Отзыв 
На выпускную квалификационную работу Данилова Глеба Сергеевича
«Реконструкция трехмерной модели объекта по одиночному снимку»

​ 	Работа Данилова Г.С. посвящена решению задачи построения трехмерной модели объекта по его одиночному изображению.  Предлагаемое решение основано на применении нейронных сетей для извлечения признаков из двумерного изображения объекта и восстановления его 3D модели на основе этих признаков. 
	В работе сначала рассматриваются подходы к реконструкции 3D моделей объектов по их нескольким изображениям, среди которых автор выбирает методы на основе сверточных нейронных сетей.  Автор затем формулирует требования к нейронным сетям для их использования в рамках решаемой задачи.  При этом в качестве архитектуры для реконструкции выбирается известная архитектура сети Unet. Далее достаточно подробно описываются компоненты этой архитектуры и принципы ее действия. 
	В качестве объектов для реконструкции в работе используются предметы гардероба. Такой выбор обусловлен прежде всего сложностью их формы. Поэтому при успешном решении задачи реконструкции их 3D изображений, можно полагать, что предлагаемый метод позволит реконструировать изображения и более простой формы.  В работе описывается найденный автором датасет, представляющий собой трехмерные облака точек для различных предметов гардероба. Поскольку в этом датасете отсутствуют двумерные изображения, то автор восстанавливает 2D изображения из имеющихся исходных трехмерных моделей. В работе описывается алгоритм такого восстановления.  Такой подход позволил сформировать собственный датасет для обучения   нейронной сети. В работе описывается предлагаемая нейронная сеть на базе архитектуры Unet.  Большое внимание уделяется процедурам настройки параметрам, используемых для обучения сети. 	Нейронная сеть реализована на языке Python c помощью фреймворка Keras. Результаты экспериментальной проверки показали неплохие значения таких критериев качества, как точность и IoU. Кроме того, в работе приводится сравнение полученных результатов с результатами, полученными на известных моделях реконструкции 3D-R2N2 и Pix2Vox. Предлагаемая модель превосходит по метрике IoU модель 3D-R2N2, но уступает моделям Pix2Vox. При этом следует отметить, что предлагаемая модель требует значительно меньше вычислительных ресурсов.
 
В ходе работы Данилов Г.С. показал глубокие знания в области обработки изображений с помощью нейронных сетей, хорошую теоретическую подготовку, а также умение применять на практике современные вычислительные методы. 

Считаю, что выпускная квалификационная работа Данилова Г.С. заслуживает оценки «Отлично».

Руководитель,								
Доцент кафедры КММС, к.т.н.					В.М. Гришкин