جالبه! عکسی را آپلود کنید و سپس در مورد این تصویر از کامپیوتر سوال بپرسید:
Online #Visual_Dialog demo:
http://demo.visualdialog.org/
#CVPR_2017 #NLP #VQA #deep_learning
Online #Visual_Dialog demo:
http://demo.visualdialog.org/
#CVPR_2017 #NLP #VQA #deep_learning
Tensorflow(@CVision)
جالبه! عکسی را آپلود کنید و سپس در مورد این تصویر از کامپیوتر سوال بپرسید: Online #Visual_Dialog demo: http://demo.visualdialog.org/ #CVPR_2017 #NLP #VQA #deep_learning
#Visual_Dialog
(مرتبط با https://t.me/cvision/195)
CVPR 2017 paper for this demo:
https://arxiv.org/abs/1611.08669
Code for this demo:
🔗 http://github.com/cloud-cv/visual-chatbot
Torch code for training and evaluating Visual Dialog models:
🔗 http://github.com/batra-mlp-lab/visdial
#encoder_decoder #deep_learning #NLP #VQA
(مرتبط با https://t.me/cvision/195)
CVPR 2017 paper for this demo:
https://arxiv.org/abs/1611.08669
Code for this demo:
🔗 http://github.com/cloud-cv/visual-chatbot
Torch code for training and evaluating Visual Dialog models:
🔗 http://github.com/batra-mlp-lab/visdial
#encoder_decoder #deep_learning #NLP #VQA
Telegram
Tensorflow(@CVision)
جالبه! عکسی را آپلود کنید و سپس در مورد این تصویر از کامپیوتر سوال بپرسید:
Online #Visual_Dialog demo:
http://demo.visualdialog.org/
#CVPR_2017 #NLP #VQA #deep_learning
Online #Visual_Dialog demo:
http://demo.visualdialog.org/
#CVPR_2017 #NLP #VQA #deep_learning
ACLU: Police used Twitter, Facebook to track protests
بنابر گزارش اتحادیه آزادیهای مدنی آمریکا ACLU ، مقامات پلیس آمریکا برای شناسایی و تعقیب تظاهرکنندگان معترض در مناطق آشوبزده از اطلاعات و داده های کاربران در شبکه های اجتماعی استفاده کرده اند.
🔗 https://www.usatoday.com/story/tech/news/2016/10/11/aclu-police-used-twitter-facebook-data-track-protesters-baltimore-ferguson/91897034/
🔗 https://www.aclunc.org/blog/facebook-instagram-and-twitter-provided-data-access-surveillance-product-marketed-target
Geofeedia used the company’s APIs to create real-time maps of social media activity in protest areas, maps which were subsequently used to identify, and in some cases arrest, protestors shortly after their posts became public. All three services have
بنابر گزارش اتحادیه آزادیهای مدنی آمریکا ACLU ، مقامات پلیس آمریکا برای شناسایی و تعقیب تظاهرکنندگان معترض در مناطق آشوبزده از اطلاعات و داده های کاربران در شبکه های اجتماعی استفاده کرده اند.
🔗 https://www.usatoday.com/story/tech/news/2016/10/11/aclu-police-used-twitter-facebook-data-track-protesters-baltimore-ferguson/91897034/
🔗 https://www.aclunc.org/blog/facebook-instagram-and-twitter-provided-data-access-surveillance-product-marketed-target
Geofeedia used the company’s APIs to create real-time maps of social media activity in protest areas, maps which were subsequently used to identify, and in some cases arrest, protestors shortly after their posts became public. All three services have
USA TODAY
ACLU: Police used Twitter, Facebook to track protests
Social media companies have cut off access to the data streams.
