Публикации по теме computer-vision

Публикации по теме 'computer-vision'

10 лучших статей об искусственном интеллекте за октябрь 2018 г.

Октябрь 2018 г. Новости о машинном обучении (ML), искусственном интеллекте (AI), Data Science (DS) и связанных областях расширенной аналитики. Добро пожаловать в четвертый пост xplore.ai из ежемесячной серии 10 тщательно отобранных прочтений ИИ . Цель этой серии - предоставить аудитории тщательно подобранный список самых интересных новостей, публикаций и инструментов, с которыми наша команда столкнулась в течение предыдущего месяца. Компьютерное зрение 1. Инструмент What-If..

Как ИИ справляется с неопределенностью: интервью с Брайаном Зибартом

Такер Дэйви Обучая детекторы изображений, исследователи искусственного интеллекта не могут воспроизвести реальный мир. Они учат системы, чего ожидать, снабжая их обучающими данными, такими как фотографии, компьютерные изображения, реальное видео и смоделированное видео, но эти практические среды никогда не могут уловить беспорядок физического мира. В машинном обучении (ML) детекторы изображений учатся обнаруживать объекты, рисуя вокруг них ограничивающие рамки и давая им метки. И..

Трансферное обучение - часть 1

Простое и лаконичное объяснение с реальными примерами. В этом посте мы закладываем основы трансферного обучения. Мы начнем с объяснения основной идеи трансферного обучения и его формального определения. Затем мы обсудим проблемы трансферного обучения и существующие решения. Наконец, мы кратко рассмотрим некоторые варианты использования трансферного обучения. В следующих статьях этой серии мы будем использовать описанные здесь обозначения и определения, а также углубимся в последние..

Взгляд на мир через соломинку:

Как уроки, извлеченные из приложений компьютерного зрения в географии, повлияют на анализ биологических изображений (Часть 1) Автор: Ник Вейр (старший специалист по анализу данных, In-Q-Tel CosmiQ Works), Джей Джей Бен Джозеф (член технического персонала, In-Q-Tel B.Next) и Дилан Джордж (вице-президент, технический персонал, In-Q). -Тел Б. Далее). Это часть 1 сотрудничества между CosmiQ Works и B.Next, и она опубликована в обоих блогах. Вступление Марк Андреесен описал..

Работа над пониманием местоположения в планетарном масштабе

Недавние инновации в динамичной аэрокосмической отрасли создали уникальные предложения для высокочастотных спутниковых изображений. Хотя это представляет огромный интерес для аналитиков изображений, значительная часть специалистов по ГИС и специалистов по геоданным работает меньше с растровыми данными (изображениями AKA) и больше с точечными и векторными данными. Планета управляет крупнейшей в мире группировкой спутников наблюдения Земли, обеспечивающих почти ежедневное покрытие всей суши..

Насколько зашумлен ваш набор данных? Образцы и образцы тренировок с отягощениями для оптимизации производительности!!!

Данные обучения могут быть чистыми или зашумленными, что влияет на производительность модели машинного обучения. В этой статье обсуждаются оптимальные стратегии в каждой ситуации. Содержание основано на статье [5]. Актуальные проблемы сбора и аннотирования данных В настоящее время глубокое обучение является жизненно важной технологией для разработки ИИ. Эффективность этого метода зависит от (1) количества обучающих выборок и (2) качества аннотации данных. Однако большой объем..

Подсчет объектов путем оценки карты плотности с помощью сверточных нейронных сетей

Автор сценария Томаш Бонус и Томаш Голан . Вступление Подсчет объектов на изображениях - одна из фундаментальных задач компьютерного зрения. Он имеет множество приложений, в частности: микробиология (например, подсчет бактериальных колоний в чашке Петри); наблюдение (например, подсчет людей); сельское хозяйство (например, подсчет фруктов или овощей); медицина (например, подсчет опухолевых клеток на гистопатологических изображениях); охрана дикой природы (например, подсчет..