Face pose generation

https://arxiv.org/pdf/1908.07191.pdf

#paper #artificialintelligence

@pythonicAI

AutoGMM: Automatic Gaussian Mixture Modeling in Python.

http://arxiv.org/abs/1909.02688

#paper #machinelearning #artificialintelligence

@pythonicAI

Y-Autoencoders: disentangling latent representations via sequential-encoding

https://arxiv.org/abs/1907.10949

#paper #artificialintelligence

@pythonicAI

Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

How normalization applied to layers helps to reach faster convergence.

https://arxiv.org/abs/1502.03167

#paper #deeplearning #artificialintelligence

@pythonicAI

CvxNets: Learnable Convex Decomposition

by Geoffrey Hinton, Boyang Deng, Kyle Genova, Soroosh Yazdani, Sofien Bouaziz, Andrea Tagliasacchi

https://arxiv.org/abs/1909.05736

#paper #artificialintelligence

@pythonicAI

Deep Reinforcement Learning Algorithm for Dynamic Pricing of Express Lanes with Multiple Access Locations

http://arxiv.org/abs/1909.04760

#paper #deeplearning #artificialintelligence

@pythonicAI

Useful paper about calibration of NN to reduce overfit

https://arxiv.org/pdf/1706.04599.pdf

#paper #neuralnetwork #artificialintelligence

@pythonicAI

Understanding Transfer Learning for Medical Imaging

ArXiV: https://arxiv.org/abs/1902.07208

#paper #machinelearning #artificialintelligence

@pythonicAI

Can you classify two class circle data using neural network with only two neurons?

https://arxiv.org/abs/1901.00109

#paper #neuralnetwork #artificialintelligence

@pythonicAI

YOLO Nano: a Highly Compact You Only Look Once Convolutional Neural Network for Object Detection

YOLO Nano possesses a model size of ~4.0MB (>15.1x and >8.3x smaller than Tiny YOLOv2 and Tiny YOLOv3, respectively) and requires 4.57B operations for inference (>34% and ~17% lower than Tiny YOLOv2 and Tiny YOLOv3, respectively) while still achieving an mAP of ~69.1% on the VOC 2007 dataset (~12% and ~10.7% higher than Tiny YOLOv2 and Tiny YOLOv3, respectively).

https://arxiv.org/pdf/1910.01271

#paper #deeplearning #artificialintelligence

@pythonicAI

A Novel AI-enabled Framework to Diagnose Coronavirus COVID 19 using Smartphone Embedded Sensors: Design Study

https://arxiv.org/abs/2003.07434

#paper #deeplearning #artificialintelligence #corona

@pythonicAi

Deformable Style Transfer

#paper #deeplearning #artificialintelligence

@pythonicAi

The Internet of Things as a Deep Neural Network

#paper #deeplearning #artificialintelligence

@pythonicAi

Machine translation of cortical activity to text with an encoder–decoder framework

#paper #deeplearning #artificialintelligence

@pythonicAi

Neural Network Models for Natural Language Processing

#paper #deeplearning #artificialintelligence

@pythonicAi

Backpropagation and the brain

Geoffrey Hinton, Timothy P. Lillicrap, Adam Santoro, Luke Marris, Colin J. Akerman

https://www.nature.com/articles/s41583-020-0277-3

#paper #machinelearning #artificialintelligence

@pythonicAi

The 1st Agriculture-Vision Challenge: Methods and Results

By Andrew Ng et al.

https://arxiv.org/abs/2004.09754v1

چالش :
https://www.agriculture-vision.com

https://competitions.codalab.org/competitions/23732?secret_key=dba10d3a-a676-4c44-9acf-b45dc92c5fcf

#paper #artificialintelligence

@pythonicAi

YOLOv4: Optimal Speed and Accuracy of Object Detection.

http://arxiv.org/abs/2004.10934

#paper #artificialintelligence

@pythonicAi

YOLOv4: Optimal Speed and Accuracy of Object Detection

Paper: https://arxiv.org/abs/2004.10934

source code: https://github.com/AlexeyAB/darknet

#paper #deeplearning #artificialintelligence

@pythonicAi

یکی از مسائل علمی داغ و پرچالش دنیا این است که یادگیری ماشین روی دستگاه‌های مختلف (موبایل، مچ‌بند هوشمند، دستگاه‌های پزشکی) انجام شود. به این ترتیب، پروتزی که در بدن یک فرد گذاشته می‌شود هوشمند خواهد بود.
یکی از چالش‌ها، نیاز به پردازنده قوی و حافظه بالا است. می‌توان داده‌ها را به یک سرور قوی منتقل کرد، اما این کار مشکلاتی مانند نقض حریم شخصی و عدم تضمین ارتباط با شبکه دارد.
پژوهش برای یادگیری روی خود دستگاه‌ها شروع شده، اما این کارها خاص‌منظوره هستند و دقت آنها هم عموما بالا نیست. به همین دلیل آقای کشاورز الگوریتمی برای یادگیری روی خود دستگاه ساخته، و نامش را «صفر» گذاشته که به دلیل زمان اجرا و انرژی مصرفی‌اش بود.
هدف این بوده که الگوریتم را روی میکروکنترلر Arduino Uno اجرا کنند که پردازنده 20 مگاهرتزی و رم 2 کیلوبایتی دارد و قیمتش در حال حاضر 79 هزار تومان است. این الگوریتم باید بسیار بسیار ساده می‌بوده و این چالش اصلی بوده.
در ویدیو، چراغی یک ثانیه روشن است و 1.2 ثانیه خاموش. آن 0.2 ثانیه زمانی است که صرف یادگیری ماشین روی داده‌های با اندازه معقول می‌شود.
کاربردهای این الگوریتم شامل پزشکی تا خانه‌های هوشمند و دستگاه‌های صنعتی می‌شود. این اولین الگوریتم عام‌منظوره جدیدی است که برای یادگیری روی دستگاه‌ها ساخته شده است.
صفر یک الگوریتم Classification با زمان اجرا و انرژی مصرفی بسیار پایین است.

لینک مقاله:
https://arxiv.org/abs/2006.04620

آدرس لینکدین آقای کشاورز:
https://www.linkedin.com/in/hamidreza-keshavarz-54aa532a

#machinelearning #artificialintelligence #paper

@pythonicAi