VQABQ: Visual Question Answering by Basic Questions
🔗 https://arxiv.org/abs/1703.06492
#VQA #deep_learning #computer_vision #NLP #Image_captioning
#GRU #LSTM #CNN
🔗 https://arxiv.org/abs/1703.06492
#VQA #deep_learning #computer_vision #NLP #Image_captioning
#GRU #LSTM #CNN
Tensorflow(@CVision)
VQABQ: Visual Question Answering by Basic Questions 🔗 https://arxiv.org/abs/1703.06492 #VQA #deep_learning #computer_vision #NLP #Image_captioning #GRU #LSTM #CNN
مرتبط با مقاله: https://t.me/cvision/198
نمونه سوالات:
i. طبقه بندی صحنه: آیا این یک روز بارانی است؟
ii. بازشناسی شیء: چه چیزی بر روی میز است.
iii. طبقه بندی ویژگی: زمین چه رنگی است؟
iv. شمارش: چند نفر در اتاق هستند؟
v. تشخیص شی: آیا سیبی در تصویر وجود دارد؟
vi. تشخیص فعالیت: مرد در حال انجام چه نوع ورزشی است ؟
مقالات مشابه:
https://t.me/cvision/196
#VQA #deep_learning #computer_vision #NLP #Image_captioning
#GRU #LSTM #CNN
نمونه سوالات:
i. طبقه بندی صحنه: آیا این یک روز بارانی است؟
ii. بازشناسی شیء: چه چیزی بر روی میز است.
iii. طبقه بندی ویژگی: زمین چه رنگی است؟
iv. شمارش: چند نفر در اتاق هستند؟
v. تشخیص شی: آیا سیبی در تصویر وجود دارد؟
vi. تشخیص فعالیت: مرد در حال انجام چه نوع ورزشی است ؟
مقالات مشابه:
https://t.me/cvision/196
#VQA #deep_learning #computer_vision #NLP #Image_captioning
#GRU #LSTM #CNN
Telegram
Tensorflow
VQABQ: Visual Question Answering by Basic Questions
🔗 https://arxiv.org/abs/1703.06492
#VQA #deep_learning #computer_vision #NLP #Image_captioning
#GRU #LSTM #CNN
🔗 https://arxiv.org/abs/1703.06492
#VQA #deep_learning #computer_vision #NLP #Image_captioning
#GRU #LSTM #CNN
myimage.gif
10.7 MB
Multi-style #Generative Network for #Real_time Transfer
Paper:
🔗 https://arxiv.org/abs/1703.06953
Code:
🔗 https://github.com/zhanghang1989/MSG-Net
#Style_Transfer #deep_learning #GAN #MSG_Net #CNN
Paper:
🔗 https://arxiv.org/abs/1703.06953
Code:
🔗 https://github.com/zhanghang1989/MSG-Net
#Style_Transfer #deep_learning #GAN #MSG_Net #CNN
#خبر
On Tensors, #Tensorflow, And Nvidia's Latest 'Tensor Cores'
🔗 http://www.tomshardware.com/news/nvidia-tensor-core-tesla-v100,34384.html
According to #Nvidia, Tensor Cores can make the #Tesla V100 up to 12x faster for #deep_learning applications compared to the company’s previous Tesla P100 accelerator.
On Tensors, #Tensorflow, And Nvidia's Latest 'Tensor Cores'
🔗 http://www.tomshardware.com/news/nvidia-tensor-core-tesla-v100,34384.html
According to #Nvidia, Tensor Cores can make the #Tesla V100 up to 12x faster for #deep_learning applications compared to the company’s previous Tesla P100 accelerator.
Tom's Hardware
On Tensors, Tensorflow, And Nvidia's Latest 'Tensor Cores'
Nvidia follows Google with an accelerator that maximizes deep learning performance by optimizing for tensor calculations.
#آموزش
How to do time series prediction using RNNs, #TensorFlow and Cloud ML Engine
🔗 http://dataconomy.com/2017/05/how-to-do-time-series-prediction-using-rnns-tensorflow-and-cloud-ml-engine/
#RNN #deep_learning
How to do time series prediction using RNNs, #TensorFlow and Cloud ML Engine
🔗 http://dataconomy.com/2017/05/how-to-do-time-series-prediction-using-rnns-tensorflow-and-cloud-ml-engine/
#RNN #deep_learning
Dataconomy
How to do time series prediction using RNNs, TensorFlow and Cloud ML Engine - Dataconomy
The Estimators API in tf.contrib.learn (See tutorial here) is a very convenient way to get started using TensorFlow. The really cool thing from my perspective about the Estimators API is that using it is a very easy way to create distributed TensorFlow models.…
#خبر #خبر_عمومی
pic: http://bit.ly/2pJvMSY
حل مشکل مصرف بیش از حد #دستمال_توالت در چین با الگوریتم #بازشناسی_چهره!🚽
کاسه ی صبر چینی ها از مواجه با رول های خالی دستمال توالت به دلیل مصرف بی رویه و یا دزدیده شدن آنها لبریز شده بود!
