डेन्चर के उत्पादन में तंत्रिका नेटवर्क

एक प्रत्यारोपण के साथ एक दांत को बदलना या एक मुकुट स्थापित करना एक दर्दनाक और महंगी प्रक्रिया है। बहाली में सबसे कठिन भागों में से एक सीएडी प्रणाली में कृत्रिम अंग का डिजाइन है, जिसमें दंत तकनीशियन लगे हुए हैं। प्रत्येक मुकुट को व्यक्तिगत रूप से 8-10 मिनट में रोगी और उसके जबड़े के लिए डिज़ाइन किया गया है। एक ही समय में, प्रत्येक तकनीशियन की अपनी व्यक्तिपरक दृष्टि होती है कि एक अच्छा दांत मुकुट क्या है, और एक ही स्तर के विभिन्न विशेषज्ञों के लिए एक और एक ही मुकुट की गुणवत्ता का आकलन "अच्छे" से "संभव और बेहतर" में भिन्न हो सकता है।


इसलिए, यह आश्चर्यजनक नहीं है कि दंत चिकित्सा में लक्ष्य मानव कारक को हटाने और स्वचालन को जोड़ना था। यह तंत्रिका नेटवर्क का उपयोग करके किया जा सकता है। वे अब इतना आगे बढ़ गए हैं कि वे वस्तुओं को पहचान सकते हैं, भीड़ में अपराधियों को ढूंढ सकते हैं, स्केच द्वारा चित्र खींच सकते हैं, और फिल्मों में अभिनेताओं के चेहरे बदल सकते हैं, उदाहरण के लिए, फिल्म द ग्रेट गैट्सबी में बुरुनोव के साथ डिकैप्रियो। वे दांतों के साथ सामना करने में भी मदद करते हैं, और यह कैसे हुआ, स्टानिस्लाव शुश्केविच बताएंगे।

स्टानिस्लाव शुश्शविच - अडालिस्क सेवा में काम करता है। यह सबसे बड़ा यूएस डेन्चर निर्माता के लिए ठेकेदार है। ठेकेदार के कार्यों में मुकुट, पुल, प्रत्यारोपण के उत्पादन का स्वचालन शामिल है। स्टानिस्लाव गहरे तंत्रिका नेटवर्क सिखाता है। सेंट हाईलाड ++ 2019 में, स्टानिस्लाव ने एक रिपोर्ट बनाई, जिसमें उन्होंने विस्तार से वर्णन किया है और कैसे कंपनी इनपुट डेटा वर्गीकरण, डिजाइन पीढ़ी और मुकुट मॉडलिंग स्वचालन को स्वचालित करने के लिए गहन प्रशिक्षण का उपयोग करती है।

यह लेख उनकी रिपोर्ट के प्रतिलेख पर आधारित है, इससे आप सीखेंगे कि डेन्चर के उत्पादन में गहरी शिक्षा और डिजाइन पीढ़ी को कैसे लागू किया जाए, गुणवत्ता को कैसे स्थिर किया जाए, तंत्रिका नेटवर्क का उपयोग करके उत्पादन के विभिन्न चरणों को स्वचालित रूप से तैयार किया जाए, धीरे-धीरे मानव कारक को कम किया जाए और औसत समय को कई बार कम किया जाए। जो दंत तकनीशियन मुकुट और प्रत्यारोपण पर खर्च करता है।

नोट। समूह, जिसमें स्टैनिस्लाव काम करता है, बर्कले संस्थान (यूएसए) के साथ सहयोग करता है। उन्होंने दंत प्रत्यारोपण के डिजाइन को स्वचालित करने के लिए गहरे तंत्रिका नेटवर्क विकसित करने के लिए एक साथ काम किया। इस काम के परिणामों के अनुसार, शोधकर्ताओं ने एक वैज्ञानिक लेख प्रकाशित किया , लेकिन रिपोर्ट अधिक दिलचस्प है।

