Константин Фролов
- +7(981)848-29-78
- konstantin@frolov.com.ru
- frolov.com.ru
- Санкт-Петербург, Россия
Доброго времени суток. Программирование для меня - хобби, переросшее в профессию.
В начале 2019 познакомился с машинным обучением и задачами компьютерного зрения. Эти технологии очень сильно меня затянули.
В данный момент занимаюсь построением алгоритмов машинного обучения применительно к медицинским исследованиям.
Хорошо владею Python и библиотеками Numpy, Scipy, Sklearn, OpenCV, Tensorflow, Pytorch.
Неплохо владею Docker и Linux.
По этому сайту можно судить, что имею некоторые познания в HTML и CSS.
Опыт работы
ML инженер
Разработчик алгоритмов компьютерного зрения. Задачи классификации, обнаружения, сегментации изображений и одномерных сигналов для медицинских исследований.
Решаю любые задачи в области анализа изображений от идеи до реализации в проде.
Частично решаю задачи MLOps в части деплоя разрабатываемых систем у заказчика.
Ведущий инженер
Разработчик антенн и радиотрактов. Много работаю с численными методами электродинамики. Провожу тестирование на выполнение условий электромагнитной совместимости устройств (ЭМС). Участвую в системной проектировании программно-аппаратных комплексов. Разрабатываю алгоритмы на Matlab и Python в части радиотехники.
Достижения в работе
- 80% автоматизация вычислений связанных с электродинамикой;
- авторское право на программу, разработанную в ОКР;
- участие в более 15 НИР и ОКР;
- развертывание стендов высокопроизводительных вычислений на CUDA;
- построение автоматизированных измерительных стендов на базе R&S, Keysight (Agilent);
- участие в ряде научных конференций;
- научные публикации более 10, включая ВАК.
Проекты
Подбор протезов
Данный проект выполнялся для планирования операций протезирования тазобедренного и коленного суставов.
Для автоматического позиционирования протеза, его подбора и ускорения процесса планирования операции необходимо найти несколько харатерных точек на снимке.
По этим точкам осуществляется расчет параметров протеза и исходное позицинирование инструментов планирования.
В рамках проекта была решена задача поиска ключевых точек.
При разработке использовалась большое количество неразмеченных изображений для Semi-Supervised обучения, а затем обучение целевой задаче на малом датасете.
В итоге получена легкая модель для CPU вычислений, выполняющая анализ за 200-500 мс.
Анализ снимков маммографии
В этом проекте реализовано обнаружение и сегментации паталогий на маммографических снимках.
Используется достаточно много препроцессинга для первичной фильтрации и приближения области анализа перед алгоритмами нейронных сетей.
Далее каскад нейронных сетей анализирует снимок для различных задач: классификации, детекции, сегментации.
Для снижения количества FP предсказаний используется несколько алгоритмов постпроцессинга.
В итоге формируется протокол и JSON ответ для отрисовки патологий в проприетарном Viewer.
Распознавание лиц real-time
В этом проекте реализовано распознавание лиц людей с вебкамеры. Информация о имени человека выводится на самом изображении.
В данном проекте написаны два класса для тренировки и использования сверточной нейронной сети на Keras. Первый класс используется для автоматизированного создания датасета для обучения и тренировки сети на нем. Второй служит для работы с сетью в различных режимах:
- обнаружение одного лица;
- обнаружение нескольких лиц;
- распознавание одного лица.
С более подробной информацией и кодом можно ознакомиться на GitHub
Распознавание рукописных чисел real-time
Этот проект самый первый в части машинного обучения. В нём написана трехслойная сеть только с использованием Numpy и SciPy.
Сеть обучена на наборе данных MNIST
В процессе работы захватывается изображение с веб-камеры, предобрабтывается для максимальной схожести с обучающим набором и отправляется на вход сети.
С кодом можно ознакомиться на GitHub