Распознавание образов. Теория, метода, алгоритмы.

Рассказываем о работе технологии face swap, создании известных сегодня deepfake-видео, как трансфер лиц поможет медиарынку и в каком направлении развивается эта область машинного обучения.

Сотрудники научно-исследовательской лаборатории «Бионанотехнологии» Института фундаментальной медицины и биологии Казанского федерального университета нашли возможность распознавать частицы микропластика внутри живых клеток и в организме человека.

Российские учёные обучили нейросеть,создали программу, распознающую 90% русского языка жестов.Это первая в МИРЕ подобная программа

На ферме в Шанхае разработали систему распознавания лиц для идентификации коз. Ее планируется ввести в эксплуатацию в 2022 году, сообщает The Paper.

Компания объявила набор бета-тестеров проекта.

Google запустила бета-версию приложения Relate, помогающего пользователям с речевыми дефектами общаться с другими людьми и голосовыми помощниками, сообщается в блоге компании.

Новый патент Sony предполагает, что компания может разрабатывать собственную технологию масштабирования изображения на основе машинного обучения для использования в будущих играх PlayStation 5 и PlayStation VR 2.

Эта статья является частью наших обзоров научных работ по искусственному интеллекту, серии публикаций, в которых рассматриваются последние открытия в области искусственного интеллекта.

Ищете краткое руководство по обучению классификатора пользовательских изображений? С помощью Inception API от Google Brain с этой задачей можно справиться быстрее, чем выпить чашку кофе.

Представляем версию 0.3 библиотеки глубокого обучения KotlinDL!

Недавно были опубликованы два патента, поданные Nintendo, которые демонстрируют потенциальные планы компании в отношении технологии апскейлинга при помощи ИИ. В патентах, которые были первоначально поданы в марте 2020 года, но опубликованы в четверг, подробно описаны «системы и методы преобразования изображений с машинным обучением».

IC-GAN — набор моделей FAIR для генерации изображений, объекты и сцены на которых отсутствовали в обучающем датасете. IC-GAN можно использовать для аугментации данных.

Ученые из США представили новую технику: она с помощью лазера, который направили в глазок или замочную скважину, позволяет визуализировать всю комнату. Качество итоговой картинки улучшает модель на основе ИИ.

В её основе лежат диффузионные модели.

В блоге Google AI, посвящённом исследованиям и разработкам в области искусственного интеллекта, обнаружили демонстрацию технологии масштабирования изображений на базе диффузионных моделей.

И по другим признакам. С помощью технологии партнера Ростеха NtechLab можно будет распознавать тип кузова, цвет, марку и модель машины, а также осуществить поиск по номеру.

Система работает даже в том случае, если нельзя распознать номера или видна только часть автомобиля.

«Он одинок перед экраном, у него нет ни отца, ни матери, ни страны, ни бога: все, что ему нужно, — это цифровое облако, к которому подключено его интернет-устройство». (Славой Жижек, философ)

Многократных участников акций вносят в базы наряду с опасными преступниками в розыске. И удалиться, судя по всему, нельзя.

Исходный код, сопровождающий трансформатор раскрашивания бумаги, который будет представлен на ICLR 2021. Работа Маноджа Кумара, Дирка Вайсенборна и Нала Кальчбреннера.

Резюме статьи

Колтран состоит из трех компонентов: а colorizer, color upsamplerи spatial upsampler.

Вы можете использовать этот блокнот для игры с нейронной сетью CLIP OpenAI для поиска видео на YouTube с использованием естественного языка.

Вы можете использовать этот блокнот для игры с нейронной сетью OpenAI CLIP для поиска видео на YouTube с использованием естественного языка.
Как это работает

Оптимизаторы в Keras, формирование выборки валидации | #10

Dropout - метод борьбы с переобучением нейронной сети | #11

Batch Normalization (батч-нормализация) что это такое? | #12

Как работают сверточные нейронные сети | #13

Делаем сверточную нейронную сеть в Keras | #14

Распознавание объектов с помощью YOLO v3 на Tensorflow 2.0

Лекция 1. Поиск изображений по содержанию

Лекция 2. Детектирование объектов, часть 1

Дополнения к семинару 1.

Лекция 3. Детектирование объектов, часть 2

Лекция 4. Сегментация Изображений

Лекция 5. Генеративные сети, часть 1

Лекция 6. Генеративные сети, часть 2

Компьютерное зрение

1. Понятие о компьютерном зрении. Цветовые модели

2. Сопоставление изображений

3. Классификация и поиск похожих изображений

4. Введение в сверточные нейросети

5. Развитие нейросетевых методов

6. Выделение объектов или детектор объектов

7. Задача сегментации