चिकित्सकीय शब्दावली

आपको मामलों के पाठ्यक्रम में विसर्जित करने के लिए, मैं आपको दंत शब्दावली के बारे में बताऊंगा। एक व्यक्ति के 32 दांत हैं, लेकिन अधिक बार 28, क्योंकि ज्ञान दांत अक्सर बढ़ते या बीमार नहीं होते हैं और हटा दिए जाते हैं। 1 से 32 तक निरंतर संख्या होती है, लेकिन जबड़े को 8 दांतों के 4 गिने हुए चक्रों में विभाजित करना अधिक सुविधाजनक होता है। इसलिए, हम कहते हैं कि एक व्यक्ति के 32 दांत हैं - 11 से 48 तक। पहला अंक चतुर्थांश की संख्या है, दूसरा चतुर्थांश में दांत की संख्या है।


मानक दांत नंबरिंग योजना।

स्पेक्युलर परावर्तन के बाद, जबड़े के बाईं ओर के दाँत दाँत के समान होते हैं, लेकिन ऊपरी वाले निचले हिस्से के समान नहीं होते हैं। इसलिए, जब हम कहते हैं कि हमें एक दांत उत्पन्न करने की आवश्यकता है, तो हम आम तौर पर 16 दांतों का मतलब है - आधे में 32, सिर्फ 16।

किसी व्यक्ति के दांतों का आकार लिंग का निर्धारण नहीं कर सकता है। इसलिए, जब खुदाई में दांत मिलते हैं, तो यह स्पष्ट नहीं है कि वे किसके हैं: पुरुष या महिला। उसी समय, कोई भी घोड़े के जबड़े से समझ सकता है कि वह घोड़ी है या घोड़ा - घोड़े के नुकीले हैं, लेकिन घोड़ी नहीं है। इस तरह के "दंत" तथ्य मुझे हमेशा अचंभित करते हैं।

36 वें दाँत का स्टंप नीले रंग में चिह्नित है - रोगग्रस्त दाँत को देखा गया, स्टंप बना रहा। अंग्रेजी में टूथ स्टंप को "डाई" कहा जाता है। स्टंप के किनारे को लाल रंग में हाइलाइट किया गया है, इसे "मार्जिन" कहा जाता है। जब दंत चिकित्सक दांत पर मुकुट डालता है, तो यह महत्वपूर्ण है कि मुकुट का किनारा लगभग "गोंद" के लिए मार्जिन के साथ मार्जिन के साथ मेल खाता है, अन्यथा एक बदसूरत कदम होगा।


निचले जबड़े की छाप का त्रि-आयामी स्कैन।

हमारे लिए, तकनीशियन ने एक सुंदर मुकुट का 3 डी मॉडल बनाया।



शीर्ष पर खांचे - मुकुट की शारीरिक रचना। वे बेतरतीब ढंग से नहीं, बल्कि उनके विशिष्ट टूथ नंबर द्वारा स्थित हैं। इसे लंबे समय तक वर्णित किया जा सकता है, लेकिन एक प्राथमिक शारीरिक रचना है, एक माध्यमिक, रूढ़िवादी क्रॉस।

जबड़े का उपरवाला ऊपर से उपयुक्त होता है, और यदि दांत ऊपर होता है, तो जबड़ा नीचे से विरोधी होता है। ऊपर की दिशा, जिसे ओसीसीप्लस दिशा कहा जाता है, हमारे लिए भी महत्वपूर्ण है। जब पाठ में "दांत का एक स्नैपशॉट" दिखाई देता है, तो इसका मतलब है कि ऊपर से एक स्नैपशॉट है।

यात्रा मुकुट

दंत मुकुट कैसे करते हैं? जो खुद को दंत मुकुट सेट करते हैं वे मोटे तौर पर प्रतिनिधित्व करते हैं। बाकी की सामान्य स्कीम मैं बताऊंगा।

दंत चिकित्सक - दंत तकनीशियन - दंत चिकित्सक। आप दंत चिकित्सक के पास आते हैं, अपना मुंह खोलते हैं, वह कहता है कि मरम्मत करें। एक दांत को फाइल करता है और प्लेट को काटता है। यह एक सब्सट्रेट पर प्लास्टिसिन जैसा दिखता है - ऊपरी और निचले जबड़े की एक छाप उस पर बनी हुई है। दंत चिकित्सक इस कास्ट को प्रयोगशाला में दंत तकनीशियन को भेजता है।

