Ежедневный информационный бюллетень — 11 января 2021 г.
Исследование изображений, сгенерированных StyleGAN, на основе атрибутов, подкаст Chai Time Data Science и распознавание объектов в реальном времени с помощью PipeMonitor в сегодняшнем выпуске Data Science Daily 📰
StyleFlow: Обусловленное атрибутами исследование изображений, сгенерированных StyleGAN, с использованием условных непрерывных потоков нормализации 📷
GitHub: https://github.com/RameenAbdal/StyleFlow
Проект: https://rameenabdal.github.io/StyleFlow/
Из абстракции
С помощью безусловных GAN (например, StyleGAN) теперь можно создавать высококачественные, разнообразные и фотореалистичные изображения. Однако существуют ограниченные возможности для управления процессом генерации с использованием (семантических) атрибутов при сохранении качества вывода. Кроме того, из-за запутанного характера скрытого пространства GAN выполнение редактирования одного атрибута может легко привести к нежелательным изменениям других атрибутов. В этой статье, в контексте условного исследования запутанных скрытых пространств, мы исследуем две подзадачи выборки, обусловленной атрибутами, и редактирования, контролируемого атрибутами. Мы представляем StyleFlow как простое, эффективное и надежное решение обеих подпроблем, формулируя условное исследование как пример условных непрерывных нормализующих потоков в скрытом пространстве GAN, обусловленных атрибутивными функциями. Мы оцениваем наш метод, используя скрытое пространство StyleGAN для лица и автомобиля, и демонстрируем мелкозернистые распутанные правки по различным атрибутам как на реальных фотографиях, так и на изображениях, созданных StyleGAN.
Объяснительное видео: https://www.youtube.com/watch?v=Lt4Z5oOAeEY
Обзорное видео: https://youtu.be/ LRAUJUn3EqQ
Подкаст Chai Time Data Science 🎤
Шоу Chai Time Data Science — это серия, в которой Саньям Бхутани берет интервью у своих героев Data Science: практиков, Kagglers и исследователей обо всем, что связано с наукой о данных 👉 https://anchor.fm/chaitimedatascience
133 интервью с героями машинного обучения ▶ https://www.youtube.com/c/ChaiTimeDataScience/videos
PipeMonitor: обнаружение и распознавание объектов в режиме реального времени с использованием анализа распространения упругих волн 💻
PipeMonitor – это аппаратно-программный прототип для обнаружения и распознавания объектов и состояний объектов в режиме реального времени с использованием анализа распространения упругих волн.
Ссылка на видео: https://youtu.be/AHFEp_SgWSE
Проект👉 https://alexfcoding.github.io/PipeMonitor
Создано с использованием пользовательской библиотеки C# нейронной сети: https://github.com/alexfcoding/NeuralLibrary.
Функции
- Построение нейронных сетей с различной структурой в объектно-ориентированном стиле
- Обучение нейронных сетей с заданной скоростью обучения, итерациями, эпохами, входными сигналами
- Включены четыре демонстрационных режима обучения:
- Обучение модели распознаванию изображений с вращением. Протестирована база данных рукописных цифр MNIST (изображения png)
- Обучение модели распознаванию шумных синусоидальных сигналов
- Рисование мышью в интерактивном режиме, чтобы научить модель распознавать любые пользовательские рисунки.
- Аппроксимация сигнала нейронной сетью
- Валидация с отслеживанием в реальном времени ошибок, значений весов и выходных данных нейронов на графиках
- Сохранение предварительно обученных моделей в файл в любом состоянии обучения
- Загрузка предварительно обученных моделей из файлов
- DLL для использования нейронных сетей в вашем проекте
- В настоящее время поддерживается только многослойная сеть перцептронов.
Свяжитесь с нами 📞
Свяжитесь с нами по адресу [email protected], чтобы получить информацию здесь. Изучите науку о данных и машинное обучение на бесплатных практических курсах по науке о данных на Jovian.
Подпишитесь на нас в Twitter, LinkedIn и YouTube, чтобы оставаться в курсе.