به همین دلیل در نهایت برای حل این مشکل دست به تولید دستگاه های هوشمند با استفاده از هوش مصنوعی و الگوریتم های بازشناسی چهره زدند!
در این روش در هر بار درخواست، چهره ی فرد #اسکن شده و سپس قطعه دستمالی به طول 60 سانتیمتر توسط دستگاه به وی داده میشود. دستگاه تصویر چهره فرد را برای 9 دقیقه ذخیره میکند و در طول این 9 دقیقه با استفاده از تطبیق چهره از ارائه مجدد دستمال به فرد خود داری میکند!!!
🔗 http://www.cbc.ca/news/technology/china-facial-recognition-toilet-paper-1.4052888
pic: http://bit.ly/2pJvMSY
حل مشکل مصرف بیش از حد #دستمال_توالت در چین با الگوریتم #بازشناسی_چهره!🚽
کاسه ی صبر چینی ها از مواجه با رول های خالی دستمال توالت به دلیل مصرف بی رویه و یا دزدیده شدن آنها لبریز شده بود!
به همین دلیل در نهایت برای حل این مشکل دست به تولید دستگاه های هوشمند با استفاده از هوش مصنوعی و الگوریتم های بازشناسی چهره زدند!
در این روش در هر بار درخواست، چهره ی فرد #اسکن شده و سپس قطعه دستمالی به طول 60 سانتیمتر توسط دستگاه به وی داده میشود. دستگاه تصویر چهره فرد را برای 9 دقیقه ذخیره میکند و در طول این 9 دقیقه با استفاده از تطبیق چهره از ارائه مجدد دستمال به فرد خود داری میکند!!!
🔗 http://www.cbc.ca/news/technology/china-facial-recognition-toilet-paper-1.4052888
#Camera_Relocalization #PoseNet
pic:http://bit.ly/2rBqhaR
استنتاج این که شما الان کجا هستید؛ برای رباتهای متحرک، ناوبری و واقعیت افزوده بسیار مهم است. این روش برای رفع مشکل رباتهای گم شده یا دزدیده شده معرفی شده است.
در این پروژه با تنها داشتن یک تصویر رنگی از محیط, تا 6 درجه و 2 متر، که در محیط های باز معادل 50.000 متر مربع است تصویر دیگر از آن محیط را میتوان تخمین زد.
در پیاده سازی انجام شده توسط محققان دانشگاه کمبریج؛ تنها با آپلود یک تصویر, و استفاده از این الگوریتم, محل آن تصویر بر روی نقشه را یافته و مکان تصویر را بر روی نقشه پیدا میکند.
🔗 دموی آنلاین این پیاد سازی:
http://mi.eng.cam.ac.uk/projects/relocalisation/
🔗 سورس کد با فریم ورک #Caffe
https://github.com/alexgkendall/caffe-posenet
🔗 مقاله مربوط به این پیاده سازی:
https://arxiv.org/abs/1505.07427
#CNN #Deep_Learning #relocalization
pic:http://bit.ly/2rBqhaR
استنتاج این که شما الان کجا هستید؛ برای رباتهای متحرک، ناوبری و واقعیت افزوده بسیار مهم است. این روش برای رفع مشکل رباتهای گم شده یا دزدیده شده معرفی شده است.
در این پروژه با تنها داشتن یک تصویر رنگی از محیط, تا 6 درجه و 2 متر، که در محیط های باز معادل 50.000 متر مربع است تصویر دیگر از آن محیط را میتوان تخمین زد.
