Публикации по теме 'convolutional-network'
Сделайте глубокое изучение своего художника с помощью Style Transfer
«Стиль — это то, что уже есть у каждого из нас, все, что нам нужно сделать, это найти его». — Диана фон Фюрстенберг
Чтобы классифицировать изображения с помощью CNN, нам нужно сначала извлечь функции, и эти функции будут загружены в наш классификатор. Эти функции полезны не только для целей классификации, но и для реконструкции изображений и являются основой для Style Transfer и Deep Dream . Алгоритм компьютерного зрения, основанный на достижениях нейронной сети глубокой..
Сверточные нейронные сети — демистификация
Искусственный интеллект сильно продвинулся за последнее десятилетие. Он даже показал точность, близкую к человеческому уровню, в некоторых задачах, таких как классификация изображений и обнаружение объектов.
Еще в 2012 году в области компьютерного зрения произошел прорыв, когда Алексей Крижевский и его коллеги выиграли конкурс ImageNet. Они построили архитектуру сверточной нейронной сети для решения проблемы классификации изображений.
Это было началом новой эры в компьютерном зрении, и..
Twin-GAN: междоменный перевод человеческих портретов
Неудивительно, что множество открытий и изобретений в любой области исходит из личных интересов исследователей. Этот новый подход к переводу человеческих портретов также является одним из вдохновляющих личных проектов. Автор Twin-GAN Джерри Ли интересовался аниме, но его не удовлетворили попытки нарисовать любимых персонажей. Итак, когда он начал заниматься машинным обучением, он пришел к вопросу: Как превратить человеческие портреты в персонажей аниме с помощью ИИ? . И вуаля,..
Сверточная нейронная сеть - это черный ящик? Уже нет!
Сверточные нейронные сети (CNN) - это глубокие искусственные нейронные сети, которые используются в первую очередь для классификации изображений, их группировки по сходству и распознавания объектов.
Существует множество различных руководств, в которых показано, как реализовать вашу собственную модель CNN с использованием различных нейросетевых библиотек (Keras, TensorFlow, PyTorch и т. Д.) С вашей собственной сетевой архитектурой. Однако нет исчерпывающего объяснения того, что..
Глубокое обучение с подкреплением и поиск по дереву Монте-Карло с помощью Connect 4
В предыдущей статье я писал о том, как реализовать агент обучения с подкреплением для игры в крестики-нолики с использованием алгоритма TD (0). Я реализовал 2 вида агентов. Первый - табличный агент обучения с подкреплением, что означает, что функция значения хранится в виде таблицы, содержащей все значения каждого состояния, которое существует в игре для оптимальной политики (которая изучается во время итераций алгоритма). Все значения можно сохранить, потому что в игре меньше 6000..
Как ИИ видит лучше, чем ваши глаза
Объяснение сверточных нейронных сетей простым языком.
В этой статье мы познакомим вас с ключевыми идеями современного компьютерного зрения. Мы исследуем, как сложить несколько слоев с сотнями нейронов, которые изучают низкоуровневые функции изображений. Мы мотивируем наши поиски тем, что сначала посмотрим, как зрение работает у млекопитающих.
Видение, созданное природой
Нейроны в зрительной коре головного мозга млекопитающих организованы для обработки изображений слоями, некоторые..
Поиск с помощью глубокого обучения: обзор потери рейтинга, часть 2
Это вторая часть исследования рейтинговых потерь. Первая часть покрывает контрастные и тройные потери. В этой части представлены N-пары и угловые потери.
[3] Потеря N-пар
Как контрастные, так и триплетные потери используют евклидово расстояние для количественной оценки сходства между точками. Кроме того, каждый якорь в обучающем мини-пакете связан с одним отрицательным примером. Потеря N-пар меняет эти два предположения. Во-первых, он использует косинусное сходство для..
