CV2011-2. Lecture 08. Multi-view stereo.
0 likes931 views
Документ посвящен многовидовой реконструкции 3D-форм объектов из фотографий, охватывающей различные подходы, такие как стерео-методы, воксельные подходы и объединения карт глубины. Обсуждаются проблемы фотосогласования и алгоритмы, используемые для повышения точности реконструкции. Также рассматриваются преимущества и недостатки каждого метода, включая сложности при работе с текстурами и освещением.
![Многовидовое стерео
• Сравнения и оценки:
• A Comparison and Evaluation of Multi-View Stereo
Reconstruction Algorithms,
S. Seitz et al., CVPR 2006, vol. 1, pages 519-526.
• http://vision.middlebury.edu/mview/
• Недавно много новых алгоритмов
появилось
• Высокая точность
• Почти все работают с небольшим
количеством изображений (~100)
основное исключение exception
[Pollefeys08]
• Оффлайн-методы](https://image.slidesharecdn.com/cv201120mvsweb-120417072923-phpapp02/85/CV2011-2-Lecture-08-Multi-view-stereo-14-320.jpg)
![Алгоритмы раскраски вокселей
1. Цветов=2 (Силуэты)
• Пересечение объемов
2. Кол-во цветов не ограничено
• ограничение на точки обзора
3. Общий случай
• Space carving [Kutulakos & Seitz 98]](https://image.slidesharecdn.com/cv201120mvsweb-120417072923-phpapp02/85/CV2011-2-Lecture-08-Multi-view-stereo-35-320.jpg)
![Методы на основе фрагментов
[Lhuillier and Quan, [Furukawa and Ponce, [Habbecke and Kobbelt,
PAMI 05] CVPR 07] CVPR 07]](https://image.slidesharecdn.com/cv201120mvsweb-120417072923-phpapp02/85/CV2011-2-Lecture-08-Multi-view-stereo-80-320.jpg)
CV2011-2. Lecture 08. Multi-view stereo.
- 1. Многовидовая реконструкция Антон Конушин http://courses.graphicon.ru/vision2
- 2. Этот курс подготовлен при поддержке Microsoft Research
- 3. Благодарности • В презентации использованы слайды курса «3d Shape Reconstruction from Photographs: a Multi- View Stereo Approach» от Carlos Hernandez, George Vogiatzis and Yasutaka Furukawa
- 4. План лекции • Введение • Многовидовое пассивное стерео • Воксельные подходы • Подход на основе объединения сеток • Разрастание регионов • Приложение: реконструкция головы человека
- 5. План лекции • Введение • Многовидовое пассивное стерео • Воксельные подходы • Подход на основе объединения сеток • Разрастание регионов • Приложение: реконструкция головы человека
- 6. Реконструкция по фотографиям «Оценить 3D форму, которая при визуализации совпадает с исходными изображениями, при условии тех же материалов, ракурсов и освещения» ракурс ? геометрия материал освщение изображение
- 7. Реконструкция по фотографиям «Оценить 3D форму, которая при визуализации совпадает с исходными изображениями, при условии тех же материалов, ракурсов и освещения» Реальный Реплика объект
- 8. Реконструкция по фотографиям Внешность объекта сильно зависит от материалов и освещения с текстурой жесткий деформирующийся без текстуры
- 9. Реконструкция по фотографиям Внешность объекта сильно зависит от материалов и освещения Нет единого алгоритма для всех типов сцен с текстурой жесткий деформирующийся без текстуры
- 10. Фото-согласование Фотосогласованная точка
- 11. Фото-согласование Нефотосогласованная точка
- 12. Проблемы фото-согласования • Видимость камеры • Ошибки метрики – Повтор текстуры – Отсутствие текстуры – Блики
- 13. Многовидовое стерео • Сравнения и оценки: • A Comparison and Evaluation of Multi-View Stereo Reconstruction Algorithms, S. Seitz et al., CVPR 2006, vol. 1, pages 519-526. • История алгоритмов: • Representing stereo data with the Delaunay triangulation, O. Faugeras et al., Artificial Intelligence, 44(1-2):41-87, 1990. • A multiple-baseline stereo, M. Okutomi and T. Kanade, TPAMI, 15(4):353-363, 1993. • Object-centered surface reconstruction: Combining multi-image stereo and shading, P. Fua, Y. Leclerc, International Journal of Computer Vision, vol. 16:35-56, 1995. • A portable three-dimensional digitizer, Y. Matsumoto et al., Int. Conf. on Recent Advances in 3D Imaging and Modeling, 197-205, 1997. • Photorealistic Scene Reconstruction by Voxel Coloring, S. M. Seitz and C. R. Dyer, CVPR., 1067-1073, 1997. • Variational principles, surface evolution, PDE's, level set methods and the stereo problem, O. Faugeras and R. Keriven, IEEE Trans. on Image Processing, 7(3):336-344, 1998.