در پیاده سازی انجام شده توسط محققان دانشگاه کمبریج؛ تنها با آپلود یک تصویر, و استفاده از این الگوریتم, محل آن تصویر بر روی نقشه را یافته و مکان تصویر را بر روی نقشه پیدا میکند.
🔗 دموی آنلاین این پیاد سازی:
http://mi.eng.cam.ac.uk/projects/relocalisation/
🔗 سورس کد با فریم ورک #Caffe
https://github.com/alexgkendall/caffe-posenet
🔗 مقاله مربوط به این پیاده سازی:
https://arxiv.org/abs/1505.07427
#CNN #Deep_Learning #relocalization
پیش بینی صحنهی بعدی فیلم
( میتواند برای سانسور خودکار فیلم در پخش زنده استفاده شود)
Anticipating Visual Representations with Unlabeled Video
http://web.mit.edu/vondrick/prediction/
#CNN
( میتواند برای سانسور خودکار فیلم در پخش زنده استفاده شود)
Anticipating Visual Representations with Unlabeled Video
http://web.mit.edu/vondrick/prediction/
#CNN
Generating Videos with Scene Dynamics
video: http://bit.ly/2q6THM9
تبدیل تصویر به فیلم.
هوش مصنوعی ای که قادر است تنها با یک تصویر ثابت، فیلم چند ثانیه ای حاوی حرکت خروجی دهد...
در این روش به صورت بدون ناظر دو سال ویدیوی جمع آوری از فلیکر به شبکه آموزش داده شده است، سپس شبکه توانسته که نگاشتی از تصاویر به فیلم های چند ثانیه ای ایجاد کند.
🔗 http://web.mit.edu/vondrick/tinyvideo/
#generative #adversarial #GAN #deep_learning
video: http://bit.ly/2q6THM9
تبدیل تصویر به فیلم.
هوش مصنوعی ای که قادر است تنها با یک تصویر ثابت، فیلم چند ثانیه ای حاوی حرکت خروجی دهد...
در این روش به صورت بدون ناظر دو سال ویدیوی جمع آوری از فلیکر به شبکه آموزش داده شده است، سپس شبکه توانسته که نگاشتی از تصاویر به فیلم های چند ثانیه ای ایجاد کند.
🔗 http://web.mit.edu/vondrick/tinyvideo/
#generative #adversarial #GAN #deep_learning
YouTube
Creating Videos of the Future
More info: http://www.csail.mit.edu/creating_videos_of_the_future Paper: http://web.mit.edu/vondrick/tinyvideo/paper.pdf
بهره گیری از کتابخانه قدرتمند یادگیری ماشین #تنسرفلو در نسخه جدید #اندروید
img: http://bit.ly/2r8BeDM
گوگل در جریان کنفرانس I/O 2017، از ویژگیهای سیستم عامل #اندروید O رونمایی کرد.
...
#تنسورفلو_لایت
قابلیت نوآورانهی #تنسورفلو لایت، نسخهی ویژهای از کتابخانهی یادگیری ماشین منبع باز TensorFlow است که به سریعتر بودن و جایگیری کمتر نرمافزارها کمک خواهد کرد. در حقیقت شرکت گوگل با استفاده از کتابخانهی یادگیری ماشین تنسورفلو لایت، هوش مصنوعی را به گوشی هوشمند هر کاربر خواهد آورد. شرکت گوگل در حال توسعهی API #شبکهی_عصبی جدیدی است که تنسورفلو لایت میتواند با بهرهگیری از مزایای آن باعث شتاب دادن به پردازشها و محاسبات شود.
http://www.zoomit.ir/2017/5/19/156625/android-o-new-features-overview/
https://techcrunch.com/2017/05/17/googles-tensorflow-lite-brings-machine-learning-to-android-devices/
img: http://bit.ly/2r8BeDM
گوگل در جریان کنفرانس I/O 2017، از ویژگیهای سیستم عامل #اندروید O رونمایی کرد.
...
