Свързани публикации 'computer-vision'


Компютърно зрение с човешки лица (1/3)
Преглед на компютърното зрение с помощта на снимки на нашите лица Лицето е може би частта от човешкото тяло, която предоставя по-голямата част от съответната визуална информация за човек. Не е изненада, че всеки документ за самоличност има снимка на собственика си. В компютърното зрение няколко системи са използвали данните от лицата за решаване на различни видове задачи. В тази поредица ние изследваме видовете информация и приложения, свързани с човешкото лице. В компютърното..
Как броите тълпите?
„Изкуство за машинно обучение“ Как броите тълпите? Нов метод за преброяване на тълпата въз основа на изображения Методът на Джейкъбс, кръстен на човека, който го е измислил, е най-разпространеният начин за преброяване на хората на протести и митинги . Методът на Джейкъбс е да се раздели пространството, което тълпата заема, на секции, да се изчисли колко хора са средно във всяка секция и да се умножи това число по броя на...
По-добро отпадане! Внедряване на DropBlock в PyTorch
По-добро отпадане! Внедряване на DropBlock в PyTorch Интерактивна версия на тази статия можете да намерите тук DropBlock е достъпен на очила в моята библиотека за компютърно зрение! Въведение Днес ще внедрим DropBlock в PyTorch! DropBlock , въведен от Ghiasi et al, е специфична техника за регулиране на изображения за изображения, която емпирично работи по-добре от Dropout. Защо отпадането не е достатъчно? Проблемът с Dropout на изображения „Отпадане“ е техника за..
Изкуственият интелект е ножът с две остриета на нашето бъдеще
От ВЕКОВЕ учените се чудеха на дълбините на човешкия интелект. От създаването на графики до създаването на архитектура, математика и езици, хората винаги са били смятани за най-умните и най-смелите от всички животни. В продължение на ДЕСЕТИЛЕТИЯ учените успяха да създадат нова технология в помощ на хората, от калкулатори до автономни роботи, до нови дронове. Сега възниква въпросът, можем ли да направим тази технология толкова умна, колкото хората? Учените и изследователите се..
Многозадачни архитектури
Леки модели за многозадачен извод в реално време Въведение Чудили ли сте се някога как да обучите дълбока невронна мрежа да прави много неща? Такъв модел се нарича многозадачна архитектура и може да има предимства пред традиционния подход, който използва отделни модели за всяка задача. Многозадачната архитектура е подмножество на многозадачното обучение, което е общ подход за обучение на модел или набор от модели за изпълнение на множество задачи едновременно. В тази публикация ще..
Представяне на изображения и предварителна обработка: Изследване на формати и техники
Представяне на изображения и предварителна обработка: Изследване на формати и техники Въведение: В днешния дигитален свят изображенията играят решаваща роля в различни приложения, вариращи от фотография и уеб дизайн до компютърно зрение и машинно обучение. Разбирането на различните формати на изображения и използването на подходящи техники за предварителна обработка са от съществено значение за оптимизиране на данните за изображения и постигане на желаните резултати. В областта на..
GAN — Защо е толкова трудно да се обучават генериращи състезателни мрежи!
По-лесно е да разпознаете картината на Моне, отколкото да нарисувате такава. Генеративните модели (създаване на данни) се считат за много по-трудни в сравнение с дискриминативните модели (обработка на данни). Обучението на GAN също е трудно. Тази статия е част от серията GAN и ние ще проучим защо обучението е толкова неуловимо. Чрез проучването разбираме някои фундаментални проблеми, които ръководят насоките на много изследователи. Ще разгледаме някои разногласия, за да знаем..