एक दंत तकनीशियन एक प्रयोगशाला में बैठता है और कभी भी वास्तविक रोगियों के साथ संवाद नहीं करता है। वह कंप्यूटर पर CAD / CAM सिस्टम में टूथ मॉडल बनाता है। दांत के तैयार 3 डी मॉडल से, वह एक वास्तविक बहाली करता है और इसे दंत चिकित्सक को वापस भेजता है। इसके अलावा, दंत चिकित्सक पहले से ही जगह में बहाली स्थापित कर रहा है।

इस योजना के केंद्र में हमारी शक्ति का अनुप्रयोग है।

दंत चिकित्सक - दंत तकनीशियन + एमएल - दंत चिकित्सक । अब दंत तकनीशियन एक कार्यक्रम में काम करता है जो ऑटोकैड के समान है। लेकिन आदर्श रूप से, उसे ऐसा करना चाहिए: एक मोल्ड के रूप में एक मामला आता है, एक तकनीशियन इसे स्कैन करता है और ताज के लिए तैयार प्रस्ताव प्राप्त करता है। हमारे एमएल समूह दंत तकनीशियनों के साथ काम करता है और कुछ वर्षों में 5 मिलियन मामले और 150 टीबी डेटा एकत्र किए हैं जो अमेज़ॅन पर हैं - चुनने के लिए बहुत सारे हैं।

तकनीशियन को मुकुट की 3 डी छवि तैयार करने में 10 मिनट लगते हैं , जबकि वह कई मापदंडों के बारे में सोचते हैं:

• प्राकृतिक रूप;
• प्रतिपक्षी;
• तंग संपर्क;
• मार्जिन लाइन;
• जबड़ा विभाजन;
• गहरी शरीर रचना;
• दिशा;
• चाप;
• कागजात और अन्य में भरना।

मापदंडों

रूप की स्वाभाविकता । यह पहली बात है जो एक दंत तकनीशियन सोचता है - मेरे लिए यह सबसे रहस्यमय क्षण है। जब मैं दो दांतों की तकनीक दिखाता हूं और वह कहता है कि कौन सा अच्छा है, मैं पूछता हूं कि उसने ऐसा क्यों किया:

"मुझे नहीं पता।" मैं सिर्फ यह देखता हूं कि यह एक प्राकृतिक दांत है, लेकिन ऐसा नहीं है।
- क्या कोई औपचारिक मापदंड हैं? एक स्वचालित डिजाइन प्रणाली को औपचारिक मैट्रिक्स की आवश्यकता होती है।
"मुझे कोई औपचारिक मैट्रिक्स नहीं पता है।" मैं बस देखता हूं कि यह एक अच्छा दांत है, और यह एक बुरा है।

इसे "प्राकृतिक रूप" कहा जाता है।

उसी समय, तकनीशियन अतिरिक्त रूप से ध्यान रखता है कि मुकुट प्रतिपक्षी के साथ अंतर नहीं करता है और स्टंप के "किनारे" पर अच्छी तरह से बैठता है, पड़ोसियों के साथ तंग संपर्क के बारे में, दिशाओं को सेट करता है और जबड़े को विभाजित करता है।

किसी भी मामले के लिए कई अच्छे समाधान हैं। एक ही जबड़े के लिए अलग-अलग तकनीकें कई अलग-अलग अच्छे दांतों का निर्माण करेंगी।

इसे आसान क्यों नहीं बनाया गया: एक नियमित दाँत का मुकुट लें, ज्यामितीय एल्गोरिथ्म के आकार के साथ "चारों ओर खेलें" और इसे जबड़े में डालें? यह ज्यामितीय कार्य कल्पना में सरल है, लेकिन व्यवहार में यह इतना सरल नहीं है।

भिन्नता । नीचे दी गई तस्वीर में मुकुट की तीन छवियां हैं।

बाईं ओर पहला सही मानव दांत है। औसतन, प्रतिपक्षी और दांत स्टंप के बीच का अंतर इतना छोटा होता है कि मुकुट चपटा होता है। बाईं ओर इस दांत और पड़ोसी के बीच की दूरी काफी बड़ी थी, लेकिन पड़ोसी के दांत को छूने के लिए मुकुट की जरूरत थी, इसलिए बाईं ओर एक आमद दिखाई दी। सही आंकड़े में सब कुछ सामान्य लगता है, लेकिन स्टंप के "किनारे" की रेखा एक चक्र नहीं है, बल्कि एक जटिल स्थानिक आकृति है। ज्यामितीय तरीकों के लिए, यह सब मुकुट की बड़ी परिवर्तनशीलता के कारण जटिल है।

