Выступаю завтра на семинаре! Подключайтесь♥️

🎓 — Семинар 25. Использование данных бортовых радаров и камер для распознавания объектов на дороге и бездорожье | Ульяна Изместьева, Лука Ветошкин, Ольга Матыкина

В нашем выступлении мы обсудим мультимодальные датасеты и методы для распознавания трехмерной сцены, использующие данные наиболее распространенных сенсоров беспилотных транспортных средств: камер, радаров и лидаров. Отметим особую роль радаров, которые могут видеть сквозь туман, дым, снег.

Мы приведем краткий обзор датасетов, собранных как в городских условиях, так и в условиях бездорожья и даже в шахтах. Также мы коснемся методов для решения широкого класса задач с использованием упомянутых датасетов: сегментация и детекция объектов на дороге, сегментация проезжей части, построение карты глубин по изображениям и облакам радарных точек.

В завершение мы расскажем об экспериментах, позволяющих преодолеть ограничения существующих мультимодальных датасетов. В качестве методов аугментации датасетов будут рассмотрены дифуззионные модели Kandinsky2-2, Stable Diffusion-2, Stable Diffusion XL. Сравним архитектуры моделей, время инференса и качество сгенерированных изображений в режиме восстановления выделенной области изображения.

📹 Трансляция Youtube

Подключайтесь к живому обсуждению и задавайте вопросы в прямом эфире! Ждем всех!

#семинары #CV #selfdriving #multimodal #diffusion

Пришла весна🌸
У меня снова появлилось настроение и желание ботать😼
Поэтому держите разбор мини темки👇

🟢Автоэнкодеры — это нейронные сети прямого распространения, которые восстанавливают входной сигнал на выходе. Автоэнкодеры конструируются таким образом, чтобы не иметь возможность точно скопировать вход на выходе.

Автоэнкодеры состоят из двух частей: энкодера g и декодера f. Энкодер переводит входной сигнал в его представление (код): h = g(x), а декодер восстанавливает сигнал по его коду: x=f(h). Автоэнкодер, изменяя f и g, стремится выучить тождественную функцию x = f(g(x)), минимизируя какой-то функционал ошибки: L(x, f(g(x)))

При этом семейства функций энкодера g и декодера f как-то ограничены, чтобы автоэнкодер был вынужден отбирать наиболее важные свойства сигнала.

#about_ml

🟢Примеры автоэнкодеров:
🔹Сжимающий автоэнкодер
Состоит из двух полносвязных слоев: енкодера и декодера.

🔹Глубокий автоэнкодер
Такой же автоэнкодер, но с большим числом слоев. Может вычленять более сложные нелинейные закономерности.

🔹Сверточный автоэнкодер
Присутствует некоторая пространственная инвариантность. Несмотря на то, что количество параметров у этой сети намного меньше чем у полносвязных сетей, функция ошибки насыщается на значительно меньшей величине.

🔹Denoising автоэнкодер
Автоэнкодеры можно обучить убирать шум из данных: на вход подавать зашумленные данные и на выходе сравнивать с данными без шума: L(x, f(g(x'))), где x' — зашумленные данные.

🔹Разреженный (Sparse) автоэнкодер
Разреженный автоэнкодер — просто автоэнкодер, у которого в функцию потерь добавлен штраф за величины значений в коде, то есть автоэнкодер стремится минимизировать такую функцию ошибки: L(x, f(g(x))) + Ω(h), где h = g(x) — код, Ω(h) — обычный регуляризатор (например L1): Ω(h) = λ * |h|
Разреженный автоэнкодер не обязательно сужается к центру. Его код может иметь и большую размерность, чем входной сигнал. Обучаясь приближать тождественную функцию x = f(g(x)), он учится в коде выделять полезные свойства сигнала. Из-за регуляризатора даже расширяющийся к центру разреженный автоэнкодер не может выучить тождественную функцию напрямую.

