#مقاله #سورس_کد
تشخیص چهره با دقت خیره کننده ۲!
RetinaFace
پیاده سازی نفر اول چالش Wider منتشر شد.
مهمترین ویژگی این مدل این است که همچون MTCNN پنج landmark را بر میگرداند که همان طور که در این ارائه مرتبط با چهره گفتم میتواند در افزایش دقت تطبیق و بازشناسی چهره میتواند بسیار موثر باشد.
پیاده سازی:
کمتر از ۲ هفته است که سورس کد مقاله با فریم ورک MXNet منتشر شده است.
دقت:
در حال حاضر این مدل بالاترین دقت را در چالش wider دارد و از تمام مقالات و مدلهای قبلی از جمله MTCNN و DSFD بالاتر است.
سرعت:
RetinaFaceResNet-152
is designed for highly accurate face localisation,
running at 13 FPS for VGA images (640 × 480).
By contrast, RetinaFace-MobileNet-0.25 is designed for
highly efficient face localisation which demonstrates considerable
real-time speed of 40 FPS at GPU for 4K images
(4096 × 2160), 20 FPS at multi-thread CPU for HD images
(1920 × 1080), and 60 FPS at single-thread CPU for VGA
images (640 × 480). Even more impressively, 16 FPS at
ARM for VGA images (640 × 480) allows for a fast system
on mobile devices.
مقاله:
https://arxiv.org/pdf/1905.00641.pdf
سورس کد پیاده سازی:
https://github.com/deepinsight/insightface/tree/master/RetinaFace
__
پست های مرتبط:
تشخیص چهره با دقت خیره کننده!
DSFD: Dual Shot Face Detector!
https://t.me/cvision/1167
MTCNN
https://t.me/cvision/249
Finding Tiny Faces (CVPR 2017)
https://t.me/cvision/569
اسلایدها، نوت بوک ها و ویدیوهای فارسی بازشناسی و تطبیق چهره با یادگیری عمیق
https://t.me/cvision/1070
#face #face_detection #RetinaFace
تشخیص چهره با دقت خیره کننده ۲!
RetinaFace
پیاده سازی نفر اول چالش Wider منتشر شد.
مهمترین ویژگی این مدل این است که همچون MTCNN پنج landmark را بر میگرداند که همان طور که در این ارائه مرتبط با چهره گفتم میتواند در افزایش دقت تطبیق و بازشناسی چهره میتواند بسیار موثر باشد.
پیاده سازی:
کمتر از ۲ هفته است که سورس کد مقاله با فریم ورک MXNet منتشر شده است.
دقت:
در حال حاضر این مدل بالاترین دقت را در چالش wider دارد و از تمام مقالات و مدلهای قبلی از جمله MTCNN و DSFD بالاتر است.
سرعت:
RetinaFaceResNet-152
is designed for highly accurate face localisation,
running at 13 FPS for VGA images (640 × 480).
By contrast, RetinaFace-MobileNet-0.25 is designed for
highly efficient face localisation which demonstrates considerable
real-time speed of 40 FPS at GPU for 4K images
(4096 × 2160), 20 FPS at multi-thread CPU for HD images
(1920 × 1080), and 60 FPS at single-thread CPU for VGA
images (640 × 480). Even more impressively, 16 FPS at
ARM for VGA images (640 × 480) allows for a fast system
on mobile devices.
مقاله:
https://arxiv.org/pdf/1905.00641.pdf
سورس کد پیاده سازی:
https://github.com/deepinsight/insightface/tree/master/RetinaFace
__
پست های مرتبط:
تشخیص چهره با دقت خیره کننده!
DSFD: Dual Shot Face Detector!
https://t.me/cvision/1167
MTCNN
https://t.me/cvision/249
Finding Tiny Faces (CVPR 2017)
https://t.me/cvision/569
اسلایدها، نوت بوک ها و ویدیوهای فارسی بازشناسی و تطبیق چهره با یادگیری عمیق
https://t.me/cvision/1070
#face #face_detection #RetinaFace
Telegram
Tensorflow
#آموزش #سورس_کد
اسلایدها، نوت بوک ها و ویدیوهای فارسی بازشناسی و تطبیق چهره با یادگیری عمیق
https://github.com/Alireza-Akhavan/deep-face-recognition
One-shot & low-shot learning
Siamese network
What is metric learning & Face embedding?
