​Tesseract.js – Библиотека для извлечения/распознавания текста на изображениях, поддерживает почти любой язык.

Используйте tesseract.js так, как вам нравится!
• Автономная версия
• Расширение Chrome #1
• Расширение Chrome #2
• Распознавание видео в режиме реального времени
• С Angular
• С React
• Typescript
• Electron

GitHub | #JavaScript #OCR

Там в яндексовскую нейронку балабобу завезли аналог википедии (не знаю как давно, может оно всегда там было, но я увидел только вчера).

Понажимать можно тут: https://yandex.ru/lab/yalm?style=8

Годнотой делитесь в комменты

​RNNoise - библиотека для шумоподавления, основанная на рекуррентной нейронной сети, которая позволяет убрать лишние шумы со звуковой дорожки.

Вся дополнительная информация есть в этой статье.
Там описано как работает данная нейронка и освещены некоторые аспекты темы

GitHub | #C #Audio

🤖 Прорывные алгоритмы родом из 2021-го года

Вот что случилось в прошлом году в мире алгоритмов.

🔹 Новый алгоритм обозревает научные статьи за учёных

🔹 Создали алгоритм, переводящий мысли человека в письмо от руки

🔹 Создали алгоритм, предсказывающий симпатию

🔹 Новый алгоритм распутывает происхождение дипфейков

🔹 Создали алгоритм, который учит нейронки критически оценивать данные

🔹 Создали алгоритм, который устраняет акцент говорящего

Мы много пишем об алгоритмах, почитайте:

🔻 Что такое цепи Маркова и как они работают,

🔻 Мощь алгоритмов: автоматический поиск всех возможных комбинаций,

🔻 Пишем свой генератор паролей,

🔻 Ваш собственный орфокорректор с автозаменой.

#новости_Код

Demo: https://huggingface.co/spaces/akiyamasho/AnimeBackgroundGAN
GitHub: https://github.com/venture-anime/cartoongan-pytorch

💥Top 5 Data Engineering Trends in 2022: Astronomer Research
Astronomer, which commercializes and promotes the popular batch automation tool for working with data, Apache AirFlow, conducted a series of interviews with experts in the field of data engineering to identify the most pressing trends in the IT field.
• Data lineage, Data provenance and Data Quality
• Decentralization of data across different contexts and teams, but within a single consistent infrastructure with centralization of resources
• Consolidation of data tools, including orchestration of processing pipelines
• Data Mesh, eliminating silos between processing teams through the connection of used platforms
• mutual integration of DataOps, MLOps, AIOps for more efficient and faster use of consistent data and tools for seamless work with them.
https://www.astronomer.io/blog/top-data-management-trends-2022

NeROIC: Neural Rendering of Objects from Online Image Collections
project page: https://formyfamily.github.io/NeROIC/

Я уже 16 месяцев занимаюсь задачей text style transfer, но до сих пор не очень-то понимаю, что это вообще такое — стиль текста. И не я один: даже профессиональные лингвисты не очень могут определить стиль, а те, кто могут, часто друг с другом несогласны. Поэтому NLPшники, которые занимаются переносом стиля, на лингвистику часто вообще забивают. Статья From Theories on Styles to their Transfer in Text: Bridging the Gap with a Hierarchical Survey (https://arxiv.org/abs/2110.15871) пытается это исправить.

Задумка этого 40-страничного обзора очень простая: сделать каталог большинства известных науке текстовых стилей и для каждого стиля собрать в кучку работы с лингвистическим анализом этого стиля, с доступными для него датасетами, и с алгоритмами для переноса этого стиля. В этой статье определение стиля тоже не даётся, зато её авторы показывают, какие стили вообще бывают, и что для них уже сделано. Спойлер: для большинства стилей – не очень много, но для некоторых – больше, чем вы думали.

🧙‍♂️ A ConvNet for the 2020s: Пока трансформеры выиграли битву, но не войну

📰 Ресерчеры из FAIR и Berkeley спроектировали ConvNeXts, проанализировав пределы чисто-Сверточных Сетей в эпоху Трансформеров. (Костя, Спасибо за новость!)

Двадцатые года второго тысячелетия начались с доминации трансформеров в задачах компьютерного зрения! Да, здравствует ViT, прощай ResNet! И Трансформеры быстро вытеснили Сверточные Сети. С другой стороны, ванильный ViT сталкивается с трудностями при применении к таким задачам, как детекция и сегментация. Иерархические трансформеры (Swin) сделали Трансформеры не просто сверх-жизнеспособными, а универсальной основой современного машинного зрения. Но своей силе SWIN больше обязан механизму внимания, нежели inductive bias, предложенному в SWIN.

Ресерчеры постепенно модернизировали ResNet в сторону ViT, и создали семейство ConvNeXt, достигнув 87,8% ImageNet Top-1, обойдя Swin на детекции COCO и сегментации ADE20K, сохраняя простоту и эффективность стандартных ConvNet.

📑 paper 💻 git

Узнаём калорийность блюда по фото.

Под капотом RuDOLHP точно настроенный для задачи image2text для прогнозирования калорийности пищи.

• RuDOLHP подробнее

• Попробовать

🧠 Google AI Blog | Google Research: Themes from 2021 and Beyond

📣 TL;DR Summarization of Google Research's works and achievements in 2021

Вышел крутой блокпост, где выделено пять различных трендов, для каждого из которых приведены исследования (в основном с 2021 года), а так же сделан прогноз того, что мы, вероятно, увидим в ближайшие пару лет.

Тренды:
· 1. Более функциональные модели машинного обучения общего назначения
· 2. Постоянное повышение эффективности машинного обучения
· 3. Повышение пользы машинного обучения для личности и общества
· 4. Растущие влияние машинного обучения в науке и здравоохранении
· 5. Более глубокое понимание глубокого обучения

📇 Blog Post | Google Research: Themes from 2021 and Beyond

p.s.: Скажем Chan Kha Vu, спасибо за ссылку, поставим 👍