Что-то я последнее время в основном с новостями связанными с ML)

На этот раз ссылка на готовую модель tensorflow для Instance Segmentation - это совмещение двух задач: детектирования и сегментации. Происходит буквально следующее: находятся все объекты, а потом в каждом выделенном фрагменте происходит бинарная сегментация, т.е. выделяются непосредственно границы объекта (отделяется фон).

Если интересно, смотрите ссылку https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/instance_segmentation.md

#ml #dl #cv #tf

Сегодня заметил, что google создал ещё один подраздел в разделе machine learning. В нём рассматриваются практические примеры применения машинного обучения и, что очень здорово, практические задания, которые можно выполнять онлайн в google colab.

Пока только материалы посвящённые классификации изображений (и опять учиться предстоит на кошках и собачках), но задумка мне нравится, статьи совмещённые с практикой, хороший способ быстро войти в машинное обучение.

Пока мне это манеру изложения лекций course.fast.ai (очень рекомендую), посмотрим что будет дальше, с нетерпением жду практических советов от гугл.

https://developers.google.com/machine-learning/practica/

#ml #cv #google #guide

Алгоритмам машинного обучения нужно очень много данных, чтобы достичь непревзойдённых результатов. Например, чтобы хорошо классифицировать объекты на изображении нужны десятки тысяч объектов для каждого класса. Где же найти так много данных для обучения? Ответ вы скорее всего знаете и он transfer learning, но всё же, чем больше примеров есть, тем лучшее. Популярный способ расширить набор данных - аугментация. Это такой способ исказить изображения, тем самым расширяя вариативность ваших данных.


Популярные сейчас библиотеки:
https://github.com/aleju/imgaug - наверное самый известный проект для аугментации изображений
https://github.com/albu/albumentations - совсем недавно была разработана, работает быстрее и умеет делать совсем нетривиальные искажения, обязательно попробуйте


С этими библиотеками вы можете добавить совсем простые искажения, как повороты и масштабирование, так и более сложные, изменение цвета и добавление бликов.

Ещё один интересный подход, использовать GAN для генерации правдоподобных изображений https://towardsdatascience.com/generative-adversarial-networks-for-data-augmentation-experiment-design-2873d586eb59

А вообще очень сильно нахватает способа аугментации текстов, исказить текст не теряя смысл интересная и трудная задача.

#cv #nn #data #augmentation

Для большого числа задач важно определять расстояние до объектов на видео. Самое банальное это, конечно, автономные автомобили, но этим применение не ограничивается. Как вы знаете на беспилотные автомобили устанавливают лидары, стоят они достаточно дорого.

Статья в блоге google как раз о новом подходе к решению этой задачи, где используется всего одна камера (не стерео видео, как это было раньше). Как вы можете догадаться, для этого использовали нейронные сети.

По ссылке вы найдёте простое без технических деталей описание проблемы и решения https://ai.googleblog.com/2018/11/a-structured-approach-to-unsupervised.html.

Работа основана на этой статье https://arxiv.org/pdf/1811.06152.pdf и вот здесь можно подчеркнуть технические детали http://openaccess.thecvf.com/content_cvpr_2018/papers/Mahjourian_Unsupervised_Learning_of_CVPR_2018_paper.pdf

Авторы не ограничились статьёй, код реализованный на tensorflow доступен здесь https://github.com/tensorflow/models/tree/master/research/struct2depth

#nn #cv

Очередная статья про медицину в этом году. Год медицины?

И опять на nature https://www.nature.com/articles/s41591-018-0316-z доступ на чтение опубликовал один из авторов,
Jeff Dean, в своём twitter https://twitter.com/JeffDean/status/1082664671427981312

Это не сложная научная статья, а больше анализ и обсуждение как различного рода модели уже используются или могут быть использованы в медицине.

В статье разбирается как использовать компьютерное зрение, обработку естественных языков и обучение с подкреплением (reinforcement learning). Например NLP используется для анализа информации в карточках, как вы понимаете, прошли годы в попытках создать общий стандарт, но как оказалось проще сделать алгоритм понимающий разные форматы :)

А ещё важная мыль, то что Deep Leaning модели могут содержать несколько разных входов, что для медицины как нельзя кстати. На вход одновременно подаётся снимок, описание проблемы и любая другая информация об анализах и модель всё это вместе может анализировать.

И опять же, это не про замену медиков, это про повышение эффективности. В статье приводится информация, что доктор тратит 6 из 11 часов на работу с документацией, а анализ снимков это часто очень кропотливая работа, человек устаёт и может потерять концентрацию, в результате внимания не обратить внимание на что-то важное.

Рассказывайте своим знакомым медикам про машинное обучение, увы им про это в университете не рассказывают, работая вместе, можно добиться значительного ускорения развития медицины.

#medicine #nlp #cv #rl