…
اسلایدها، نوت بوک ها و ویدیوهای فارسی بازشناسی و تطبیق چهره با یادگیری عمیق
https://github.com/Alireza-Akhavan/deep-face-recognition
One-shot & low-shot learning
Siamese network
What is metric learning & Face embedding?
…
Forwarded from Deep learning channel (Mohsen Fayyaz)
درخواست برای تغییر مکان برگزاری کنفرانس های علوم کامپیوتر از امریکا به دیگر نقاط دنیا جهت دسترسی همه محققین
در صورت امکان لطفا امضا کنید
https://www.change.org/p/conference-organizers-abandon-united-states-as-the-venue-for-computer-science-conferences-4187daa3-e4f2-42a1-85dc-fe49641c4026?recruiter=false&utm_source=share_petition&utm_medium=twitter&utm_campaign=psf_combo_share_initial&utm_term=share_petition&recruited_by_id=0a1dae20-6dbb-11e9-9fac-5b67a3a1a8bb&share_bandit_exp=initial-15283214-en-US&share_bandit_var=v1
در صورت امکان لطفا امضا کنید
https://www.change.org/p/conference-organizers-abandon-united-states-as-the-venue-for-computer-science-conferences-4187daa3-e4f2-42a1-85dc-fe49641c4026?recruiter=false&utm_source=share_petition&utm_medium=twitter&utm_campaign=psf_combo_share_initial&utm_term=share_petition&recruited_by_id=0a1dae20-6dbb-11e9-9fac-5b67a3a1a8bb&share_bandit_exp=initial-15283214-en-US&share_bandit_var=v1
Change.org
Sign the Petition
Abandon United States as a venue for computer science conferences.
#مقاله
few-shot learning
ICLR 2019: Overcoming limited data
https://towardsdatascience.com/iclr-2019-overcoming-limited-data-382cd19db6d2
🙏Thanks to: https://t.me/irandeeplearning/230
few-shot learning
ICLR 2019: Overcoming limited data
https://towardsdatascience.com/iclr-2019-overcoming-limited-data-382cd19db6d2
🙏Thanks to: https://t.me/irandeeplearning/230
Medium
ICLR 2019: Overcoming limited data
Deep learning has proven powerful at many tasks, but requires massive amounts of data. However a number of new techniques are emerging
Forwarded from Python_Labs🐍 (Alireza Akhavan)
#خبر
شغلهای برتر سال 2019 ...
سه شغل از 4 شغل برتر امسال متعلق به حوزه های مرتبط با یادگیری ماشین، علم داده و بینایی ماشین است!
همچنین نیمی از 10 شغل نخست امسال کامپیوتری است
Here are the top ten “best” jobs ranked in order of base salary, together with the position’s historical job growth:
1. Machine learning engineer: $136,241 with 166% growth
2. Data scientist: $132,915 with 106% growth
3. Optometrist: $131,692 with 118% growth
4. Computer vision engineer: $131,297 with 169% growth
5. Development operations engineer: $125,714 with 91% growth
6. Agile coach: $120,142 with 80% growth
7. Chief estimator: $116,848 with 101% growth
8. Full stack developer: $111,640 with 198% growth
9. Head of sales: $108,788 with 42% growth
10. Staff pharmacist: $107,584 with 42% growth
https://howmuch.net/articles/there-are-the-hottest-jobs-in-us-2018-lots-of-opening-and-dream-salaries
شغلهای برتر سال 2019 ...
سه شغل از 4 شغل برتر امسال متعلق به حوزه های مرتبط با یادگیری ماشین، علم داده و بینایی ماشین است!