विस्तार से ध्यान । एक और महत्वपूर्ण विवरण सिम्युलेटेड सुविधाओं का विशेषता आकार है। 36 वें दांत का आकार (निचले जबड़े के नीचे से) लगभग 8 मिमी है, और 200 माइक्रोन केवल शरीर रचना का आकार है। इसका मतलब है कि यदि सामान्य शरीर रचना की आवश्यकता है, तो कम से कम 100 माइक्रोन के मॉडल की सटीकता की आवश्यकता होती है। यह लगभग 20 माइक्रोन की सटीकता के साथ कट जाता है। हम 100 माइक्रोन को 8 मिमी में विभाजित करते हैं - हमें लगभग 1% की सटीकता प्राप्त होती है।

यह सब एक समस्या पैदा करता है - तकनीशियन कई कारकों पर बहुत समय बिताता है। हमने इसके काम को आसान बनाने और दक्षता बढ़ाने का फैसला किया - प्रति यूनिट समय में अधिक मुकुट। हमने कई विकल्पों की कोशिश की और तंत्रिका नेटवर्क को चुना जिसने तकनीशियन के काम को सरल बनाया।

समाधान के तरीके

सीएडी / सीएएम । प्रत्येक "डेंटल" कंपनी अपना एक सिस्टम बनाती है। Glidewell Dental, Invisalign, Sirona - सभी अपने स्वयं के CAD / CAM सिस्टम विकसित कर रहे हैं या कर रहे हैं। सिस्टम ऑटोकैड या कोमपस -3 डी की तरह दिखता है: आपके पास एक मानक वस्तु है, आप इसे खींच सकते हैं, स्ट्रोक कर सकते हैं, घुमा सकते हैं। अब तकनीशियन इस तरह से काम करते हैं और एक सामान्य मुकुट का उत्पादन करने के लिए 10 मिनट खर्च करते हैं।

एमएल - हार्मोनिक फ़ंक्शन। यह एक और तरीका है - अपेक्षाकृत सरल मशीन लर्निंग। उदाहरण के लिए, यदि आप ऊपर से मुकुट देखते हैं, तो यह खांचे के साथ एक चक्र की तरह दिखेगा, और फिर आप इसे हार्मोनिक कार्यों में विघटित करने का प्रयास कर सकते हैं। लेकिन हमने कोशिश की - सटीकता के लिए हमारी शर्तों के साथ, यह काम नहीं करता है।

इसलिए, अंत में, हम तीन-आयामी वस्तुओं को उत्पन्न करने के लिए गहरे नेटवर्क में बदल गए। मैं दो कहानियां बताऊंगा जो हमारी पसंद से संबंधित हैं। पहला प्रोपेयेडिक है । यह जबड़ा विभाजन के बारे में एक प्रशिक्षण या शैक्षिक कहानी है। दूसरा मुकुट पीढ़ी के बारे में है।

जबड़ा विभाजन

जबड़ा विभाजन प्रत्येक दाँत और गम का रंग अपने स्वयं के रंग के साथ होता है (उदाहरण के लिए, एक दृश्य में)।



खंडन महत्वपूर्ण है। उदाहरण के लिए, जबड़ा एक 3 डी मॉडल के रूप में आया था, और उस पर एक आरी का दांत स्टंप था। कार्यक्रम के लिए यह समझने के लिए कि दांत कहाँ रखा जाए, यह कम से कम स्टंप के सापेक्ष तैनात होना चाहिए। इस मामले में, एक व्यक्ति आमतौर पर बैठता है और एक माउस के साथ उस पर और उसके पड़ोसियों पर क्लिक करता है, और उसके बाद ही कार्यक्रम समझ में आता है कि दांत कहाँ रखा जाना चाहिए। स्वचालित विभाजन के साथ, सब कुछ बहुत अधिक दिलचस्प होगा - यह स्वचालित रूप से संकेत देगा कि दांत कहां रखा जाए।