- 14. Многовидовое стерео • Сравнения и оценки: • A Comparison and Evaluation of Multi-View Stereo Reconstruction Algorithms, S. Seitz et al., CVPR 2006, vol. 1, pages 519-526. • http://vision.middlebury.edu/mview/ • Недавно много новых алгоритмов появилось • Высокая точность • Почти все работают с небольшим количеством изображений (~100) основное исключение exception [Pollefeys08] • Оффлайн-методы
- 15. Воксельные объёмы 1. Инициализация воксельного объема сцены 2. Итеративная проверка всех векселей на фотосогласованность 3. Повторяем до сходимости, пока все воксели на поверхности не станут фотосогласованными
- 16. Схема объединения карт глубины 1. Вычисляем карту глубины 2. Объединяем карты глубины в объеме 3. Извлекаем 3д поверхность
- 17. Схема роста регионов 1. Этап подгонки Локальный фрагмент поверхности подгоняется, с учётом видимости 2. Этап фильтрации Жестко обеспечивается видимость 3. Этап расширения Удачные фрагменты используются для инициализации активной границы
- 18. Лучшие алгоритмы Рост регионов Объединение карт глубины Начинает с облака 3д точек, Объединяем набор карт глубины, pros summary растим небольшие фрагменты полученных с помощью поверхности, максимизируя бинокулярного стерео фотосогласованность Обеспечивает наилучшие Элегантный подход результаты за счет Подключаемые блоки фотосогласования с опорой на Легко распараллеливается плоскости Много настраиваемых Метрика фотосогласования cons параметров, трудно подогнать к простая и не оптимальная. оптимуму Метрика ошибается, когда нет текстуры или низкое разрешение
- 19. План лекции • Введение • Многовидовое пассивное стерео • Воксельные подходы • Подход на основе объединения сеток • Разрастание регионов • Приложение: реконструкция головы человека
- 20. Алгоритмы раскраски вокселей 1. Цветов=2 (Силуэты) • Пересечение объемов 2. Кол-во цветов не ограничено • ограничение на точки обзора 3. Общий случай
- 21. Реконструкция по силуэтам Бинарные Изображения (2 цвета) Подход • Построить конус видимости по каждому силуэту • Пересечь конусы видимости
- 22. Пересечение объемов Результат содержит исходную сцену • В общем случае не совпадает с исходной сценой • В пределе (по всевозможным изображениям) результат называется видимой оболочкой (Visual Hull)
- 23. Воксельный алгоритм • Раскрасим воксель черным, если он проецируется внутрь силуэта на каждом изображении • Удалим воксель, если он попадает вне силуэта хотя бы на 1-м изображении
- 24. Свойства пересечения объемов Преимущества • Легок в реализации • Быстрый • Можно ускорить с помощью окто-деревьев Недостатки • Невозможно моделировать полости объекта • Реконструкция не согласована по цветам • Необходимо определить силуэты объекта
- 25. Алгоритмы раскраски вокселей 1. Цветов=2 (Силуэты) • Пересечение объемов 2. Кол-во цветов не ограничено • ограничение на точки обзора 3. Общий случай
- 26. Раскраска вокселей 1. Выбрать воксель 2. Спроецировать и сравнить 3. Раскрасить, если согласован (разница меньше порога) Проблема видимости: На каких изображениях воксель виден?
