Распознавание образов. Теория, метода, алгоритмы.

Уважаемые коллеги!

В то время, когда почти вся редакторская команда Ёжика взяла себе выходные, единственное, что может нам помочь, — это канал MathHedgehog на VK Видео и YouTube! Поэтому, пользуясь освободившимися слотами в нашей ленте, продолжаем рассказывать о видеокурсах, которые сняла наша команда за последнее время!

Как рассказал мужчина, духи умерших отобразились на экране автомобиля хотя рядом с машиной никого не было.

Hertz-dev 8.5B

Hertz-dev - это мощная 8.5B модель для работы с аудио с открытым исходным кодом.

Hertz-dev создан на основе 20 миллионов уникальных часов высококачественных аудиоданных.

Hertz-dev - это базовая модель, без тонкой настройки, RLHF.

Р. Р. Якупов, К. Б. Гусманова

DOI: 10.19110/geov.2024.9.5

Транскрибаторы уволены? Нашла крутой сервис для расшифровки: русскоязычный, без VPN

Привет, Хабр! Меня зовут Кирилл Колодяжный, я пишу код на С++ для систем хранения данных в YADRO. Помимо основной работы, интересуюсь машинным обучением и его возможностями, в том числе на «плюсах». Недавно мне стало интересно разобраться, как развернуть модель компьютерного зрения на мобильном устройстве с операционной системой Android.

RevAI, лидер в области профессиональной транскрипции английской речи выпустила в открытый доступ фреймdорк Reverb (https://github.com/revdotcom/reverb) и набор моделей для построения конвейера speech-to-text.

VK Видео внедрил новые алгоритмы искусственного интеллекта для автоматического распознавания речи и синтеза субтитров в роликах, шоу, клипах и другом контенте.

Точность анализа и расшифровки выросла на 25%, кроме того, нейросети теперь знают тысячи новых слов, включая мемы, имена собственные, акронимы и профессиональные термины.

GOT (General OCR Theory) - это модель 580M OCR-2.0, превосходящая все существующие методы оптического распознавания символов.

GOT состоит из Vision-Encoder для преобразования изображений в трансформеры изображений, а затем токены и для распознавания OCR в различных форматах (например, обычный текст, markdown, Mathpix).

Привет, коллеги! Сегодня мы затронем довольно узкую, но крайне интересную тему — Few-Shot Learning в контексте сегментации изображений. Это направление иногда остается в тени более популярных методов глубокого обучения, но на самом деле имеет огромный потенциал, особенно когда у нас ограниченное количество размеченных данных.

Qwen2-VL - это новая версия VLMs, основанная на Qwen2 в семействе моделей Qwen. По сравнению предыдущим поколением, Qwen2-VL обладает возможностями:

Распознавание изображений с различным разрешением и соотношением сторон;

VQA-понимание видеороликов продолжительностью более 20 минут с поддержкой диалога;

Выпускники СГТУ им. Гагарина Ю.А разработали уникальное приложение, которое предназначено для преодоления языкового барьера с людьми, имеющими нарушение слуха.

Mamba Vision - реализация архитектуры Mamba с применением селективных моделей пространства состояний (SSM) в области обработки изображений от Nvidia Lab.

В работе рассматривается задача распознавания эмоций по мимическим микровыражениям. Приведен анализ мимических проявлений эмоций. Выявлены мимические признаки для распознавания базовых эмоций. Определен базис пространства мимических проявлений эмоциональных состояний.

Все аналогичные зарубежные системы имеют другие языковые базы, которые не различают важнейшие для славянских текстов особенности написания.

Одно из интересных и полезных применений нейросетей — обнаружение объектов на изображении, таких как машины, люди или человеческие лица.

В головном офисе VK в Москве прошел финал Всероссийского инженерного конкурса (ВИК), на котором магистрант института фундаментального образования УрФУ Борис Бредихин защитил свою работу — он занял первое место и получил денежный приз.

Zyda – это открытый датасет объемом 1.3 триллиона токенов от команды Zyphra, предназначенный для обучения больших языковых моделей. Zyda включает в себя данные из open source датасетов, таких как RefinedWeb, Starcoder, C4, Pile, подвергнутые тщательной фильтрации и дедупликации.

Ключевые особенности Zyda

Умелец под ником Nekhil разработал умные очки, способные переводить язык жестов в обычную речь. Гаджет на базе микрокомпьютера Raspberry Pi Zero 2 W задействует камеру Raspberry Pi Camera Module V2, в то время как за перевод жестов отвечает нейросеть YOLOv8.

Таких мозгов как в России в Европе нет, а кушать хочется и хочется повышать эффективность сельского хозяйства. В Нидерландах предложили следующее:

Генная инженерия сделает растения более заметными для роботов

Голландские ученые хотят помочь искусственного интеллекту, чтобы он не путал сорняки с сельхозкультурами.

Парень создал датчик движения с распознаванием лиц, который с помощью нейросетей определяет пол, возраст и эмоцию

В Московской области протестируют уникальную систему распознавания домашних животных с помощью искусственного интеллекта. Об этом сообщили в региональном министерстве сельского хозяйства и продовольствия.

С миллионами часов голосовых и звуком «ъ».

Из одной картинки получается четыре понятных изображения. Снижение разрешения является фундаментальным шагом в CNN для ускорения времени обработки.

В статье покажем, как алгоритмы компьютерного зрения помогают решить задачу автоматического определения объема круглого леса в лесовозе по фотографии. Пройдем путь от идеи до прототипа. Расскажем, какие были выбраны решения и почему.

DALL-E 2 также может добавлять на изображения новые объекты и редактировать фотографии. Кроме того, при загрузке двух картинок ИИ создаст новую, объединив элементы изображений.

«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)

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.