Forwarded from Tensorflow(@CVision) (Alireza Akhavan)
#خبر
فیس بوک با میلیاردها تصویر آپلود شده در اینستاگرام یک شبکه کانولوشنالی را آموزش داد!
فیس بوک اخیرا با استفاده از 3.5 میلیارد تصویر اینستاگرام، در 17000 هشتگ مختلف یک شبکه عصبی کانولوشنالی را آموزش داده است.
این شبکه بر روی داده های تست چالش ImageNet به دقت 85.4 دست یافته است، که بهترین مدل قبل از این به دقت 83.1 دست یافته بود!
نکته قابل تامل نویزی بودن هشتگهای اینستاگرام در مقابل مجموعه داده ی بادقت برچسب زده شده ی آموزشی imagenet است.
به عقیده فیس بوک:
"As training data sets get larger, the need for weakly supervised — and, in the longer term, unsupervised — learning will become increasingly vital," said Facebook. "Understanding how to offset the disadvantages of noisier, less curated labels is critical to building and using larger-scale training sets."
https://www.engadget.com/2018/05/02/facebook-trained-image-recognition-ai-instagram-pics/
https://www.wired.com/story/your-instagram-dogs-and-cats-are-training-facebooks-ai/
#classification #image_recognition
#convolutional_neutral_network #cnn
#deep_learning #facebook #imagenet
فیس بوک با میلیاردها تصویر آپلود شده در اینستاگرام یک شبکه کانولوشنالی را آموزش داد!
فیس بوک اخیرا با استفاده از 3.5 میلیارد تصویر اینستاگرام، در 17000 هشتگ مختلف یک شبکه عصبی کانولوشنالی را آموزش داده است.
این شبکه بر روی داده های تست چالش ImageNet به دقت 85.4 دست یافته است، که بهترین مدل قبل از این به دقت 83.1 دست یافته بود!
نکته قابل تامل نویزی بودن هشتگهای اینستاگرام در مقابل مجموعه داده ی بادقت برچسب زده شده ی آموزشی imagenet است.
به عقیده فیس بوک:
"As training data sets get larger, the need for weakly supervised — and, in the longer term, unsupervised — learning will become increasingly vital," said Facebook. "Understanding how to offset the disadvantages of noisier, less curated labels is critical to building and using larger-scale training sets."
https://www.engadget.com/2018/05/02/facebook-trained-image-recognition-ai-instagram-pics/
https://www.wired.com/story/your-instagram-dogs-and-cats-are-training-facebooks-ai/
#classification #image_recognition
#convolutional_neutral_network #cnn
#deep_learning #facebook #imagenet
Engadget
Facebook trained image recognition AI with billions of Instagram pics
The method could allow deep learning models to be trained with less human supervision.
کلاس ویژن: یادگیری عمیق و بینایی کامپیوتر
#خبر فیس بوک با میلیاردها تصویر آپلود شده در اینستاگرام یک شبکه کانولوشنالی را آموزش داد! فیس بوک اخیرا با استفاده از 3.5 میلیارد تصویر اینستاگرام، در 17000 هشتگ مختلف یک شبکه عصبی کانولوشنالی را آموزش داده است. این شبکه بر روی داده های تست چالش ImageNet…
اعدادی که برای مدل های AlexNet,VGG,ResNet و Inception در اسلایدهای جلسه 16 دیدید مربوط به Top-5 Error بود.
این 85.4 معیار Accuracy است. یا میشه دقت top-1
این 85.4 معیار Accuracy است. یا میشه دقت top-1
Forwarded from Tensorflow(@CVision)
Vision Reconstruction.mp4
27.1 MB
Forwarded from Tensorflow(@CVision)
بازسازی صحنه های فیلم مشاهده شده توسط فرد با پردازش فعالیت های ناحیه ی بینایی مغز
آیا میتوان یک روز رویاها و خواب ها را با این تکنولوژی ضبط کرد و به صورت فیلم بازیابی کرد؟!
UC Berkeley researchers have succeeded in #decoding and #reconstructing people's dynamic #visual experiences.
