• Улучшена эффективность работы модели распознавания цифр на скриншотах, полученных с android устройств (с 87 до 100 процентов) • Реализован алгоритм парсинга истории покерной игры из последовательных скриншотов). • Реализован бот-кликер на основе нейросетей (в т.ч. OCR), использующийся для автоматизации игрового процесса в покерных приложениях на эмуляторах android устройств. Настроено клиент-серверное взаимодействие для активации купонов. Написан GUI с использованием PyQT5. • В возможности бота входит чтение подсказки с экрана устройства и последующее воспроизведение требующегося действия. Так же бот-кликер способен синхронно управлять сразу несколькими эмуляторами посредством использования Windows API.

• Улучшена эффективность работы модели сегментации подписей на любых видах документов (метрика IoU с изначальных 0.21 до 0.85, Precision c 0.15 до 0.93) • Реализован денойзер (отделение подписи от фонового текста, печатей и прочих элементов документа) • В задачи входило: написание экспериментов, поиск новых подходов, поиск новых данных для обучения нейросети, в том числе оформление и поддержка задачи на Яндекс.Толока, последующая обработка и очистка датасета. • Так же был написан telegram бот, для более легкой проверки работы нейросети (input - фотография документа с подписью, output - фото с детекцией подписи). • Были задействованы такие методы Deep Learning как AutoEncoder, Siamese networks, GAN, SimCLR, CycleGan.