#تنسورفلو_لایت
قابلیت نوآورانهی #تنسورفلو لایت، نسخهی ویژهای از کتابخانهی یادگیری ماشین منبع باز TensorFlow است که به سریعتر بودن و جایگیری کمتر نرمافزارها کمک خواهد کرد. در حقیقت شرکت گوگل با استفاده از کتابخانهی یادگیری ماشین تنسورفلو لایت، هوش مصنوعی را به گوشی هوشمند هر کاربر خواهد آورد. شرکت گوگل در حال توسعهی API #شبکهی_عصبی جدیدی است که تنسورفلو لایت میتواند با بهرهگیری از مزایای آن باعث شتاب دادن به پردازشها و محاسبات شود.
http://www.zoomit.ir/2017/5/19/156625/android-o-new-features-overview/
https://techcrunch.com/2017/05/17/googles-tensorflow-lite-brings-machine-learning-to-android-devices/
هوش مصنوعی ای که تشخیص میدهد به کجا نگاه میکنید!
Where are they looking?
online demo:
http://gazefollow.csail.mit.edu/demo.html
#NIPS_2015 #GazeFollow #Deep_learning #CNN
#convolutional
Where are they looking?
online demo:
http://gazefollow.csail.mit.edu/demo.html
#NIPS_2015 #GazeFollow #Deep_learning #CNN
#convolutional
Tensorflow(@CVision)
هوش مصنوعی ای که تشخیص میدهد به کجا نگاه میکنید! Where are they looking? online demo: http://gazefollow.csail.mit.edu/demo.html #NIPS_2015 #GazeFollow #Deep_learning #CNN #convolutional
مرتبط با : https://t.me/cvision/209
🔗Paper:
http://web.mit.edu/vondrick/gaze.pdf
🔗Project Page:
http://gazefollow.csail.mit.edu/
GazefollowAPI:
Usage: http://gazefollow.csail.mit.edu/cgi-bin/image.py?url=IMG_URL
Download GazeFollow
- GazeFollow CNN : http://gazefollow.csail.mit.edu/downloads/model.zip
- GazeFollow Data : http://gazefollow.csail.mit.edu/downloads/data.zip
#NIPS 2015 #CNN #deep_learning #GazeFollow #Convolutional
🔗Paper:
http://web.mit.edu/vondrick/gaze.pdf
🔗Project Page:
http://gazefollow.csail.mit.edu/
GazefollowAPI:
Usage: http://gazefollow.csail.mit.edu/cgi-bin/image.py?url=IMG_URL
Download GazeFollow
- GazeFollow CNN : http://gazefollow.csail.mit.edu/downloads/model.zip
- GazeFollow Data : http://gazefollow.csail.mit.edu/downloads/data.zip
#NIPS 2015 #CNN #deep_learning #GazeFollow #Convolutional
Telegram
Tensorflow
هوش مصنوعی ای که تشخیص میدهد به کجا نگاه میکنید!
Where are they looking?
online demo:
http://gazefollow.csail.mit.edu/demo.html
#NIPS_2015 #GazeFollow #Deep_learning #CNN
#convolutional
Where are they looking?
online demo:
http://gazefollow.csail.mit.edu/demo.html
#NIPS_2015 #GazeFollow #Deep_learning #CNN
#convolutional
This media is not supported in your browser
VIEW IN TELEGRAM
Following Gaze Across Views
🔗 http://web.mit.edu/vondrick/videogaze.pdf
Given one view with a person in it and
a second view of the scene, our model estimates a density for #gaze location...
🔗 http://web.mit.edu/vondrick/videogaze.pdf
Given one view with a person in it and
a second view of the scene, our model estimates a density for #gaze location...
Who is Mistaken?
img: http://bit.ly/2qc1jhj
🔗abstract:
https://arxiv.org/abs/1612.01175
🔗Paper:
https://arxiv.org/pdf/1612.01175.pdf
🔗Project Page (code + data):
http://people.csail.mit.edu/bce/mistaken/
چه کسی اشتباه فکر میکند؟!
بر روی انیمیشن هایی در حد 6 یا 7 فریم آموزش دیده و تشخیص میدهد چه فردی در تصویر اشتباه فکر میکند و چه چیزی را اشتباه میکند.
