализа данных, технического зрения, улучшенного и синтезированного видения» в части направлений «искусственный интеллект» и «анализ данных» ФГУП «ГосНИИАС»
Биография
Родился в 1984 году в Москве, в 2006 году окончил МАИ (национальный исследовательский университет) с красным дипломом по специальности математик-инженер. В 2009 году защитил кандидатскую диссертацию (физико-математические науки) по теме «Развитие методов детерминированного эквивалента и бутстрепа для решения задач стохастического программирования с функциями вероятности и квантили». С 2004 года работает в ФГУП «ГосНИИАС», пройдя путь от техника (2004) до инженера (2006), начальника сектора (2009), начальника лаборатории (2011) до заместителя начальника подразделения (2021). На данный момент в подчинении находится три лаборатории общей численностью более 70-ти человек: разработчиков алгоритмов, разработчиков программного обеспечения, руководителей проектов, специалистов по разметке данных, инженеров сопровождения проектов, специалистов в области продвижения и продаж программного обеспечения.
Опыт работы
Более 17 лет в сфере разработки алгоритмического программного обеспечения для решения задач технического зрения, биометрии, видеоаналитики, робототехники, обучения глубоких нейронных сетей.
Интересы
Глубокое обучение, Обучение с подкреплением, Автоматическое обучение, Техническое зрение, Робототехнические системы, Биометрия, Видеоаналитика
Награды
Стипендия президента РФ, стипендия правительства Москвы, благодарность мэра Москвы за вклад в развитие промышленности.
Языки
русский (родной), английский (С1)
Реализованные проекты
Техническое руководство в проектах:
- Автоматизированное дешифрирование аэрофотоснимков в режиме реального времени с функциями повышения качества, комплексирования изображений телевизионного и инфракрасного спектров, обнаружения объектов, привязки к карте или ортофотоплану местности, определения изменений в наблюдаемой сцене, нейросетевой семантической сегментации, нейросетевого восстановления карты высот зданий. Используемый стек: PyTorch, C++ (backend), С# WPF (frontend), Protobuf, OpenGL.: Windows.
- Cобственное кроссплатформенное биометрическое ядро, включающее набор нейросетевых алгоритмов детектирования и трекинга лица, оценки ракурса, оценки качества, пола, возраста, эмоций, усталости, детектирование наличия медицинской маски, набор сетей распознавания лица в сложных условиях с существенными перекрытиями под различные аппаратные платформы. Используемый стек: PyTorch, С++ 14/17, OpenVino, TensorRT, CUDA, MNN. ОС: Windows, Android, Linux.
- Собственное ядро адаптируемой видеоаналитики, позволяющее подгружать различные нейросетевые модули для решения задач технического зрения: от обнаружения силуэта человека до многоклассового трекинга объектов в поле зрения видеокамеры, от подсчета количества объектов определенного класса до семантической сегментации сцены. Используемый стек: PyTorch, AutoML, С++ 14/17, OpenVino, TensorRT, CUDA, MNN. ОС: Windows, Android, Linux.
- Система биометрической идентификации – клиент-серверная платформа для распознавания лиц как по данным от камер видеонаблюдения, так и по REST API запросам от внешних систем. Включает огромное число модулей как на основе кроссплатформенного биометрического ядра, так и вспомогательных, а именно модуль измерения температуры, модуль стерео-идентификации, модуль подсчета различных статистик, модуль синхронизации с внешними системами, в том числе с системами контроля и управления доступом. Используемый стек: C++ 14/17 (backend), Shared memory, .NET Core (middleware, frontend), Protobuf, REST API, Docker, OpenVino, TensorRT, CUDA, WPF, React.js. ОС: Windows, Linux.
- Программная клиент-серверная платформа обучения нейронных сетей, состоящая как из фреймворка собственной разработки, так и набора пользовательских интерфейсов для упрощения обучения. Ключевыми особенностями Платформы являются: полностью сертифицированный на недекларируемые возможности исходный код, поддержка всех российских аппаратных платформ для работы с нейросетевыми решениями, поддержка отечественных операционных систем, а также максимально упрощенный пользовательский интерфейс, обеспечивающий низкий порог вхождения специалистов по обучению нейронной сетей. В новой версии платформы разрабатывается алгоритм автоматического обучения (AutoML), который позволит производить обучение алгоритмов в несколько шагов без участия оператора. Используемый стек: C++ 14/17 (backend), React.js, Qt, PyQt, CUDA, Docker, Swarm, Slurm, Kubernetes, AutoML. ОС: Linux (backend), Windows, Linux (frontend).
- Система технического зрения для автономного робототехнического комплекса, включающая модули SLAM на основе нейросетевых детекторов и мэтчеров особых точек, модули вычисления нейросетевой глубины по ректифицированным стерео-изображениям, модули инстанс-сегментации по визуальным данным и лидарным облакам точек, модули обнаружения объектов и препятствий, модули семантической сегментации визуальных данных, модули автоматической калибровки камер и лидаров, модули построения семантической карты проходимости, модули построения комплексированной информационной модели сцены. Используемый стек: PyTorch, ROS2, Docker, Ansible, Kubernetes, С++ 14/17, OpenVino, TensorRT, CUDA. ОС: Linux.
- Системы обучения с подкреплением для поиска решений в задачах антагонистических игр, разрабатываемая как в гражданских, так и военных целях. Решены задачи обучения антропоморфного робота прямохождению и воспроизведению различных движений, задача разработки ИИ для игры в Starcraft, задача размещения специальной техники для отражения налета БПЛА. Используемый стек:PyTorch, RL.
- Система определения опасных предметов в снимках от рентгеноскопов. Содержит модули работы с данными от рентгеноскопов, модули поиска опасных предметов, а также моделирования обучающих данных для врисовки опасных предметов в рентгеновские снимки с целью создания обучающих выборок. Используемый стек: PyTorch, С++ 14/17, TensorRT, CUDA, C# WPF. ОС: Windows.