همچنین نیمی از 10 شغل نخست امسال کامپیوتری است
Here are the top ten “best” jobs ranked in order of base salary, together with the position’s historical job growth:
1. Machine learning engineer: $136,241 with 166% growth
2. Data scientist: $132,915 with 106% growth
3. Optometrist: $131,692 with 118% growth
4. Computer vision engineer: $131,297 with 169% growth
5. Development operations engineer: $125,714 with 91% growth
6. Agile coach: $120,142 with 80% growth
7. Chief estimator: $116,848 with 101% growth
8. Full stack developer: $111,640 with 198% growth
9. Head of sales: $108,788 with 42% growth
10. Staff pharmacist: $107,584 with 42% growth
https://howmuch.net/articles/there-are-the-hottest-jobs-in-us-2018-lots-of-opening-and-dream-salaries
HowMuch
These are the Hottest Jobs in U.S. in 2018: Lots of Openings and Dream Salaries
More people are finally starting to rejoin a growing labor market, but what are the best opportunities for getting a high paying job? Our new graph breaks down the best opportunities by salary and job growth.
#خبر
در حال حاضر با به روز رسانی اخیر وب تلگرام میتوانید بدون نصب تلگرام، و بدون نیاز به لاگین بودن، مطالب کانال را در مروگر خود و از طریق لینک زیر مشاهده کنید:
https://t.me/s/cvision
در حال حاضر با به روز رسانی اخیر وب تلگرام میتوانید بدون نصب تلگرام، و بدون نیاز به لاگین بودن، مطالب کانال را در مروگر خود و از طریق لینک زیر مشاهده کنید:
https://t.me/s/cvision
Advanced Keras — Accurately Resuming a Training Process
در این آموزش میبینیم که طریقه صحیح لود کردن متغیر هایی که در callbackها استفاده میشوند پس از توقف مدل و از سرگیری مجدد فرآیند چیست؟ آیا خود #Keras راهکاری دارد؟
https://towardsdatascience.com/resuming-a-training-process-with-keras-3e93152ee11a
در این آموزش میبینیم که طریقه صحیح لود کردن متغیر هایی که در callbackها استفاده میشوند پس از توقف مدل و از سرگیری مجدد فرآیند چیست؟ آیا خود #Keras راهکاری دارد؟
https://towardsdatascience.com/resuming-a-training-process-with-keras-3e93152ee11a
Medium
Advanced Keras — Accurately Resuming a Training Process
Handling nontrivial cases where custom callbacks are used
#خبر
کتاب Deep learning with Python نویسنده کتابخانه کراس، Chollet اواخر این سال میلادی منتشر خواهد شد.
https://twitter.com/fchollet/status/1129539752464531456
کتاب Deep learning with Python نویسنده کتابخانه کراس، Chollet اواخر این سال میلادی منتشر خواهد شد.
https://twitter.com/fchollet/status/1129539752464531456
#سورس_کد
Deep Dream implementation using Swift for TensorFlow.
https://colab.research.google.com/github/zaidalyafeai/Swift4TF/blob/master/Swift4TF_DeepDream.ipynb
Deep Dream implementation using Swift for TensorFlow.
https://colab.research.google.com/github/zaidalyafeai/Swift4TF/blob/master/Swift4TF_DeepDream.ipynb
#مقاله، رویکرد جالب به حذف occlusion با شبکه ترکیبی segmentation و GAN
SeGAN: Segmenting and Generating the Invisible
http://openaccess.thecvf.com/content_cvpr_2018/papers/Ehsani_SeGAN_Segmenting_and_CVPR_2018_paper.pdf
SeGAN: Segmenting and Generating the Invisible
http://openaccess.thecvf.com/content_cvpr_2018/papers/Ehsani_SeGAN_Segmenting_and_CVPR_2018_paper.pdf
🔸کتابخانه Auto-Keras
🔹 Auto-Keras is an open source software library for automated machine learning (AutoML) and Deep Learning . alternative to Google’s AutoML !!
🔹example :
Repo github: https://github.com/keras-team/autokeras
#کراس #پایتون #یادگیری_عمیق #یادگیری_ماشین
#keras
🙏Thanks to: @AI_Python
🔹 Auto-Keras is an open source software library for automated machine learning (AutoML) and Deep Learning . alternative to Google’s AutoML !!