इसलिए, हमने तंत्रिका नेटवर्क का उपयोग करके अपने दांतों को दागने का फैसला किया।

तंत्रिका नेटवर्क प्रशिक्षण के लिए डेटा की आवश्यकता होती है। सेगमेंटिंग चेहरों, लोगों के पोज़, अक्षर के लिए खुले डेटासेट हैं - लोग सम्मेलन में भाग लेने और एक दूसरे के साथ प्रशिक्षण में सफलताओं को साझा करने का आनंद लेते हैं। लेकिन दांतों के विभाजन के लिए एक डेटासेट खोजना मुश्किल है।

ऐसी कंपनियां हैं जिनके पास पहले से खंडित दांतों के साथ डेटासेट हैं। लेकिन वे, निश्चित रूप से, उन्हें बेचते या नहीं देते हैं। यह हर कंपनी का पता है और महान मूल्य है।

सौभाग्य से, हमारे पास एक वाटरशेड ज्यामितीय एल्गोरिथ्म था, जिसकी चर्चा मैं बाद में करूंगा। वह खंड कर सकता है, लेकिन 30% की दक्षता के साथ - तीन मामलों में से एक में सामान्य विभाजन। हमने एल्गोरिथ्म को 15 हजार मामलों के साथ खंडित किया, और फिर मैन्युअल रूप से फ़िल्टर किया। छानने के बाद, 5 हजार अच्छे मामले बने रहे, जिन पर हमने सेगनेट को प्रशिक्षित किया।

नोट। SegNet विभाजन के लिए मानक नेटवर्क है। एक विशेष नेटवर्क इतना महत्वपूर्ण नहीं है। यह महत्वपूर्ण है कि क्या करना है, किस क्रम में और कहां से डेटा प्राप्त करना है।


यह 12 दांतों के साथ जबड़ा विभाजन जैसा दिखता है।

सब कुछ ठीक लगता है - अलग-अलग सुंदर रंग, दांत व्यावहारिक रूप से "रिसाव" नहीं करते हैं। लेकिन यह केवल उन मामलों को खंडित करने के लिए कम उपयोग है जो हमने पहले से ही ज्यामितीय रूप से खंडों में सीखे हैं। हम सभी चरण स्थान को विभाजित करना सीखना चाहते हैं। ज्यामितीय और तंत्रिका नेटवर्क एल्गोरिथ्म के बीच एक मजबूत सहसंबंध के मामले में, नेटवर्क मूल रूप से केवल उन मामलों को अच्छी तरह से खंडित करेगा जो पहले से ही अच्छी तरह से खंडित हैं।

तो मुख्य प्रश्न यह है कि क्या वाट्सएप और सेगनेट के बीच कोई संबंध है? इस प्रश्न का उत्तर देने के लिए, आपको यह जानना होगा कि ये एल्गोरिदम कैसे काम करते हैं।

वाटरशेड और सेगनेट कैसे काम करते हैं

वाटरशेड एक 3 डी सतह पर काम करता है - ये "घाटियाँ" हैं जिन्हें महान स्थानिक वक्रता के साथ लकीरों द्वारा अलग किया जाता है। जब हम एक 3 डी सतह पर चलते हैं, तो कुछ स्थानों पर एक तेज मोड़ होता है, उदाहरण के लिए, जहां दो दांत दोस्त या एक दांत गम में प्रवेश करता है। इन स्थानों पर "लकीरें" उत्पन्न होती हैं। वाटरशेड "पानी डालता है" और यह घाटियों को कवर करता है, लेकिन "लकीरें" को पार नहीं करता है।

एल्गोरिथ्म अच्छी तरह से काम नहीं करता है जहां स्थानिक वक्रता टूट गई है। उदाहरण के लिए, एक सामान्य स्पर्शरेखा वाले दो दांत होते हैं। उन्हें स्कैन किया गया था ताकि दो दांत आसानी से एक दूसरे में गुजर सकें। एल्गोरिथ्म एक रंग के साथ दो दांतों को रंग देगा।

