Публикации по теме 'computer-vision'


Обзор EfficientNet: повышение точности и надежности CNN
«Умение думать дает вам гораздо больше возможностей, чем те, кто знает только то, что думать », - Нил деГрасс Тайсон Переосмысление масштабирования модели для сверточных нейронных сетей 🎯 Вышеупомянутая статья была опубликована в 2019 году на Международной конференции по машинному обучению (ICML). В задаче ImageNet при загрузке расчета параметров 66M EfficientNet достиг точности 84,4% и занял свое место среди самых современных . EfficientNet можно рассматривать как..
Близнецы Барлоу для мозговых интерфейсов
Высокоуровневое описание этой новой архитектуры и краткое обсуждение возможных приложений. Потребность в данных, помеченных вручную, является, пожалуй, самым большим препятствием в машинном обучении сегодня, поскольку существует множество проблем, связанных с созданием таких наборов данных. Методы самоконтролируемого обучения являются возможным решением этой проблемы, когда модели построены таким образом, что метки могут быть получены только из входного сигнала. Близнецы Барлоу..
Создайте модель глубокого обучения, готовую к развертыванию, с помощью нескольких щелчков мышью.
Глубокое обучение - это подраздел машинного обучения, целью которого является разработка алгоритмов, называемых нейронными сетями, именно так работает человеческий мозг. Это требует очень глубоких знаний в математике, а очень сложные архитектуры делают эту область искусственного интеллекта одной из самых сложных для освоения. У нас часто есть идеи для приложений, которые могли бы использовать модели машинного обучения для компьютерного зрения или аудиоклассификации, однако нам либо..
Сверточные нейронные сети с нуля
Сверточные нейронные сети с нуля Реализация NumPy знаменитой сверточной нейронной сети: одной из самых влиятельных архитектур нейронных сетей на сегодняшний день. Когда Ян Лекун опубликовал свою работу по разработке нового типа архитектуры нейронной сети [1], сверточной нейронной сети (CNN), его работа осталась практически незамеченной. Потребовалось 14 лет и команда исследователей из Университета Торонто, чтобы представить CNN публике во время конкурса ImageNet Computer Vision 2012..
Реализация CNN для задач классификации изображений в Google Colab.
Введение в набор данных Цель этого проекта — распознать тип цветка на изображении. Это может быть полезно, учитывая, что не так уж много людей являются знатоками цветов и не могут различать разные типы цветов. К счастью, компьютеры и сверточные нейронные сети очень хороши в этом, учитывая правильные данные. В гипотетической ситуации вы видите, что у вас во дворе растут цветы, или вам подарил цветы любимый человек, сфотографируйте их и запустите в этой программе. Результатом будет точное..
Почему аннотации к изображениям важны для машинного обучения в мире ИИ?
Аннотации изображений — важнейшая неотъемлемая часть разработки машинного обучения. На самом деле, это процесс, который помогает модели учиться на данных и правильно прогнозировать. А в модели искусственного интеллекта, основанной на визуальном восприятии, аннотации к изображениям играют важную роль в обнаружении объектов, видимых в естественной среде, помогая алгоритмам учиться на основе обнаружения, распознавания и сегментации объектов. Важность аннотации изображения Если вы..
Удивительное понимание того, как работает обработка изображений
Изначально я разместил это как ответ на Quora- › https://qr.ae/TUhbkB Одно из самых удивительных, которые я обнаружил, - это умное вычисление краев изображения с помощью вычислений. Рассмотрим черно-белое изображение Здесь я увеличил изображение небольшого региона. Как видите, в нем много пикселей. Его можно представить как 2D-матрицу со следующими ограничениями: в AijAij i представляет координату x пикселя, j представляет координату y верхняя левая точка -..