- 27. Упорядоченный обход по глубине Слои Обход сцены Аналогично расчету видимости в визуализации! • Воксели на следующих плоскостях могут быть закрыты только вокселями предыдущих плоскостей
- 28. Порядок обхода для панорам • Камеры направленные в разные стороны • Плоский порядок обхода по глубине не подходит
- 29. Порядок обхода для панорам Слои расходятся по направлению «от центра»
- 30. Порядок обхода для панорам Слои расходятся по направлению «от центра»
- 31. Порядок обхода для панорам Слои расходятся по направлению «от центра»
- 32. Возможные конфигурации камер Ограничение • Сцена расположена вне выпуклой оболочки камеры Камеры направлены Камеры направлены внутрь вовне Камеры выше сцены Камеры внутри сцены
- 33. Раскраска вокселей Динозавр Цветов 72 K вокселей раскрашено 70 K вокселей раскрашено 7.6 M вокселей проверено 7.6 M вокселей проверено 7 мин вычислений 7 мин вычислений на 250MHz SGI на 250MHz SGI
- 34. Ограничения подхода Может не существовать порядка обхода вокселей по глубине для всех изображений! p q Требуется более общий алгоритм • Без ограничений на положение камеры • Без ограничений на топологию сцены
- 35. Алгоритмы раскраски вокселей 1. Цветов=2 (Силуэты) • Пересечение объемов 2. Кол-во цветов не ограничено • ограничение на точки обзора 3. Общий случай • Space carving [Kutulakos & Seitz 98]
- 36. Алгоритм Space Carving Изображение 1 Изображение N …... • Инициализация объема V содержащего в себе сцену • Выбрать любой воксель на текущей поверхности • Спроецировать на все видимые изображения • Удалить, если он не согласован по цветам • Повторить до сходимости
- 37. Фотооболочка V V Истинная сцена Фотооболочка Фотооболочка это объединение всех фото-согласованных сцен в V • Согласованная по цветам реконструкция сцены • Наименьшая фото-согласованная реконструкция
- 38. Алгоритм Space Carving Базовый алгоритм неудобен • Сложная процедура обхода Многопроходное «заметание» плоскостей • «Эффективный», можно использовать алгоритмы наложения текстуры • Быстро сходится
- 39. «Заметание плоскости» • Рассматривает воксели на 1-ой плоскости • Рассматриваем только камеры по одну сторону от плоскости
- 40. «Заметание плоскости» • Берем пересечение плоскости П и текущей модели V • Для каждого вокселя v из пересечения • Проецируем его на изображения • Если соответствующие пиксели не помечены – Проверяем фотосогласованность » Если не согласован – удаляем » Если согласован – помечаем пиксель
- 41. «Заметание плоскости» • Двигаем плоскость вдоль объема • Постепенно добавляем новые камеры • Можем проецировать всю плоскость целиком • Используя GPU или просто визуализируя плоскость с текстурой
- 42. Результаты Изображение (1 of 45) Реконструкция Реконструкция Реконструкция
- 43. План лекции • Введение • Многовидовое пассивное стерео • Воксельные подходы • Подход на основе объединения сеток • Разрастание регионов • Приложение: реконструкция головы человека
- 44. Схема объединения карт глубины 1. Вычисляем карту глубины 2. Объединяем карты глубины в объеме 3. Извлекаем 3д поверхность
- 45. Проблема регуляризации • Почему бы не использовать самые продвинутые методы бинокулярного стерео? • На основе функционалов энергии и на основе сегментов • Проблема регуляризации: • В сложных областях метод интерполирует значения за счёт использования регуляризации • Регуляризировать приходится из-за предположения, что дополнительных данных нет • В случае многовидового стерео дополнительная информация есть!
- 47. Ранняя регуляризация Регуляризация каждой карты глубины по отдельности
- 48. Объединение оценок Объединяем две оценки карты глубины
- 49. Ранняя регуляризация Объединяем две карты глубины, а затем регуляризируем
- 51. Общий подход • Вычисляем бинокулярные карты глубины для каждого вида строго без регуляризации • Затем объединяем наблюдения
- 52. Вычисление стерео • Для каждого пикселя на базовом изображении вычислим кривую корреляции от глубины точки для всех дополнительных изображений
- 53. Объединение наблюдений • Объединим кривые корреляции
- 56. Пики • Ключевое предположение • правильная глубина соответствует одному из локальных пиков одной из локальных кривых
- 57. Непараметрическая оценка • Окна Парзена – непараметрическая оценка количества локальных максимумов по окну
- 59. Ошибки • Повторяющаяся текстура • Ошибки сопоставления • Отсутствие текстуры • Шум в изображении и т.д.
