#dataset #مجموعه_داده

Flickr-Faces-HQ (FFHQ) is out now. "... 70,000 high-quality PNG images at 1024×1024 resolution and contains considerable variation in terms of age, ethnicity and image background." The dataset used for the Style-GAN paper.

https://github.com/NVlabs/ffhq-dataset

#face #gan

#dataset #مجموعه_داده

Flickr-Faces-HQ (FFHQ) is out now. "... 70,000 high-quality PNG images at 1024×1024 resolution and contains considerable variation in terms of age, ethnicity and image background." The dataset used for the Style-GAN paper.

https://github.com/NVlabs/ffhq-dataset

#face #gan

#آموزش
این آموزش از خیلی جهات به نظرم مفیده.
صورت مساله یه رگرسیون تخمین قیمت خونه است.
نوع دیتاستش که جالبه. که هم داده ی ساختاری یافته داره، مثل اندازه خونه، تعداد اتاق و ... هم تصویر اون خونه ها را داره. که باید جفت این اطلاعات را برای تخمین قیمت استفاده کنیم.
استفاده از کراس هم جالبه اینجا، برای تعریف یکی از شبکه هاش هم از مدل sequential تو keras استفاده کرده. هم از اون مدل sequentialش به عنوان بخشی از تعریف مدل کلیش با functional api کراس استفاده کرده. که اینطوری ترکیب همزمان این دو روش را میشه دید.


https://news.1rj.ru/str/cvision/995

قبلا در اینجا در مورد ONNX یا
#ONNX: Open Neural Network Exchange
نوشتم.

حالا استفاده در مرورگر:

ONNX.js: Universal Deep Learning Models in The Browser
https://towardsdatascience.com/onnx-js-universal-deep-learning-models-in-the-browser-fbd268c67513

مرتبط با:
Open Neural Network eXchange (ONNX) Model Zoo
https://github.com/onnx/models

#خبر

معرفی نسخه جدید کتابخانه پایتون پردازش زبان طبیعی Stanford با قابلیت پشتیبانی از زبان فارسی

دانشگاه استنفورد به تازگی با بروزسانی کتابخانه پردازش زبان طبیعی خود، علاوه بر بهبود هسته پردازشی خود، قابلیت پشتیبانی از ۵۳ زبان مختلف را اضافه کرده است. نکته قابل توجه اضافه شدن پشتیبانی از زبان فارسی می باشد که برای پژوهش گران پردازش زبان طبیعی می‌تواند بسیار ارزشمند باشد.
لیست همه زبان هایی که این کتابخانه مورد پشتیبانی قرار داده را با جزئیات بیشتر می‌توانید در لینک زیر ملاحظه کنید:
https://stanfordnlp.github.io/stanfordnlp/installation_download.html#human-languages-supported-by-stanfordnlp
امکانات دیگر این کتابخانه و نحوه نصب و راه اندازی آن را می‌توانید از این لینک بررسی نمایید:
https://stanfordnlp.github.io/stanfordnlp/index.html

@partdpai

#مقاله آقای دکتر سید خلیق رضوی
Integrated Cognitive Assessment:
Speed and Accuracy of Visual Processing as a Reliable Proxy to Cognitive Performance

https://www.nature.com/articles/s41598-018-37709-x?error=cookies_not_supported&code=043882a0-4e6c-4054-ae16-c00437c2e282

#خبر
TF-Replicator is a framework for distributed ML used by DeepMind and will be part of Tensorflow 2.0 🔥 - Here’s the paper: https://arxiv.org/abs/1902.00465

#tensorflow

#آموزش #صوت
Audio Classification using FastAI and On-the-Fly Frequency Transforms

https://towardsdatascience.com/audio-classification-using-fastai-and-on-the-fly-frequency-transforms-4dbe1b540f89

#سورس_کد #مقاله
کد پیاده سازی تنسرفلو مقاله اخیر Nvidia منتشر شد!

این افراد واقعی نیستند - آنها توسط شبکه های GAN ساخته شده است که اجازه می دهد تا بر جنبه های مختلف تصویر کنترل داشته باشید.

🔗Code:
StyleGAN — Official TensorFlow Implementation
https://github.com/NVlabs/stylegan

🔗paper:
A Style-Based Generator Architecture for Generative Adversarial Networks
http://stylegan.xyz/paper

#tensorflow
#gan #stylegan #nvidia

خلاقیت در طبقه بندی میوه ها بر اساس #اندازه...
حواسمون باشه برای هر مساله ای به machine learning روی نیاریم !

