Generative Ai

Texture Networks + Instance normalization: Feed-forward Synthesis of Textures and Stylized Images http://arxiv.org/pdf/1603.03417v1.pdf #torch #neuralart #vgg19

Видеозаписи с тренировок по Машинному обучению. Разборы соревнований Kaggle. Календарь соревнований: http://mltrainings.ru/ #kaggle

DeepTelegram: Чатики и каналы по Deep Learning в telegram # Каналы * https://telegram.me/opendatascience - сообщество http://opendatascience.ru (923 члена) * https://telegram.me/modeloverfit - новости из сообщества vk.com/modeloverfit (65 членов) * https://telegram.me/ru_deep - Глубинное обучение (58 членов) * https://telegram.me/deeplearning_ru - Канал нашего сообщества vk.com/deeplearning_ru * https://telegram.me/DeepLearning (40 членов, eng) # Чаты * https://telegram.me/joinchat/ABI4pz6rz2iVzWUzaVqpmA - Это чат про нейронные сети для членов Chatbots and AI Community (328 членов) * https://telegram.me/ru_deep_learning - Чат связанный с каналом @ru_deep (68 членов) * https://telegram.me/datasciencechat - Data Science Chat (164 члена) (Добавляйте свои ссылки)

Machine Learning Trends and the Future of Artificial Intelligence 2016 Data Flywheels The Algorithm Economy Cloud-Hosted Intelligence “Our world view is that every company today is a data company, and every application is an intelligent application,” Somasegar said. “How can companies get insights from huge amounts of data and learn from that? That’s something that has to be brought up with every organization in the world.”

Dynamic Image Networks for Action Recognition (CVPR 2016) Находкой здесь является то, что вы можете сжимать видеопоследовательности в один кадр, что авторы называют "динамический образ". Это динамическое изображение резюмирует действие, которое происходит в последовательности видеокадров. После сжатия видео до динамических изображений, выбирайте свою любимую архитектуру нейронной сети для классификации активности. Преимущество заключается в том, что вы получаете огромное сжатие во входных данных. Авторы утверждают, что уменьшили размер датасета Sports-1M с 10TB до 20GB. http://users.cecs.anu.edu.au/~sgould/papers/cvpr16-dynamic_images.pdf https://github.com/hbilen/dynamic-image-nets #CVPR2016 #video #CNN

Пять вещей, которые я узнал в CVPR 2016 1. “Understanding” это новый тренд Темы 2015 и 2016: * Computational photography * 3D “stuff” — recognition, matching, reconstruction, etc. * Segmentation — in both images and video * Image processing and restoration * Action recognition Новые темы CVPR2016: * Image captioning and question answering * Video understanding 2. Хватит использовать ImageNet, полно других датасетов: * MegaFace - http://megaface.cs.washington.edu/ * Multi-Person Video  - http://basketballattention.appspot.com/#dataset * TGIF - http://raingo.github.io/TGIF-Release/ 3. Train Networks End-to-End От DenseCap до Image Question Answering, обучение end-to-end становиться новой нормой. И эта новая норма, приводит к более высокой производительности. 4. Студенты  —  Выбирайте Computer Vision 5. Люди Удивительны "Результаты показывают, что люди значительно опережают алгоритмы распознавания лица ". #CVPR #CVPR2016

Andrew Ng: Deep Learning, Self-Taught Learning and Unsupervised Feature Learning Один из основателей Coursera, доцент Стэнфорда и специалист в области машинного обучения и робототехники Эндрю Ын объясняет тонкости обучения «с учителем» и без.

Погружение в глубокие нейронные сети за 20 минут Андрей Фильченков https://youtu.be/eF76uXownYI?t=2h17m56s http://www.slideshare.net/chatbotscommunity/20-muzis-hackathon?qid=9d377b11-150b-423c-81ba-7bd153f43b72&v=&b=&from_search=1