- 60. Регуляризация • Любой локальный пик может быть соответствием • Используем избыточность данных и свойство непрерывности поверхности • У соседних пикселей должно быть похожая глубина!
- 61. Схема MRF • Выберем k самых сильных пиков как гипотезы глубины для пикселя. Дополним U - неизвестной • Зададим функционал энергии: • Унарный потенциал пенализирует малые пики • Парный потенциал пенализирует резкие изменения глубины • Метка U нужна, чтобы добавить устойчивость к шуму • Небольшое пенальти за U • Небольшое константное пенальти за cоседство с U
- 62. Схема
- 63. Ранняя регуляризация? • Да, но с оговорками… • Мы фильтруем ненадежные данные • Если для глубины пикселя нет хороших гипотез, мы записываем как «неизвестное значение» • Мы не интерполируем промежуточные значения
- 64. Пример
- 65. Пример
- 66. Пример
- 67. Пример
- 68. Пример
- 69. Результат
- 70. Пример
- 71. Пример
- 72. Пример
- 73. Карты глубины
- 74. Извлечение поверхности • Простые подходы • Деформируемые модели • Оптимизация на основе разрезов графов
- 75. Триангуляция карты глубины • Каждому пикселю изображения сопоставляется вершина • Соседние вершины объединяются • Глубина вершины берется из карты глубины • Слишком узкие и наклоненные треугольники отбрасываются
- 76. Объединение сеток • Воксельный подход • Строим сетку для каждой карты глубины (кроме дырок) • Пространство разбивается на воксели • Все сетки помещаются в воксельное пространство • Если несколько сеток попадают в один воксель – они объединяются
- 77. Деформируемые поверхности • Строим сетку-приближение • Оптимизируем сетку, добиваясь фото- согласованности поверхности • Очень медленно, бывают локальные минимумы
- 78. Результат
- 79. План лекции • Введение • Многовидовое пассивное стерео • Воксельные подходы • Подход на основе объединения сеток • Разрастание регионов • Приложение: реконструкция головы человека
- 80. Методы на основе фрагментов [Lhuillier and Quan, [Furukawa and Ponce, [Habbecke and Kobbelt, PAMI 05] CVPR 07] CVPR 07]
- 81. Определение фрагмента • Фрагмент p определен • Положением c(p) • Нормалью n(p) Нормаль n(p) • Видимыми изображениями V(p) • Размер выбирается так, Положение c(p) чтобы p был примерно Размер 9x9 пикселей в V(p) Видимые изображения V(p)
- 82. Фотосогласованность • Фотосогласованность N(I, J, p) фрагмента p между изображениями I и J Ixy: цвет в изображении I I12 I11 I J
- 83. Фотосогласованность • Фотосогласованность N(I, J, p) фрагмента p между изображениями I и J Ixy: цвет в изображении I Jxy: цвет в изображении J I J11 J J12
- 84. Фотосогласованность • Фотосогласованность N(I, J, p) фрагмента p между изображениями I и J Ixy: цвет в изображении I Jxy: цвет в изображении J Фотосогласованность N(p) фрагмента p с видимыми I изображениями V(p) = {I1, I2, …, J11 In} J J12
- 85. Реконструкция фрагмента p • Даны начальные приближения • Положения c(p) • Нормали n(p) c(p) • Видимых изображений V(p) n(p) • Утончим c(p) и n(p) {c( p ), n ( p )} arg max N ( p) {c ( p ),n ( p )}
- 86. Реконструкция фрагмента p • Даны начальные приближения • Положения c(p) • Нормали n(p) • Видимых изображений 1 DOF V(p) • Утончим c(p) и n(p) {c( p ), n ( p )} arg max N ( p) {c ( p ),n ( p )}
- 87. Реконструкция фрагмента p • Даны начальные приближения • Положения c(p) • Нормали n(p) • Видимых изображений V(p) 2 DOF • Утончим c(p) и n(p) {c( p ), n ( p )} arg max N ( p) {c ( p ),n ( p )}
- 88. Подтверждение фрагмента • Текстура может случайно совпасть • Фотосогласованность может быть высокой • Проверка • Оставляем только изображения с высокой фотосогласованностью в V(p) • Принимаем фрагмент при |V(p)|≥3
