Отзыв  на магистерскую диссертацию Тимонина Николая Олеговича «Предварительная обработка изображений»  	Диссертация Тимонина Н.О. посвящена решению задачи семантической сегментации изображений в условиях ограниченных вычислительных ресурсов. В настоящее время такая сегментация проводится с помощью сверточных нейронных сетей (СНС). Однако их использование, особенно на этапе обучения, требует больших вычислительных ресурсов. Поэтому исследование методов, позволяющих снизить эти затраты и является актуальной задачей. 	В работе предлагается использовать для семантической сегментации уже обученную нейронную сеть, которая хорошо себя зарекомендовала в этой области.  Основная проблема, решаемая в диссертационном исследовании, состоит в адаптации известной СНС для сегментации небольшого числа новых типов объектов, не входивших ранее в обучающую выборку. Для решения этой проблемы предлагается воспользоваться довольно стандартным приемом – заменой последнего слоя сети и настройкой только его на новом тренировочном наборе.    В диссертации описывается разработанная автором модификация СНС DeepLabv3 и предлагается алгоритм обучения только нового последнего слоя сети. При этом реакция предпоследнего слоя сети рассчитывается для каждого изображения из тренировочного набора заранее и запоминается. Это позволяет существенно ускорить процедуру дообучения сети. Для того, чтобы избежать переобучения сети, используется L2 регуляризация. В качестве функции потерь используется кросс-энтропия, а оптимизация проводится с помощью  стохастического метода ADAM. Предлагаемая система семантической сегментации реализована автором на языке Python c использованием популярной библиотеки машинного обучения TensorFlow. Система работает с ограниченными вычислительными ресурсами и использует только CPU, что позволяет ее применять даже на не слишком мощных ноутбуках. При этом процесс обучения системы занимает приемлемое время. Экспериментальная проверка системы показала достаточно хорошую степень сегментации заданных типов объектов. Поскольку система реализована с использованием библиотек, поддерживающих вычисления на GPU, то она может быть перенесена на гибридные вычислительные средства CPU – GPU, что позволит существенно уменьшить время обучения и увеличить объем тренировочных наборов.   В ходе работы Тимонин Н.О.   показал глубокие знания в области обработки изображений с помощью нейронных сетей, хорошую теоретическую подготовку, а также умение применять на практике современные вычислительные методы. Результаты работы могут быть рекомендованы к публикации.    Считаю, что магистерская диссертация Тимонина Н.О.  заслуживает оценки «Отлично», а ее автор может быть рекомендован для поступления в аспирантуру.  Руководитель,								 Доцент кафедры КММС, к.т.н.					В.М. Гришкин