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.