SegNet किसी भी खंडित नेटवर्क की तरह काम करता है। वह जानता है कि लगभग क्या प्राप्त किया जा सकता है - एक खंडित तस्वीर आमतौर पर एक आर्क में स्थित 14 मंडलियों और गम के आसपास की तरह दिखती है। सेगनेट त्रुटियों का खतरा है: जब सर्कल आकार में अनियमित होते हैं, तो रोगी के पास 14 दांत नहीं होते हैं, लेकिन 12 या दांत आर्क से बाहर गिरते हैं - चाप जिस पर दांत स्थित हैं। तस्वीर सिर्फ 12 दांत दिखाती है, यह कठिन था, लेकिन एल्गोरिथ्म ने इसे पूरा किया।

ऐसा लगता है कि वाटरशेड और सेगनेट एक दूसरे के साथ संबंध नहीं रखते हैं, और सब कुछ अपेक्षाकृत सामान्य है।

उप-योगों

अंतिम उपयोगकर्ता के लिए अनुकूलन आवश्यक है । हम पहले से ही सहसंबंध से छुटकारा पाने के लिए बहुत समय बिता सकते हैं, इसके बारे में सोच सकते हैं, कार्रवाई कर सकते हैं। लेकिन इसके बिना भी, सेगनेट ने चयनित मामलों पर प्रशिक्षण देते समय, लगभग 90% सही विभाजन दिए - 10 में से 9 जबड़े खंडों का एक नेटवर्क पूरी तरह से।

मैनुअल श्रम बहुत मदद करता है। आप अपने डेटा का पता लगा लेंगे और आपको जो भी आवश्यक है उसका चयन करेंगे।

हम मुख्य पकवान को पास करते हैं।

क्राउन जेनरेशन

मुकुट को उत्पन्न करने के लिए, हमने इस योजना को चुना: हम ऑकलस दृश्य लेते हैं और इससे गहराई का एक मोनोक्रोम मानचित्र - गहराई नक्शा।


गहरे शरीर रचना (क्रॉस) के साथ और माध्यमिक शरीर रचना के साथ क्राउन।

डेटा स्रोत

डेटा का पहला स्रोत प्राकृतिक दांत है । जवानों की कई जातियां हैं, अब हम जानते हैं कि उन्हें कैसे विभाजित किया जाए: हम प्राकृतिक दांतों को काटते हैं और उन पर प्रशिक्षण देते हैं।

हम उन्हें ले गए, लेकिन यह बुरी तरह से निकला। प्राकृतिक दांत बहुत विविध हैं । साधारण मानव दांत बहुत सुंदर नहीं होते हैं, यहां तक ​​कि युवा लोगों के बीच भी। मैं चाहूंगा कि ताज अच्छा हो।

दूसरा डेटा स्रोत तैयार किए गए मुकुट हैं । हमारे पास पहले से ही 150 टीबी के 5 मिलियन मामले हैं। वे अमेज़ॅन क्लाउड में संग्रहीत हैं। 5 मिलियन मामलों में से, हम उन लोगों का चयन करते हैं जिन्होंने तकनीकों को पूरा किया है, और उन पर प्रशिक्षित हैं। लेकिन इसने काम नहीं किया। हमने अपने प्रशिक्षण सेट को ध्यान से देखा और पाया कि आधे से दो-तिहाई तैयार मुकुट को बेहतर तरीके से किया जा सकता है। यह मुख्य रूप से तैयार मुकुट पर शरीर रचना की गहराई से संबंधित है - खांचे पर्याप्त रूप से व्यक्त नहीं किए गए थे।

यह एक अप्रिय खोज थी, क्योंकि हमने उन विशेषज्ञों के परिणामों को लिया, जिन्हें अनुकरण किया जाना चाहिए। लेकिन हम पहले से ही जानते थे कि ऐसे मामलों में क्या करना है।

हमने 10 हजार मामले उठाए और मैन्युअल रूप से उन्हें अच्छे और बुरे में तोड़ दिया। 5 हजार अच्छे मिले, जिन पर आप सीख सकते हैं। लेकिन प्रायोगिक तौर पर हम जानते थे कि प्रशिक्षण के लिए 10 से 15 हजार अच्छे मामले लगते हैं। उन्हें प्राप्त करने के लिए, आपको प्रति दांत 30 हजार मामलों को मैन्युअल रूप से सॉर्ट करने की आवश्यकता है - यह बहुत अधिक है। इसलिए, हमने एक साधारण सहायक नेटवर्क को प्रशिक्षित किया जो दांत दिखाता था, और इसने अच्छे को बुरे से अलग किया।