The #brain activity recorded while subjects viewed a set of film clips was used to create a computer program that learned to associate visual patterns in the movie with the corresponding brain activity. The brain activity evoked by a second set of clips was used to test the movie reconstruction algorithm. This was done by feeding 18 million seconds of random YouTube videos into the computer program so that it could predict the brain activity that each film clip would most likely evoke in each subject. Using the new computer model, researchers were able to decode brain signals generated by the films and then reconstruct those moving images.
Eventually, practical applications of the technology could include a better understanding of what goes on in the minds of people who cannot communicate verbally, such as stroke victims, coma patients and people with neurodegenerative diseases. It may also lay the groundwork for brain-machine devices that would allow people with cerebral palsy or paralysis, for example, to guide computers with their minds.
The lead author of the study, published in Current Biology on September 22, 2011, is Shinji Nishimoto, a post-doctoral researcher in the laboratory of Professor Jack Gallant, neursoscientist and coauthor of the study. Other coauthors include Thomas Naselaris with UC Berkeley's Helen Wills #Neuroscience Institute, An T. Vu with UC Berkeley's Joint Graduate Group in Bioengineering, and Yuval Benjamini and Professor Bin Yu with the UC Berkeley Department of Statistics.
more:
http://news.berkeley.edu/2011/09/22/brain-movies/
آیا میتوان یک روز رویاها و خواب ها را با این تکنولوژی ضبط کرد و به صورت فیلم بازیابی کرد؟!
UC Berkeley researchers have succeeded in #decoding and #reconstructing people's dynamic #visual experiences.
The #brain activity recorded while subjects viewed a set of film clips was used to create a computer program that learned to associate visual patterns in the movie with the corresponding brain activity. The brain activity evoked by a second set of clips was used to test the movie reconstruction algorithm. This was done by feeding 18 million seconds of random YouTube videos into the computer program so that it could predict the brain activity that each film clip would most likely evoke in each subject. Using the new computer model, researchers were able to decode brain signals generated by the films and then reconstruct those moving images.
Eventually, practical applications of the technology could include a better understanding of what goes on in the minds of people who cannot communicate verbally, such as stroke victims, coma patients and people with neurodegenerative diseases. It may also lay the groundwork for brain-machine devices that would allow people with cerebral palsy or paralysis, for example, to guide computers with their minds.
The lead author of the study, published in Current Biology on September 22, 2011, is Shinji Nishimoto, a post-doctoral researcher in the laboratory of Professor Jack Gallant, neursoscientist and coauthor of the study. Other coauthors include Thomas Naselaris with UC Berkeley's Helen Wills #Neuroscience Institute, An T. Vu with UC Berkeley's Joint Graduate Group in Bioengineering, and Yuval Benjamini and Professor Bin Yu with the UC Berkeley Department of Statistics.
more:
http://news.berkeley.edu/2011/09/22/brain-movies/
Berkeley News
Scientists use brain imaging to reveal the movies in our mind - Berkeley News
Imagine tapping into the mind of a coma patient, or watching one’s own dream on YouTube. With a cutting-edge blend of brain imaging and computer simulation, UC Berkeley scientists are bringing these futuristic scenarios within reach. Using functional Magnetic…
کلاس ویژن: یادگیری عمیق و بینایی کامپیوتر
Vision Reconstruction.mp4
سلام،
با بررسی کارهای دیکارلو، درک حداقلی از کاری که محققان در ویدیوی بالا کردند را باید پیدا کرده باشید.
با بررسی کارهای دیکارلو، درک حداقلی از کاری که محققان در ویدیوی بالا کردند را باید پیدا کرده باشید.
سلام،
برای فرصت کافی برای کار روی پروژه پایانی که جلسه آخر کلاس تحویل گرفته خواهد شد تمرین سری 7 اختیاری خواهد بود و نمره نخواهد داشت.
اما لطفا برنامه ریزی کنید که برای هفته ی آتی تمرین سری 8 با موضوع تطبیق و بازشناسی چهره حتما پابرجا خواهد بود.
برای فرصت کافی برای کار روی پروژه پایانی که جلسه آخر کلاس تحویل گرفته خواهد شد تمرین سری 7 اختیاری خواهد بود و نمره نخواهد داشت.