🔹example :
import autokeras as ak
clf = ak.ImageClassifier()
clf.fit(x_train, y_train)
results = clf.predict(x_test)
Repo github: https://github.com/keras-team/autokeras
#کراس #پایتون #یادگیری_عمیق #یادگیری_ماشین
#keras
🙏Thanks to: @AI_Python
#آموزش #دوره_آموزشی #ویدئو
فیلم دوره آموزشی 12 ساعته مقدمات یادگیری عمیق با #Keras که توسط انجمن علمی کامپیوتر دانشگاه تربیت دبیر شهید رجایی تهیه شده است برای فروش در دسترس قرار گرفت.
فیلم مدرس و کپچر صفحه مدرس تدوین شده است.
برای اطلاعات بیشتر و خرید:
http://class.vision/deeplearning-keras/
مباحث:
بخش اول: مقدمه ای بر یادگیری ماشین و کار با تصویر در پایتون
بخش دوم: شبکه های عصبی
بخش سوم: پیاده سازی شبکه های عصبی در
Kerasبخش چهارم: طبقه بندی اعداد دست نویس فارسی
بخش پنجم: شبکه های کانولوشنالی – تئوری
بخش ششم: شبکه های کانولوشنالی – عملی
بخش هفتم: شبکه عصبی های کانولوشنال عمیق حائز رتبه و معروف
بخش هشتم: انتقال یادگیری
بخش نهم: رگرسیون - مدلهای چند ورودی/چند خروجی در کراس - functional API در کراس
مدرس: علیرضا اخوان پور
برگزار کننده: انجمن علمی کامپیوتر دانشگاه شهید رجایی
کدها و اسلایدهای دوره برای عموم در دسترس است:
https://github.com/Alireza-Akhavan/SRU-deeplearning-workshop/
#keras #deeplearning
فیلم دوره آموزشی 12 ساعته مقدمات یادگیری عمیق با #Keras که توسط انجمن علمی کامپیوتر دانشگاه تربیت دبیر شهید رجایی تهیه شده است برای فروش در دسترس قرار گرفت.
فیلم مدرس و کپچر صفحه مدرس تدوین شده است.
برای اطلاعات بیشتر و خرید:
http://class.vision/deeplearning-keras/
مباحث:
بخش اول: مقدمه ای بر یادگیری ماشین و کار با تصویر در پایتون
بخش دوم: شبکه های عصبی
بخش سوم: پیاده سازی شبکه های عصبی در
Kerasبخش چهارم: طبقه بندی اعداد دست نویس فارسی
بخش پنجم: شبکه های کانولوشنالی – تئوری
بخش ششم: شبکه های کانولوشنالی – عملی
بخش هفتم: شبکه عصبی های کانولوشنال عمیق حائز رتبه و معروف
بخش هشتم: انتقال یادگیری
بخش نهم: رگرسیون - مدلهای چند ورودی/چند خروجی در کراس - functional API در کراس
مدرس: علیرضا اخوان پور
برگزار کننده: انجمن علمی کامپیوتر دانشگاه شهید رجایی
کدها و اسلایدهای دوره برای عموم در دسترس است:
https://github.com/Alireza-Akhavan/SRU-deeplearning-workshop/
#keras #deeplearning
کلاسویژن
دوره آموزشی مقدماتی شبکه های عصبی عمیق در Tensorflow/Keras - کلاسویژن
در این دوره مباحث مقدماتی یادگیری ماشین و یادگیری عمیق باهدف پردازش تصویر مورد بررسی قرار میگیرند. در این دوره مباحث حوزه یادگیری را بررسی خواهید کرد،
ارائه آشنایی با پردازش تنسوری مبتنی بر رایانش ابری گوگل برای یادگیری عمیق
حضور برای عموم آزاد و رایگان است
شنبه 4 خرداد ساعت 12:15
دانشکده کامپیوتر پلی تکنیک
#خرداد1398
#Google #Colab #TPU #Machine_Learning #Deep_Learning #TensorFlow
#Tehran #AUT #CEIT
حضور برای عموم آزاد و رایگان است
شنبه 4 خرداد ساعت 12:15
دانشکده کامپیوتر پلی تکنیک
#خرداد1398
#Google #Colab #TPU #Machine_Learning #Deep_Learning #TensorFlow
#Tehran #AUT #CEIT
#آموزش
سطح: مبتدی و متوسط
یادگیری عمیق را از کجا شروع کنیم؟
http://class.vision/deeplearning-learning-path/
سطح: مبتدی و متوسط
یادگیری عمیق را از کجا شروع کنیم؟
http://class.vision/deeplearning-learning-path/
کلاسویژن
مسیر یادگیری deep learning - کلاسویژن
برنامه نویسی پایتون
#آموزش
دوره آموزشی یادگیری عمیق و پیاده سازی در #keras
دو ساعت و نیم نخست دوره آموزشی Deep Learning برای ارزیابی خریداران بر روی آپارات قرار گرفت.
