Публикации по теме 'computer-vision'
Реализация стохастической глубины/пути падения в PyTorch
Реализация стохастической глубины/пути падения в PyTorch
DropPath доступен в моей библиотеке компьютерного зрения очки .
Код находится здесь , интерактивную версию этой статьи можно скачать здесь .
Введение
Сегодня мы собираемся реализовать Stochastic Depth, также известную как Drop Path, в PyTorch! Стохастическая глубина , представленная Гао Хуангом и др., — это метод деактивации некоторых слоев во время обучения. Мы будем придерживаться DropPath .
Давайте взглянем..
Как обнаружить мелкие объекты на (очень) больших изображениях
Практическое руководство по использованию гиперинфекции с нарезкой для анализа спутниковых изображений
Здесь, в ML6, нас иногда спрашивают, как обнаружить очень маленькие объекты с высоким разрешением, то есть очень большие изображения. Хороший пример - поиск объектов на аэрофотоснимках. Цель этого сообщения в блоге - продемонстрировать практический подход к этой проблеме с использованием Slicing Aided Hyper Inference (SAHI).
Мы рассмотрим набор данных DOTA (v1.0), который..
Воспроизведение тренировочной эффективности YOLOv3 в PyTorch (Часть 1)
Часть 1: Сетевая архитектура и канальные элементы слоев YOLO
Привет, меня зовут Хирото Хонда, инженер отдела исследований и разработок компании DeNA Co., Ltd. в Японии.
В этой статье я делюсь деталями обучения детектора, которые реализованы в нашем репозитории PyTorch_YOLOv3 , исходный код которого был открыт DeNA 6 декабря 2018 года. В прошлый раз я представил наше репо и подчеркнул почему важно воспроизводить тренировочные показатели. На этот раз я хотел бы показать структуру..
Что именно подразумевается под объяснимостью и интерпретируемостью ИИ?
Узнайте о терминологии объяснимого ИИ
Искусственный интеллект стал важной частью автоматизации в различных областях. Однако для развертывания моделей обучения ИИ в реальной жизни ИИ все же необходимо преодолеть «проблему черного ящика». Чтобы решить эту проблему, в настоящее время исследователи ИИ сосредоточились на области объяснимого ИИ (XAI). Область XAI направлена на то, чтобы оснастить текущие модели обучения ИИ прозрачностью, справедливостью, подотчетностью и объяснимостью...
Резюме встречи: как создавать высококачественные наборы данных машинного обучения и модели компьютерного зрения
Брайан Мур, соучредитель и технический директор Voxel51, недавно выступил на Virtual MLOps and Kubeflow Meetup , чтобы рассказать, как Voxel51 помогает инженерам и ученым в области компьютерного зрения и машинного обучения обучать более совершенные модели с более качественными данными.
В своем выступлении Брайан рассказывает, что такое машинное обучение, ориентированное на данные, и почему оно важно, а также демонстрирует живую демонстрацию FiftyOne, инструмента с открытым исходным..
Обучение с самоконтролем: репрезентативное обучение через инвариантные причинно-следственные механизмы
Привет, я не был активен в последнее время, но у меня есть немного свободного времени, чтобы предоставить эту часть. Я нашел больше интересных работ в разделе Обучение с самоконтролем , так что вы можете ожидать от меня больше статей на эту тему. Эта работа исходит от DeepMind , и я нашел ее очень проницательной. Если вы только начали изучать контрастное обучение, эта статья должна дать вам некоторые интересные идеи. В любом случае, надеюсь, вы найдете это полезным.
ОБУЧЕНИЕ..
Реализация искусственной нейронной сети с использованием NumPy и классификации изображений Fruits360…
В этом руководстве с нуля создается искусственная нейронная сеть на Python с использованием NumPy для создания приложения классификации изображений для набора данных Fruits360. Все (то есть изображения и исходные коды), использованные в этом руководстве, а не цветные изображения Fruits360, являются исключительными правами на мою книгу под названием Ахмед Фаузи Гад« Практические приложения компьютерного зрения, использующие глубокое обучение с CNN . Декабрь 2018, Апресс, 978–1–4842–4167–7..