आंकड़ा बताता है कि तीन ऊपरी दांतों में एक गहरी शारीरिक रचना है - क्रॉस स्पष्ट रूप से दिखाई देता है, और निचले अवसादों पर। आखिरी (सबसे बाईं ओर) में कोई शरीर रचना नहीं है। तकनीशियन ने इस मुकुट को "चूना" किया ताकि शरीर रचना गायब हो जाए।

एक सहायक नेटवर्क की मदद से, हम बहुत बड़े संस्करणों को फ़िल्टर कर सकते हैं, और प्रति दांत 10-20 हजार मामले प्राप्त कर सकते हैं।

पीढ़ी तकनीकी विवरण

दंड। पहली बात जो दिमाग में आई वह थी जेनरेटिंग नेटवर्क को ले जाना, इसे दांत के स्टंप के साथ जबड़े की ऊपरी तस्वीर दिखाना, उसके लिए निचले हिस्से को खींचना और एक बढ़िया L1 लगाना होगा। लेकिन सिद्धांत कहता है कि यह काम नहीं किया, और ऐसा क्यों है।


ऊपर के साथ जबड़ा मर जाता है, एक देखा हुआ दांत है, बीच में यह एक विरोधी है, और नीचे मुकुट है, जिसे नेटवर्क के परिणामस्वरूप बनाया जाना चाहिए।

हमने पहले ही कहा है कि एक ही इनपुट के कई अच्छे समाधान हैं। यदि आप बस एक ठीक एल 1 लगाते हैं, तो आप इस तथ्य के लिए नेटवर्क को ठीक कर देंगे कि यह उस समय तकनीशियन के सिर में मुकुट की छवि का अनुमान नहीं लगा सकता था जब उसने इसे डिजाइन किया था। वह ऐसा ताज बना सकता था, या वह दूसरा बना सकता था, वह भी अच्छा। एक और अच्छे मुकुट के लिए जुर्माना आवश्यक नहीं है।

L1 का "नंगे" दंड एक बुरा विचार है।

Discriminator। यह एक अच्छा विचार है कि एक भेदभाव करने वाले को प्रशिक्षित किया जाए जो सभी अच्छे मुकुटों को "अच्छा" और बुरे मुकुटों को "बुरा" कहता है। यह अच्छे मुकुट की जटिल सतह (मुकुट के स्थान में सतह) को ध्यान में रखेगा। इसके अलावा, GAN, जैसा कि यह निकला, उच्च आवृत्ति शोर को कुचलता है।

हमारा नुकसान इस तरह दिखता है: Loss = D_GAN + L1 + AntagonistIntersectionPenalty ।

D_GAN - संभावित अच्छे निर्णयों की जटिल सतह को ध्यान में रखता है। AntagonistIntersectionPenalty जोड़ा AntagonistIntersectionPenalty है ताकि दांत प्रतिपक्षी के साथ अंतर न हो।

यह महत्वपूर्ण है कि एल 1 अचानक प्रकट होता है। आप बस पढ़ते हैं कि यह कुछ खराब करना चाहिए, लेकिन यदि आप इसे सीमित तरीके से जोड़ते हैं, तो यह खराब नहीं होता है। कारण यह है कि प्रशिक्षण के दौरान जीएएन काफी अस्थिर है, और एल 1 रिपोर्ट करता है कि किसी भी मामले में दांत फ्रेम के बीच में एक सफेद स्थान जैसा दिखता है। प्रशिक्षण के प्रारंभिक चरण में, वह स्थिर हो जाता है - सब कुछ बेहतर रूप से परिवर्तित होता है, चिकना और साफ दिखता है।

तकनीकी नोट। हम लंबे समय तक लड़े, एक पीठ को सभी दांतों के लिए या एक दो दांतों के लिए एक जाल को प्रशिक्षित करने की कोशिश की। लेकिन हम इस निष्कर्ष पर पहुंचे कि आपको हर छोटे स्थानीयकृत डेटा के लिए हर दांत के लिए अपने नेटवर्क को प्रशिक्षित करने की आवश्यकता है। हमारे पास ऐसा अवसर है।