http://aparat.com/v/0xgm5
همچنین کد پروژه های انجام شده و اسلایدها برای عموم در دسترسی است:
https://github.com/Alireza-Akhavan/SRU-deeplearning-workshop/
برای خرید این دوره میتوانید از طریف این لینک اقدام کنید
http://class.vision
مدرس: علیرضا اخوانپور
برگزار کننده: انجمن علمی کامپیوتر دانشگاه شهید رجایی
قیمت: 100.000 تومان
لینک خرید: http://class.vision/deeplearning-keras/
دوره آموزشی یادگیری عمیق و پیاده سازی در #keras
دو ساعت و نیم نخست دوره آموزشی Deep Learning برای ارزیابی خریداران بر روی آپارات قرار گرفت.
http://aparat.com/v/0xgm5
همچنین کد پروژه های انجام شده و اسلایدها برای عموم در دسترسی است:
https://github.com/Alireza-Akhavan/SRU-deeplearning-workshop/
برای خرید این دوره میتوانید از طریف این لینک اقدام کنید
http://class.vision
مدرس: علیرضا اخوانپور
برگزار کننده: انجمن علمی کامپیوتر دانشگاه شهید رجایی
قیمت: 100.000 تومان
لینک خرید: http://class.vision/deeplearning-keras/
آپارات - سرویس اشتراک ویدیو
دوره آموزشی یادگیری عمیق و Keras
قسمت اول کلاس به عنوان پیش نمایش قرار داده شده تا در صورت تمایل این ویدیو را از سایتclass.visionخریداری نمایید.برای مشاهده سرفصل ها، اطلاعات بیشتر و خرید این دوره آموزشی 12 ساعته لینک http://class.vision/deeplearning-keras/ را کلیک نمائید.
Tensorflow(@CVision)
#آموزش دوره آموزشی یادگیری عمیق و پیاده سازی در #keras دو ساعت و نیم نخست دوره آموزشی Deep Learning برای ارزیابی خریداران بر روی آپارات قرار گرفت. http://aparat.com/v/0xgm5 همچنین کد پروژه های انجام شده و اسلایدها برای عموم در دسترسی است: https://github.com/Alireza…
در صورتی که توان مالی ندارید و این دوره میتواند گره گشای کار شما باشد با ایمیل akhavan@class.vision مکاتبه نمائید.
#آموزش #کورس
A machine learning course with Python.
Machine Learning Basics
Supervised learning
Unsupervised learning
Deep Learning
https://github.com/machinelearningmindset/machine-learning-course
🙏Thanks to : @thedevs & @MH_Sattarian
A machine learning course with Python.