برای مثال اگر فردی پشت سر خودش را نبیند، و فرد دوم صندلی را قبلش از نشستنش بکشد، فردی که به اشتباه فکر میکند که صندلی هنوز در جای خودش قرار دارد و می افتد را شناسایی میکند.
#deep_learning #cnn #Convolutional
img: http://bit.ly/2qc1jhj
🔗abstract:
https://arxiv.org/abs/1612.01175
🔗Paper:
https://arxiv.org/pdf/1612.01175.pdf
🔗Project Page (code + data):
http://people.csail.mit.edu/bce/mistaken/
چه کسی اشتباه فکر میکند؟!
بر روی انیمیشن هایی در حد 6 یا 7 فریم آموزش دیده و تشخیص میدهد چه فردی در تصویر اشتباه فکر میکند و چه چیزی را اشتباه میکند.
برای مثال اگر فردی پشت سر خودش را نبیند، و فرد دوم صندلی را قبلش از نشستنش بکشد، فردی که به اشتباه فکر میکند که صندلی هنوز در جای خودش قرار دارد و می افتد را شناسایی میکند.
#deep_learning #cnn #Convolutional
Media is too big
VIEW IN TELEGRAM
تایپ مستقیم تنها با فکر کردن به کلمه ! پروژه جدید فیسبوک.
هدف این پروژه رسیدن به سرعت تایپی با سرعت 100 کلمه در هر دقیقه (معادل 5 برابر تایپ عادی) با فرمان مستقیم به گوشی از مغز انسان است.
هدف این پروژه رسیدن به سرعت تایپی با سرعت 100 کلمه در هر دقیقه (معادل 5 برابر تایپ عادی) با فرمان مستقیم به گوشی از مغز انسان است.
#مقاله
✔️ایجاد یک نگاشت از تصور به تصویر:
در این کار شبکه های شرطی در مقابل حریف (GAN) آموزش دیده اند که یک نگاشت از تصویر ورودی به تصویر خروجی بیابند...
Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
[UC Berkeley] pic: http://bit.ly/2s2OTsm
🔗abstract:
https://arxiv.org/abs/1703.10593
🔗Paper:
https://arxiv.org/pdf/1703.10593.pdf
🔗Project Page:
https://junyanz.github.io/CycleGAN/
🔗codes:
https://github.com/junyanz/CycleGAN
https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix
Our goal is to learn a mapping G: X → Y such that the distribution of images from G(X) is indistinguishable from the distribution Y using an adversarial loss.
مرتیط به مقاله ی:
https://t.me/cvision/171
#CycleGAN #GAN #Generative #CNN #Convolutional #deep_learning #adversarial #Generative_Models #Generative
✔️ایجاد یک نگاشت از تصور به تصویر:
در این کار شبکه های شرطی در مقابل حریف (GAN) آموزش دیده اند که یک نگاشت از تصویر ورودی به تصویر خروجی بیابند...
Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
[UC Berkeley] pic: http://bit.ly/2s2OTsm
🔗abstract:
https://arxiv.org/abs/1703.10593
🔗Paper:
https://arxiv.org/pdf/1703.10593.pdf
🔗Project Page:
https://junyanz.github.io/CycleGAN/
🔗codes:
https://github.com/junyanz/CycleGAN
https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix
Our goal is to learn a mapping G: X → Y such that the distribution of images from G(X) is indistinguishable from the distribution Y using an adversarial loss.
مرتیط به مقاله ی:
https://t.me/cvision/171
#CycleGAN #GAN #Generative #CNN #Convolutional #deep_learning #adversarial #Generative_Models #Generative
This media is not supported in your browser
VIEW IN TELEGRAM
تبدیل اسب به گورخر!
ایجاد نگاشت تصویر به تصویر توسط هوش مصنوعی...
اطلاعات بیشتر:
https://t.me/cvision/214
#CycleGAN #GAN #Generative #CNN #Convolutional #deep_learning #adversarial #generative
ایجاد نگاشت تصویر به تصویر توسط هوش مصنوعی...
اطلاعات بیشتر:
https://t.me/cvision/214
#CycleGAN #GAN #Generative #CNN #Convolutional #deep_learning #adversarial #generative