🙏Thanks to: @Aryaka

#fun

#مقاله
آیا شبکه های کانولوشنالی به شکل حساسند یا بافت و جنس تصوی !؟
Are CNNs learning to recognize objects by their shapes, or just their textures?

https://arxiv.org/pdf/1811.12231v2.pdf?utm_source=social&utm_medium=linkedin&utm_campaign=TechRecTexture

Convolutional Neural Networks (CNNs) are commonly thought to recognise objects by learning increasingly complex representations of object shapes. Some recent studies suggest a more important role of image textures. We here put these conflicting hypotheses to a quantitative test by evaluating CNNs and human observers on images with a texture-shape cue conflict. We show that ImageNet-trained CNNs are strongly biased towards recognising textures rather than shapes, which is in stark contrast to human behavioural evidence and reveals fundamentally different classification strategies. We then demonstrate that the same standard architecture (ResNet-50) that learns a texture-based representation on ImageNet is able to learn a shape-based representation instead when trained on ‘Stylized- ImageNet’, a stylized version of ImageNet. This provides a much better fit for human behavioural performance in our well-controlled psychophysical lab setting (nine experiments totalling 48,560 psychophysical trials across 97 observers) and comes with a number of unexpected emergent benefits such as improved object detection performance and previously unseen robustness towards a wide range of image distortions, highlighting advantages of a shape-based representation.

🙏Thanks to: @vahidreza01

#سورس_کد
#OpenPose_Keras
A little bit of play with OpenPose without using their API


کد
https://nbviewer.jupyter.org/github/mmittek/openpose-keras/blob/master/StolenOpenPoseHandTracking.ipynb

ویدیو:
https://www.youtube.com/watch?v=FnoI8ufwhbs

گیت هاب:
https://github.com/mmittek/openpose-keras

#keras #hand #pose

#مقاله #face
در این تصویر تاثیر مخرب تصاویر profile در کاهش دقت روشهای deep در تطبیق و بازشناسی چهره به خوبی مشخص شده است.
تصاویر profile دو فرد مختلف باهم اشتباه میشوند، و تصاویر profile و frontal یک فرد یکسان اشتباها دو فرد متفاوت تشخیص داده شده است.

https://news.1rj.ru/str/cvision/988

#آموزش
سه ویژگی کلیدی که برای یک بازنمایی میتوان تعریف کرد:

#equivariance, #invariance, #equivalence.

Equivariance
equivariance studies how transformations of the input image are encoded by the representation.

Invariance
invariance being a special case where a transformation has no effect.

Equivalence
equivalence studies whether two representations, for example two different parametrisations of a CNN, capture the same visual information or not.

منبع:
https://www.robots.ox.ac.uk/~vedaldi/assets/pubs/lenc15understanding.pdf

#کوئیز
برای جلسه اول دوره ی یادگیری عمیق دانشگاه شهید رجایی کوییز آنلاینی از مباحث مقدمتی شبکه های کانولوشنالی آماده کردم .

در صورت تمایل شماهم دانش مقدماتی خود را محک بزنید:

https://www.proprofs.com/quiz-school/story.php?noscript=mjm5odizmgit76

Spektral: a library for doing Deep Learning on graph data in Keras

A Python framework for relational representation learning in Keras.
Spektral is an open source project available on Github.
Read the documentation on the official website.

#Spektral #keras #graph

#fun
#andrew_ng vs #Goodfellow

XLM – Enhancing BERT for Cross-lingual Language Model

https://www.lyrn.ai/2019/02/11/xlm-cross-lingual-language-model/

پست های مرتبط با BERT در کانال:
https://news.1rj.ru/str/cvision/957
https://news.1rj.ru/str/cvision/907
https://news.1rj.ru/str/cvision/745

#BERT

#مجموعه_داده
مجموعه داده عظیم دادگان صوتی و گفتار که #ناسا منتشر کرده است.
حدود 19.000 ساعت گفتار ضبط شده از آپالو 11!

Massive Speech Dataset !!! 19,000 hours of Apollo-11 recordings

TASK#1: Speech Activity Detection: SAD

TASK#2: Speaker Diarization: SD

TASK#3: Speaker Identification: SID

TASK#4: Automatic Speech Recognition: ASR

TASK#5: Sentiment Detection: SENTIMENT
http://fearlesssteps.exploreapollo.org/

#NASA #speech #sentiment #dataset

#آموزش

در این نوت بوک آموزشی گوگل مختصرا 3 روش اصلی کار با Keras در تنسرفلو توضیح داده شده است:

لازم به ذکر است آخرین به روز رسانی این نوت بوک 19 روز پیش بوده است.

Sequential model
Functional API
Model subclassing

همچنین کار با tf.dataset به جای ورودی از numpy و نکات دیگر...

https://github.com/tensorflow/docs/blob/master/site/en/guide/keras.ipynb

یا در گوگل کولب اجرا کنید:

https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/guide/keras.ipynb


مرتبط با:
https://news.1rj.ru/str/cvision/954

#keras

#خبر

https://opendatascience.com/deep-learning-finds-fake-news-with-97-accuracy/

🙏Thanks to: @vahidreza01