Machine Learning Basics
Supervised learning
Unsupervised learning
Deep Learning
https://github.com/machinelearningmindset/machine-learning-course
🙏Thanks to : @thedevs & @MH_Sattarian
#آموزش
همانطور که میدانید چند وقتیه که گوگل کولب GPUهای Tesla V4 با مشخصات زیر را به صورت رایگان در اختیار محققان قرار داده
16GB of VRAM
160 TFLOPS of GPU power
اما این که چه موقع GPUی K80بهتون بده چه موقع Tesla V4 دست خودتون نیست،
ممکنه به دلایلی مثل استفاده از GPU قوی تر یا مثلا عدم ساپوت K80 از کد شما (مثل دیتابیس Blazing SQL که روی Tesla V4 اجرا میشه ولی روی K80 نه!) میخواهید حتما از تسلا استفاده کنید.
برای اینکار فعلا تنها راهی که من میدونم میشه کرد اینه که کرنلتون را ریست کنید:
یه روش ساده که استفاده از دستور
روش دیگه اینه که کد زیر را اول نوت بوک یا کد پایتونیتون بزارید که اگر GPU مورد نظرمون را بهمون نداده بود Exception بده!
همانطور که میدانید چند وقتیه که گوگل کولب GPUهای Tesla V4 با مشخصات زیر را به صورت رایگان در اختیار محققان قرار داده
16GB of VRAM
160 TFLOPS of GPU power
اما این که چه موقع GPUی K80بهتون بده چه موقع Tesla V4 دست خودتون نیست،
ممکنه به دلایلی مثل استفاده از GPU قوی تر یا مثلا عدم ساپوت K80 از کد شما (مثل دیتابیس Blazing SQL که روی Tesla V4 اجرا میشه ولی روی K80 نه!) میخواهید حتما از تسلا استفاده کنید.
برای اینکار فعلا تنها راهی که من میدونم میشه کرد اینه که کرنلتون را ریست کنید:
Runtime -> Reset all runtimes...حالا از کجا بفهمیم چه GPUی بهمون داده؟
یه روش ساده که استفاده از دستور
!nvidia-smiتو نوت بوکه.
روش دیگه اینه که کد زیر را اول نوت بوک یا کد پایتونیتون بزارید که اگر GPU مورد نظرمون را بهمون نداده بود Exception بده!
import pynvml#colab #tesla #GPU
pynvml.nvmlInit()
handle = pynvml.nvmlDeviceGetHandleByIndex(0)
device_name = pynvml.nvmlDeviceGetName(handle)
if device_name != b'Tesla T4':
raise Exception("""
Unfortunately this instance does not have a T4 GPU.
Please make sure you've configured Colab to request a GPU instance type.
Sometimes Colab allocates a Tesla K80 instead of a T4. Resetting the instance.
If you get a K80 GPU, try Runtime -> Reset all runtimes...
""")
else:
print('Woo! You got the right kind of GPU!')
SQL on RAPIDS AI
BlazingSQL provides a simple SQL interface to ETL massive datasets into GPU memory and the RAPIDS AI Ecosystem
https://blazingdb.com/
2 Minutes to BlazingSQL
https://docs.blazingdb.com/docs/using-blazingsql
میتونید آنلاین روی GPUی گوگل کولب تست کنید:
https://colab.research.google.com/drive/1r7S15Ie33yRw8cmET7_bjCpvjJiDOdub#scrollTo=8AdUt3HiUrc3
BlazingSQL provides a simple SQL interface to ETL massive datasets into GPU memory and the RAPIDS AI Ecosystem
https://blazingdb.com/
2 Minutes to BlazingSQL
https://docs.blazingdb.com/docs/using-blazingsql
میتونید آنلاین روی GPUی گوگل کولب تست کنید:
https://colab.research.google.com/drive/1r7S15Ie33yRw8cmET7_bjCpvjJiDOdub#scrollTo=8AdUt3HiUrc3
Tensorflow(@CVision) pinned «#آموزش دوره آموزشی یادگیری عمیق و پیاده سازی در #keras دو ساعت و نیم نخست دوره آموزشی Deep Learning برای ارزیابی خریداران بر روی آپارات قرار گرفت. http://aparat.com/v/0xgm5 همچنین کد پروژه های انجام شده و اسلایدها برای عموم در دسترسی است: https://github.com/Alireza…»
#خبر #کورس
کمپین Kickstarter برای برگزاری کورس آموزش هوش مصنوعی، ۳۰۰ هزار دلار در ۲۵ ساعت اول کمک مالی از مردم دریافت کرده است👍
OpenCV.org Kickstarter Campaign for Creating AI Courses Has Raised $300k in 25 hours
این کورس شامل مباحث زیر خواهد بود،
Computer Vision I: Introduction
Computer Vision II: Applications
Deep Learning with PyTorch
این سایت در کنار سایتهایی نظیر کورسرا، udacity و deeplearning.ai کورس برگزار خواهد کرد،
به گفته مسئولان رقابتی در کار نیست:
“We are not in competition with Coursera, Udacity, or DeepLearning.ai. These organizations, along with OpenCV.org, are on a mission to train the global workforce in Artificial Intelligence and it will take an extraordinary effort from all of us to accomplish this monumental task. Our courses are geared toward absolute beginners who have adequate programming skills but have no experience in AI,” said Dr. Satya Mallick, Interim CEO, OpenCV.org.
