Публикации по теме 'computer-vision'
Как компьютер может учиться без данных?
Было показано, что машинное обучение является чрезвычайно полезным и мощным способом обучения компьютеров. Единственное требование состоит в том, чтобы у алгоритма было достаточно данных для обучения и понимания, потому что для раскрытия шаблонов требуется много информации. Но что, если у нас нет доступа к таким данным? Что, если нам нужно предсказывать чрезвычайно редкие заболевания, практически не имея данных, на которых можно было бы учиться? Обычных методов машинного обучения и..
Многоэтапная оценка конвейера: пример тайской системы ID OCR
Многоступенчатый конвейер и его проблемы
Прикладное машинное обучение обычно сосредоточено на поиске одной модели, которая хорошо работает на данных реального варианта использования. В этом случае модель будет оцениваться с использованием показателей оценки, характерных для выполняемой задачи. Это помогает понять характеристики модели и производительность данного набора данных, что полезно для дальнейшего улучшения. Однако в некоторых случаях одного модуля недостаточно, и требуется..
ИИ и многоязычная магия: соединение миров посредством языка
Окунитесь в увлекательный мир, где искусственный интеллект (ИИ) встречается с очаровательным царством языкового разнообразия. Узнайте, как многоязычные модели ткут полотно общения, выходящее за пределы языковых ограничений, соединяющее культуры и переопределяющее глобальное взаимодействие. Присоединяйтесь к нам, и мы раскроем завораживающее путешествие многоязычия на базе искусственного интеллекта и его глубокое влияние на нашу взаимосвязанную планету.
Многоязычные чудеса: где..
UViM от Google Brain: унифицированный подход к моделированию разнообразных зрительных задач без модификаций
Глубокие нейронные сети произвели революцию в области компьютерного зрения, добившись беспрецедентной производительности в широком диапазоне задач. Однако производство многомерных структурированных выходных данных для задач зрения, таких как сегментация изображения, монокулярная оценка глубины, обнаружение объектов и т. д., требует ручной обработки…
Интеграция классификации диабетической ретинопатии в веб-приложение (Gradio)
Введение
Это проект бинарной классификации для классификации диабетической ретинопатии на одну или пять категорий. Этот проект основан на реальных данных изображений. В моем случае я пробую бинарную классификацию. Меня только что классифицировали (DR vs No_DR (Легкая, Средняя, Тяжелая и Пролиферативная)).
В этой статье я интегрировал классификацию диабетической ретинопатии в WebApp (Gradio).
Понимание решения для глубокого обучения
Постановка проблемы:
Выявление..
Погружение в DCGAN
Область глубокого обучения стала свидетелем замечательных достижений в генеративных моделях. Одним из таких прорывов является разработка глубоких сверточных генеративно-состязательных сетей (DCGAN).
DCGAN произвели революцию в создании изображений, просто объединив сверточные нейронные сети и методы состязательного обучения. В этом сообщении блога мы углубимся в нейроны DCGAN, изучая их архитектуру, процесс обучения и приложения.
Возвращаясь к GAN
Генеративно-состязательные сети..
ИИ с росой: решение задачи Суперкубка Mountain Dew с помощью платформы Sense AI
В этом году на Суперкубке Mountain Dew представила, казалось бы, простую задачу: подсчитать количество бутылок Mountain Dew в своем 30-секундном рекламном ролике Super Bowl. Найдите секунду и попробуйте сделать это самостоятельно здесь:
Сдаться еще? Это сложнее, чем кажется. Для масштабного решения сложных визуальных задач вам нужны инструменты, вам нужен искусственный интеллект и вам нужна платформа. Платформа искусственного интеллекта Sixgill, Sense, позволяет компаниям извлекать..