- 89. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Image1 Image2 Зеркальный блик! Image4 Image3
- 90. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} N(Image1, Image2, p)=0.75 Image1 Image2 0.83 0.52 Зеркальный блик! 0.45 Image4 Image3
- 91. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Sum = 2.16 N(Image1, Image2, p)=0.75 Image1 Image2 0.83 Зеркальный блик! Image4 Image3
- 92. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Sum = 2.16 Sum = 1.98 N(Image1, Image2, p)=0.75 Image2 Image1 0.52 Зеркальный блик! Image4 Image3
- 93. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Sum = 2.16 Sum = 1.98 Image1 Image2 0.52 Зеркальный блик! Image4 0.45 Image3 Sum = 1.55
- 94. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Sum = 2.16 Sum = 1.98 Image1 Image2 0.83 Зеркальный блик! Image4 0.45 Image3 Sum = 1.99 Sum = 1.55
- 95. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Sum = 2.16 Sum = 1.98 Image1 Image2 Зеркальный блик! Image4 Image3 Sum = 1.99 Sum = 1.55
- 96. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Sum = 2.16 Image1 Image2 Зеркальный блик! Image4 Image3
- 97. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Sum = 2.16 N(Image1, Image2, p)=0.75 Image1 Image2 Add Image2, because > 0.7 Зеркальный блик! Image4 Image3
- 98. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Sum = 2.16 Image1 Image2 Remove Image3, because < 0.7 Зеркальный блик! Image4 Image3
- 99. Обновление V(p) V(p)={Image1, Image2, Image3, Image4} Sum = 2.16 Image1 Image2 Add Image4, because > 0.7 0.83 Зеркальный блик! ! Image4 Image3
- 100. Обновление V(p) V(p)={Image1, Image2, Image4} Image1 Image2 Зеркальный блик! Image4 Image3
- 101. Алгоритм на основе фрагментов #1. Поиск особых точек #2. Инициализация точек #3. Расширение патчей и фильтрация Input image #1 #2 #3
- 102. Алгоритм на основе фрагментов #1. Поиск особых точек #2. Инициализация точек #3. Расширение патчей и фильтрация Input image #1 #2 #3
- 103. Поиск точек • Harris corner detector (corners) • Difference of Gaussian (blobs)
- 104. Алгоритм на основе фрагментов #1. Поиск особых точек #2. Инициализация точек #3. Расширение патчей и фильтрация Input image #1 #2 #3
- 105. Инициализация точек c(p): триангуляция n(p): V(p): p
- 106. Инициализация точек c(p): триангуляция n(p): параллельно к Image1 V(p): {Image1, Image2} p
- 107. Инициализация точек c(p): triangulation n(p): parallel to Image1 V(p): {Image1, Image2}Image3} Image2, p Add visible images If N ( Image1, Image3, p ) 0.5
- 108. Инициализация точек c(p): triangulation n(p): parallel to Image1 V(p): {Image1, Image2, Image3} p
- 109. Инициализация точек c(p): refine n(p): refine V(p): {Image1, Image2, Image3} {c( p ), n( p)} arg max N ( p) p { c( p ), n ( p )}
- 110. Инициализация точек c(p): refine n(p): refine V(p): {Image1, Image2, Image3} {c( p ), n( p)} arg max N ( p) p { c( p ), n ( p )}
- 111. Инициализация точек Верификация (обновим V(p) и проверим |V(p)|≥3) p
- 112. Инициализация точек p Занята
- 116. Инициализация точек • Повторяем для всех найденных точек Занята
- 117. Алгоритм на основе фрагментов #1. Поиск особых точек #2. Инициализация точек #3. Расширение патчей и фильтрация Input image #1 #2 #3
- 119. Расширение фрагментов Выбираем фрагмент
- 120. Расширение фрагментов Ищем пустых Ничего не соседей Все заняты делаем
- 121. Расширение фрагментов Выбираем фрагмент p
- 122. Расширение фрагментов p Ищем пустых соседей
- 123. Расширение фрагментов p q c(q): {пересечение Реконструируем касательной фрагменты во плоскости и луча} всех соседних n(q): пикселях V(q):
- 124. Расширение фрагментов p q c(q): уточняем q n(q): уточняем V(q): V(p)
- 125. Расширение фрагментов p q Проверяем фрагмент!