https://www.prweb.com/releases/opencv_org_kickstarter_campaign_for_creating_ai_courses_has_raised_300k_in_25_hours/prweb16329014.htm
کمپین Kickstarter برای برگزاری کورس آموزش هوش مصنوعی، ۳۰۰ هزار دلار در ۲۵ ساعت اول کمک مالی از مردم دریافت کرده است👍
OpenCV.org Kickstarter Campaign for Creating AI Courses Has Raised $300k in 25 hours
این کورس شامل مباحث زیر خواهد بود،
Computer Vision I: Introduction
Computer Vision II: Applications
Deep Learning with PyTorch
این سایت در کنار سایتهایی نظیر کورسرا، udacity و deeplearning.ai کورس برگزار خواهد کرد،
به گفته مسئولان رقابتی در کار نیست:
“We are not in competition with Coursera, Udacity, or DeepLearning.ai. These organizations, along with OpenCV.org, are on a mission to train the global workforce in Artificial Intelligence and it will take an extraordinary effort from all of us to accomplish this monumental task. Our courses are geared toward absolute beginners who have adequate programming skills but have no experience in AI,” said Dr. Satya Mallick, Interim CEO, OpenCV.org.
https://www.prweb.com/releases/opencv_org_kickstarter_campaign_for_creating_ai_courses_has_raised_300k_in_25_hours/prweb16329014.htm
PRWeb
OpenCV.org Kickstarter Campaign for Creating AI Courses Has Raised $30
PALO ALTO, Calif. (PRWEB) May 23, 2019
OpenCV.org, the maintainer of the most popular computer vision library (OpenCV) in the world, is raising funds with a Kickstarter campaign to launch a serie
OpenCV.org, the maintainer of the most popular computer vision library (OpenCV) in the world, is raising funds with a Kickstarter campaign to launch a serie
#مقاله #سورس_کد
حذف اشیاء از ویدیو با کیفیت عالی
Deep Flow-Guided Video Inpainting (#CVPR2019)
🎥Video Demo:
https://www.dropbox.com/s/2avcy30mleqi5vk/supplementary_cvpr_2019.mp4?dl=0
🔗project page:
https://nbei.github.io/video-inpainting.html
🔗paper:
https://arxiv.org/abs/1905.02884
🔗source code:
https://github.com/nbei/Deep-Flow-Guided-Video-Inpainting
(به زودی منتشر خواهد شد)
#Inpainting
حذف اشیاء از ویدیو با کیفیت عالی
Deep Flow-Guided Video Inpainting (#CVPR2019)
🎥Video Demo:
https://www.dropbox.com/s/2avcy30mleqi5vk/supplementary_cvpr_2019.mp4?dl=0
🔗project page:
https://nbei.github.io/video-inpainting.html
🔗paper:
https://arxiv.org/abs/1905.02884
🔗source code:
https://github.com/nbei/Deep-Flow-Guided-Video-Inpainting
(به زودی منتشر خواهد شد)
#Inpainting