AI Image Transformer — нейронка стилизует картинки

Инструмент для карикатуризации и стилизации изображений — в том числе в духе картин Пикассо, Ван Гога, Айвазовского и так далее. Просто выбираете нужный формат для конвертации и загружаете картинку.

Единственная проблема — время обработки: чем больше исходное изображение — тем дольше ждать (может затянуться на несколько минут). Зато на выходе получаете сразу несколько картинок с разной степенью обработки — остается выбрать нужную. Бесплатно, без регистрации.

#бесплатный #нейронки

🍏Clustimage - Python library for image clustering
Unsupervised clustering in image recognition is a multi-step process. It includes preprocessing, feature extraction, similarity clustering, and estimation of the optimal number of clusters using a quality measure. All of these steps are implemented in the Clustimage Python package, which takes only paths or raw pixel values as input.
The goal of clustimage is to detect natural groups or clusters of images using the ilhouette, dbindex and their derivatives methods, in combination with clustering methods (agglomerative, kmeans, dbscan and hdbscan). Clustimage helps you determine the most robust clustering by efficiently searching by parameter and evaluating clusters. In addition to image clustering, the model can also be used to find the most similar images for a new invisible sample.
To try this open source library (https://github.com/erdogant/clustimage), you first need to install it: pip install clustimage, then import the package into your project: from clustimage import Clustimage.
See an example with explanations here: https://towardsdatascience.com/a-step-by-step-guide-for-clustering-images-4b45f9906128

Тут наткнулся на статейку от китайцев про 3D реконструкцию людей по видео. Результаты какие-то охеревшие, и есть код, так что буду смотреть внутрь.

>> Статья >> Код

#news Продолжаем о распознавании лиц — на сей раз о печально известной технологии Clearview AI. Печально известной, потому что её испробовало для полиции несколько мировых государств, не сообщая об этом гражданам.

CEO Clearview AI заявил, что Airbnb, Lyft и Uber интересовались применением у себя их технологии, хоть и не планируют это делать в ближайшее время. Все три компании от таких намерений и планов наотрез открестились в СМИ.

Фиксируем это, чтобы позже посмотреть, кто же тут прав: шпионская компания с грязным маркетингом, претендующая на пост следующей NSO Group, или корпорации, у которых слова почти всегда расходятся с действиями. Я предпочту не выбирать вообще.

@tomhunter

Missingno

Большие грязные наборы данных и часто отсутствующие значения в них — это одна из частых проблем при работы с датасетами, и это важно отлавливать такие моменты.

Для таких целей существует Missingo — библиотека, которая имеет в себе небольшой набор простых в использовании средств для визуализации отсутствующих данных и утилит, которые позволяют быстро получить сводку полноты или отсутствия вашего набора данных.

Интерактивный пример — тут.

#Missingo

Улучшение изображения при слабом освещение.

🌃 🔦
• Попробовать

Error, кому интересно
https://github.com/keras-team/keras-io/blob/master/examples/vision/mirnet.py

📓 Как вытащить из данных максимум. Навыки аналитики для неспециалистов.

💬 Дата-грамотность, то есть способность ориентироваться в мире данных, — ключевой навык сегодняшнего дня. Ежедневно в соцсетях публикуются миллиарды сообщений, электронные почтовые ящики по всей планете гудят от писем, а каждый подключенный к интернету автомобиль производит терабайты данных, не говоря уже об онлайн-магазинах, платежных системах и государственных цифровых сервисах. Однако работать с данными, анализировать их и использовать их для бизнеса по-прежнему умеет меньшинство, а специалистов катастрофически не хватает.

💬 Это практическое руководство позволит даже неспециалисту освоить четыре базовых уровня аналитики и узнать, как принимать эффективные решения на основе данных, чтобы извлекать максимум из информации и быть успешным в быстро меняющемся цифровом мире.

📌 Download.

#RU #DataMining

Meta AI о нашем SOTA подходе для видео-сегментации человека на мобильных устройствах

В посте описана архитектура и всяческие трюки, которые помогают достичь SOTA результатов, при том, что модель бегает real-time на телефоне (либо, на другом мобильном устройстве).

Некоторые из фишек:
- FBNet - based архитектура, заточенная под сегментацию на мобилках с помощью Neural Architecture Seach. Выглядит как асиметричный U-Net с тяжелым энкодером и легковесным декодером.
- BoundaryIOU loss для смещения фокуса именно на точность сегментации на границе объекта
- Для увеличения консистентности предсказания во времени на вход берется маска, предсказанная на предыдущем фрейме
- Semi-supervised learning: В качестве учителя берется жирная сеть PointRend, а в качетсве студента легкая сеть, описанная выше.

К этому проекту приложил руку и ваш покорный слуга 🤓.

> Ссылка на статью