- 126. Расширение фрагментов p q Проверяем фрагмент!
- 127. Расширение фрагментов p q Повторяем • Для каждого фрагмента • Для каждого соседнего пустого пикселя
- 128. Фильтрация патчей • Согласование видимости p3 p4 p5 p6 p2 Убираем p1 если 6 | V ( p1 ) | N ( p1 ) i 2 N ( pi ) p1 Image1 Image5 Image2 Image3 Image4
- 129. Алгоритм на основе фрагментов #1. Поиск особых точек #2. Инициализация точек #3. Расширение патчей и фильтрация Input image #1 #2 #3
- 130. 33 Резюме алгоритма
- 131. 34 Резюме алгоритма Поиск особенностей
- 132. 35 Резюме алгоритма Сопоставление особенностей
- 133. 36 Резюме алгоритма Расширение
- 134. 37 Резюме алгоритма Фильтрация
- 135. 38 Резюме алгоритма Расширение
- 136. Примеры
- 137. Видео
- 138. План лекции • Введение • Многовидовое пассивное стерео • Воксельные подходы • Подход на основе объединения сеток • Разрастание регионов • Приложение: реконструкция головы человека
- 139. ЗД захват лица • Пассивная многокамерная система (14 камер) D. Bradley, W. Heidrich, T. Popa, A. Sheffer High Resolution Passive Facial Performance Capture , SIGGRAPH 2010
- 140. Устройство системы • 7 стереопар высокого разрешения Sony HDR- SR7 • Система подстветки на основе LED • Каждая стереопара видит свою зону на лице
- 141. Разрешение изображений • При таком высоком разрешении и равномерной подсветке поры на коже дают достаточно текстуры для вычисления пассивного стерео BRADLEY, D., BOUBEKEUR, T., AND HEIDRICH, W. Accurate multi-view reconstruction using robust binocular stereo and surface meshing. CVPR. 2008.
- 142. Пассивное стерео и обработка • Каждая стереопара даёт карту глубины и облако точек (шумное) • Итеративное сглаживание и вычисление порогов для отброса шумов
- 143. Результат по 1 кадру
- 144. Отслеживание • Выбирают базовую модель и прослеживают её на протяжении всего видео
- 145. Текстурирование • Участки текстуры копируются со своих камер • Поскольку камеры без цветовой калибровки, при прямом копировании текстуры видны резкие цветовые переходы (артефакты) • Для обработки используется композиция по Пуассону
- 146. Результат
- 147. Моментальное 3Д • Построение высокодетализированной 3Д модели лица человека • От одной стереокамеры до нескольих стереокамер T. Beeler, B. Bickel, P. Beardsley, R. Sumner, M. Gross High-Quality Single-Shot Capture of Facial Geometry, SIGGRAPH 2010
- 148. Схема системы • Иерархическое стереосопоставление с итеративным уточнением • От разрешения 160*160 до 1280*1280 • Локальные методы - без использования глобальной оптимизации, сегментации и т.д.
- 149. Результат стерео • Последовательное уточнение геометрии модели • Субпиксельное уточнение диспаритета
- 150. Mesoscopic Augmentation • Вычисляем высокочастотную составляющую изображения • Высокие частоты соответствуют мелким деталям на коже человека • «Искажаем» геометрию согласно специальной формуле
- 151. Результат
- 152. Применение в жизни
- 153. Резюме • Методы 3Д реконструкции на основе активного стерео уже давно вошли в коммерческое использование • Появление дешевых активных сенсоров (Kinect) открывает возможности по массовому их внедрению • Методы на основе пассивного стерео по качеству начали приближаться к методам активного стерео и тоже начинают находить практическое применение