एक दांत - एक नेटवर्क।

यह महत्वपूर्ण है - यह समाधान की स्थिरता और उपयोग किए गए संसाधनों के बीच आपका व्यापार बंद है। यदि आप 200 एमबी की वीडियो मेमोरी खर्च करते हैं, तो (आमतौर पर) कुछ भी नहीं होगा। लेकिन आप प्रत्येक दांत के लिए एक अलग नेटवर्क रखेंगे और आवश्यकतानुसार इसे प्रशिक्षित करेंगे।

उप-योगों

हमने फिर से सहायक नेटवर्क और मैनुअल श्रम का उपयोग किया:

• हाथ से छांटे गए, 10 हजार मामलों को "अच्छे और बुरे" में तोड़ दिया;
• मैनुअल छँटाई के परिणामों पर, हमने सहायक नेटवर्क का अध्ययन किया;
• थोक अनपेक्षित मामलों को हटा दिया गया।

हुर्रे, हम उत्पादन में चले गए!

आखिरकार हमने जो किया, हम प्रोडक्शन में चले गए। यह काफी वास्तविक उत्पादन नहीं है - अनुसंधान और उत्पादन समूह, लेकिन यह प्रति दिन 100 मुकुट बनाता है।

नोट। लेख के प्रकाशन के समय, इस नेटवर्क में उत्पन्न नेटवर्क पहले से ही शामिल हैं ।

समूह मई से काम कर रहा है - जीएएन द्वारा कई हजार मुकुट बनाए गए थे। एक तकनीशियन एक बटन दबाता है और एक मुकुट की छवि 20 सेकंड में उत्पन्न होती है। तकनीशियन फॉर्म की शुद्धता की जांच करता है, आमतौर पर संपर्कों को कसता है, और इसे एक पेय में भेजता है।

हमें समय पर पर्याप्त लाभ मिला। मुकुट 8-10 मिनट में तैयार किया जाता है, और GAN की भागीदारी के साथ - 4 मिनट में। जीएएन में 80% मामले शामिल हैं - यदि तकनीशियन को यह पसंद नहीं है कि जीएएन ने क्या सुझाव दिया है, तो वह अपने हाथों से मुकुट का मॉडल बनाता है और 8 मिनट खर्च करता है।

सबक

अंतिम उपयोगकर्ता के लिए अनुकूलन । इस प्रक्रिया में, उपाय, मैट्रिक्स, हानि फ़ंक्शन और सहसंबंधों के बारे में सोचना उपयोगी है। लेकिन आपने सब कुछ ठीक किया अगर आपने काम को अंत तक लाया और अपेक्षित परिणाम प्राप्त किया।

सहायक नेटवर्क का उपयोग।

मैनुअल श्रम। एमएल में एक कहावत है: " अपने विवरण को जानें।" मैन्युअल श्रम का उपयोग करके, आपको पता चल जाएगा कि आपके डेटा में क्या है। मैनुअल श्रम को आमतौर पर पुरस्कृत किया जाता है क्योंकि आप अपने नेटवर्क को ठीक उसी तरह से "फ़ीड" करते हैं जिसकी आपको आवश्यकता है।

संतुलन "गुणवत्ता - संसाधन" । हो सके तो क्वालिटी की तरफ शिफ्ट हो जाएं। लालची मत बनो - आप की जरूरत के रूप में कई नेटवर्क जोड़ें।

दूर नहीं अगले सेंट हाईलाड ++ सम्मेलन है। 6 और 7 अप्रैल को सेंट पीटर्सबर्ग में, हम निश्चित रूप से तंत्रिका नेटवर्क के उपयोग और जटिल उत्पादन में मशीन सीखने के उदाहरण सुनेंगे और निश्चित रूप से, उच्च प्रदर्शन प्राप्त करने के तरीके। यदि आप इस अनुभव को साझा करना चाहते हैं - बल्कि एक रिपोर्ट सबमिट करें , तो कॉल फॉर पेपर्स की समय सीमा से बहुत कम समय पहले है। या उन रिपोर्टों की घोषणाओं का पालन करें जिन्हें हम सम्मेलन में भाग लेने के लिए समय में तय करने के लिए मेलिंग सूची में कार्यक्रम को मंजूरी देना शुरू करने वाले हैं।