اما لطفا برنامه ریزی کنید که برای هفته ی آتی تمرین سری 8 با موضوع تطبیق و بازشناسی چهره حتما پابرجا خواهد بود.
سلام، به خاطر کندی اینترنت برای سوال ج سری ششم، تا آخرین روز مهلت با تاخیر، هیچ تاخیری برای قسمت ج سری 6 نخواهید خورد.
قسمت الف و ب الزامی به گوگل کولب ندارد. و طبق قوانین از قبل اعلام شده عمل خواهد شد.
قسمت الف و ب الزامی به گوگل کولب ندارد. و طبق قوانین از قبل اعلام شده عمل خواهد شد.
#خبر
برنده ی این هفته kaggle با چالش شناسایی آسیب های شبکیه چشم از روی تصاویر پزشکی از Transfer learning با معماری VGG16 استفاده کرده است.
https://goo.gl/ji5a3o
#transfer_learning
برنده ی این هفته kaggle با چالش شناسایی آسیب های شبکیه چشم از روی تصاویر پزشکی از Transfer learning با معماری VGG16 استفاده کرده است.
https://goo.gl/ji5a3o
#transfer_learning
Forwarded from Tensorflow(@CVision) (Alireza Akhavan)
How to do Modern Face Recognition with Deep Learning
pic: http://bit.ly/2qMmWce
🔗 http://www.iamwire.com/2017/03/modern-face-recognition-deep-learning/149697
#Face_Recognition #Deep_Learning
pic: http://bit.ly/2qMmWce
🔗 http://www.iamwire.com/2017/03/modern-face-recognition-deep-learning/149697
#Face_Recognition #Deep_Learning
Forwarded from Tensorflow(@CVision) (Alireza Akhavan)
مدل VGG16 آموزش داده شده با 1.8 میلیون تصویر دیتاست places
VGG16-places365 model for scene classification, written in Keras 2.0
https://github.com/GKalliatakis/Keras-VGG16-places365
You have just found the #Keras (2.0) implementation of the pre-trained VGG 16 convolutional-layer #CNN model on Places365-Standard (~1.8 million images from 365 scene categories).
#pre_train #keras #places
VGG16-places365 model for scene classification, written in Keras 2.0
https://github.com/GKalliatakis/Keras-VGG16-places365
You have just found the #Keras (2.0) implementation of the pre-trained VGG 16 convolutional-layer #CNN model on Places365-Standard (~1.8 million images from 365 scene categories).
#pre_train #keras #places
GitHub
GitHub - GKalliatakis/Keras-VGG16-places365: Keras code and weights files for the VGG16-places365 and VGG16-hybrid1365 CNNs for…
Keras code and weights files for the VGG16-places365 and VGG16-hybrid1365 CNNs for scene classification - GKalliatakis/Keras-VGG16-places365
سلام
تمرین سوم سری ششم به دلیل مشکلات اینترنت و فیلترینگ و تحریم تا این لحظه تاخیر نخورده و از الان تا یکشنبه، 30 اردیبهشت 1397، 3:00 عصر با تاخیر میتوانید آپلود کنید
تمرین سوم سری ششم به دلیل مشکلات اینترنت و فیلترینگ و تحریم تا این لحظه تاخیر نخورده و از الان تا یکشنبه، 30 اردیبهشت 1397، 3:00 عصر با تاخیر میتوانید آپلود کنید
#خبر
تمارین سری ۶ نمره دهی شد .
به این شرح :
تمرین آ)
کسر 5 نمره برای عدم تناسب batch_size و validation_step و step_per_epoch با تعداد data.
کسر 5 نمره برای عدم ترسیم نمودار.
کسر 5 نمره برای هر یک روز تاخیر.
تمرین ب )
کسر 5 نمره استفاده اشتباه از binary_crossentropy به جای categorical_crossentropy برای loss ( با توجه به 3 کلاسه بودن)
کسر 5 نمره برای عدم تناسب batch_size و validation_step و step_per_epoch با تعداد data.
کسر 5 نمره برای عدم قید class_mode='categorical'
کسر 5 نمره برای عدم ترسیم نمودار.
