#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

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

#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

#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

#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

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

#خبر
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

#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

🔸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 :

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

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

#آموزش
سطح: مبتدی و متوسط

یادگیری عمیق را از کجا شروع کنیم؟

http://class.vision/deeplearning-learning-path/

#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/

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

#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:

Runtime -> Reset all runtimes...

حالا از کجا بفهمیم چه GPUی بهمون داده؟
یه روش ساده که استفاده از دستور

!nvidia-smi

تو 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


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!')

#colab #tesla #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

#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

#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