Если есть какие-то вопросы, замечания, предложения - жду комментариев🙃

Ссылка на хабр с кодом

#about_ml

🎓 — Семинар 26. 66-ая Всероссийская научная конференция МФТИ: секция технологий искусственного интеллекта ФПМИ

Сегодня в качестве семинара пройдет у нас будет Всероссийская научная конференция МФТИ: секция технологий искусственного интеллекта ФПМИ, на которой будем заслушивать доклады участников, чьи работы прошли отбор на конференцию. Среди всех участников выступят и наши сотрудники: Ульяна Изместьева, Ольга Матыкина, Егор Черепанов, Александр Чернявский, Анатолий Борзилов, Владислав Кузнецов, Zhang Huzhenyu, Александр Мелехин, Денис Васильев и Егор Зубков!

📹 Трансляция Youtube

Подключайтесь к живому обсуждению и задавайте вопросы в прямом эфире! Ждем всех!

#семинары #конференции #мфти #ии

Вечер воскресенья, впереди майские праздники🌸
А мне грустно от того, что я уже больше полугода в Москве, а роста себя как специалиста почти не ощущаю(((

Начала копать причины - почему так происходит? Как всегда натыкаюсь на одну и ту же проблемную часть себя - отсутствие дисциплины. Я слишком завязана на своих эмоциях, а учитывая то, что я очень эмоциональный человек, бывает трудно с ними совладать... Исходя из этого начинает страдать продуктивность и отдых, появляется тревожность, что отражается на физическом здоровье😬

Снова ищу методы решения такой проблемы. Наткнулась на прикольный видос с клевой анимацией на мой вкус. Легко и доступно преподнесли материал. Да, рассказали про очевидные вещи. Но для таких людей как я, у которых в голове вечно бардак, полезно слушать что-то подобное, потому что направляет в правильное русло мыслей и действий)))
Основные поинты ниже

Морально подготовься
Силы воли не существует (как и лени)
Необходимо твердо решить, что тебе это надо
Причины почему не можешь соблюдать дисциплину:
1. Берешь на себя слишком много - работай в своем темпе
2. Ждешь быстрых результатов. Плохо сейчас - хорошо потом
3. Много чешешь языком 🙂 Когда делишься слишком много своими планами или представляешь все достигнутые цели - психика думает, что это уже есть в реальности.

Начни делать
Лайфхаки для достижения целей:
1. Раздели большую цель на более мелкие
2. Определи вознаграждения за сделанный кусок работы (Чувствую себя рл агентом). Награда должна быть соразмерна со сделанным
3. Меньше отвлекайся - ограничь время на залипание в соцсети и тп. Хотя, можно контролировать этот процесс будильником

Не останавливайся
Чтобы поддержать дисциплину - нужно этого хотеть.
Если все время страдаешь - то тебя хватит не на долго

Ссылочка на видосик

#diff

Решила летними вечерами укреплять свою базу знаний 🥸

📚Курсы:
Курс по классическому мл от Радослава Нейчева - первая часть (база)
Прикладное машинное обучение от Радослава Нейчева - вторая часть
Курс по генеративным моделям - читается на физтехе

📄Шпаргалки и заметки:
The IllustratedMachine Learning website - схематичный конспект
Учебник по машинному обучению - от ШАД
Конспекты от Дъяконова

🧠Упражнения:
Практические упражнения по ML - 15 задач от градиентного спуска до до GPT с нуля в виде leetcode задач (меня это очень сильно привлекло, планирую сделать все)
Roadmap по литкоду - 150 задач на алгосы
Курс по Git - легкий курс в игровой форме (визуалам понравится)

📺Видосы и прочее:
Методичка: Поиск Работы в ML/DS от Бориса Цейтлина
Краткое и емкое видео про GIL
Асинхронность
Работа с памятью в python

Сюда еще планируется добавить курсы по git, linux, mlops (непосредственно, когда я до них доберусь)

#about_ml

Еееее

В день рождения юбилей в 100 подписчиков🎉🎉🎉

Можно теперь покупать тг-премиум и писать посты, не разделяя их (использовать прикольные стикеры в сообщениях)😄