کسر 5 نمره برای استفاده از 1 نورون به جای 3 نورون در لایه اخر .
کسز 5 نمره برای استفاده از sigmoid به جای softmax در لایه اخر .
کسر 5 نمره برای هر یک روز تاخیر.
تمرین ج)
از هیچ فرد نمره ای کم نشده است.
برای همه ی دوستان دلایل کسر نمره نوشته شد
تمارین سری ۶ نمره دهی شد .
به این شرح :
تمرین آ)
کسر 5 نمره برای عدم تناسب batch_size و validation_step و step_per_epoch با تعداد data.
کسر 5 نمره برای عدم ترسیم نمودار.
کسر 5 نمره برای هر یک روز تاخیر.
تمرین ب )
کسر 5 نمره استفاده اشتباه از binary_crossentropy به جای categorical_crossentropy برای loss ( با توجه به 3 کلاسه بودن)
کسر 5 نمره برای عدم تناسب batch_size و validation_step و step_per_epoch با تعداد data.
کسر 5 نمره برای عدم قید class_mode='categorical'
کسر 5 نمره برای عدم ترسیم نمودار.
کسر 5 نمره برای استفاده از 1 نورون به جای 3 نورون در لایه اخر .
کسز 5 نمره برای استفاده از sigmoid به جای softmax در لایه اخر .
کسر 5 نمره برای هر یک روز تاخیر.
تمرین ج)
از هیچ فرد نمره ای کم نشده است.
برای همه ی دوستان دلایل کسر نمره نوشته شد
سایت با منابع 4 جلسه قبل به روز شد
http://blog.class.vision/winter-96-97-syllabus/
http://blog.class.vision/winter-96-97-syllabus/
Forwarded from Alireza Akhavan
یک مقاله سال 2018 پیرامون face,
میتونید با توجه به مطالب جلسه قبل، جمله هایلایت شده را تفسیر کنید که منظورش چیه!؟
میتونید با توجه به مطالب جلسه قبل، جمله هایلایت شده را تفسیر کنید که منظورش چیه!؟
تمرین سری 7 و تمرین گام 1 جمع آوری مجموعه داده روی سایت قرار گرفت:
http://blog.class.vision/winter-96-97-syllabus/
http://blog.class.vision/winter-96-97-syllabus/
توضیحات تکمیلی در مورد پروژه:
لطفا تمام بررسی های انجام شده برای پروژه ی خود را در قالب مستندات و ارائه برای روز تحویل آماده کنید.
برای مثال آزمایشهایی که با جواب نا مطلوب و دقت تست یا dev پایین هم بوده نیز در گزارش خود بگنجانید تا مشخص باشد چه مراحلی را برای رسیدن به محصول نهایی طی کرده اید.
لطفا تمام بررسی های انجام شده برای پروژه ی خود را در قالب مستندات و ارائه برای روز تحویل آماده کنید.
برای مثال آزمایشهایی که با جواب نا مطلوب و دقت تست یا dev پایین هم بوده نیز در گزارش خود بگنجانید تا مشخص باشد چه مراحلی را برای رسیدن به محصول نهایی طی کرده اید.
برای تکمیل مباحث کلاس در مورد transfer learning.
خوبه این بلاگ پست را بخوانید:
https://www.pyimagesearch.com/2018/04/16/keras-and-convolutional-neural-networks-cnns/
خوبه این بلاگ پست را بخوانید:
https://www.pyimagesearch.com/2018/04/16/keras-and-convolutional-neural-networks-cnns/
PyImageSearch
Keras and Convolutional Neural Networks (CNNs) - PyImageSearch
This gentle guide will show you how to implement, train, and evaluate your first Convolutional Neural Network (CNN) with Keras and deep learning.
#تمرین سری 7
سایت برای آپلود تمرین سری 7 باز شد.
مهلت : جمعه 4 خرداد - ساعت 11:55 عصر
زمان با تاخیر: 8 خرداد - ساعت 11:55 عصر
سایت برای آپلود تمرین سری 7 باز شد.
مهلت : جمعه 4 خرداد - ساعت 11:55 عصر
زمان با تاخیر: 8 خرداد - ساعت 11:55 عصر