VOS: Learning What You Don't Know by Virtual Outlier Synthesis

تو این روش به شبکه های object detection میتونید شئ "نمیشناسم" یا "OOD = Out Of Domain" را اضافه کنیم.
نتیجه بالایی بدون این تکنیک و پایینی با این تکنیک است.
https://arxiv.org/abs/2202.01197

The trick is to generate OOD examples automatically for the contrastive loss. But instead of doing it with a GAN, which is hard and flaky, they do it directly in the final feature space, just before the classification head.

source code for ICLR'22 paper "VOS: Learning What You Don’t Know by Virtual Outlier Synthesis"

https://github.com/deeplearning-wisc/vos

#object_detection

کلی شبکه object detection را با یک فریم ورک آموزش بدید و مقایسه کنید!

OpenMMLab Detection Toolbox and Benchmark
https://github.com/open-mmlab/mmdetection

🔰جامعه اسلامی دانشجویان دانشگاه تربیت دبیر شهید رجایی برگزار می کند:

💢بازار کار سلام💢

🔻آشنایی با بازار کار

🧑🏻‍💻ویژه دانشجویان مهندسی کامپیوتر

▫️با حضور:
🔹مهندس علیرضا اخوان پور
🔸️مدیر فنی شرکت دانش بنیان شناسا و استاد دانشگاه تربیت دبیر شهید رجایی

⏳ زمان برگزاری: چهارشنبه، ۲۰ بهمن

⏰ساعت: ۱۱ صبح

🔻همراه با پخش زنده از کانال تلگرامی جامعه اسلامی دانشجویان دانشگاه تربیت دبیر شهید رجایی به آدرس زیر:

🌐 https://news.1rj.ru/str/JADSRTTU

⁉️سوالات خود در این زمينه را به آیدی زیر در پیام رسان تلگرام ارسال نمایید:

@jadsrttu_12

#واحد_دبیری
#جامعه_اسلامی_دانشجویان
#دانشگاه_تربیت_دبیر_شهید_رجایی

🆔 @jadsrttu

از بزرگواران کسی دیتاست CASIA-SURF مربوط به چالش Challenge@CVPR2019 را دارد؟

بحث بین موسس های سایت یوتیوب در سال 2005
واقعا جالبه!

منبع این متن ایمیل:
https://twitter.com/stem_feed/status/1492894674725580804?cxt=HBwWiMC54YDz6bcpAAAA&cn=ZmxleGlibGVfcmVjcw%3D%3D&refsrc=email

یک داکیومنت پیرامون data shift در یادگیری ماشین

https://docs.google.com/document/d/14uX2m9q7BUn_mgnM3h6if-s-r0MZrvDb-ZHNjgA1Uyo/edit

CLIPasso: Semantically-Aware Object Sketching

https://clipasso.github.io/clipasso/

A Data-Augmentation Is Worth A Thousand Samples: Exact Quantification From Analytical Augmented Sample Moments

Randall Balestriero, Ishan Misra, Yann LeCun

https://arxiv.org/pdf/2202.08325

Self-Distilled StyleGAN: Towards Generation from Internet Photos

#gan
#StyleGAN
https://self-distilled-stylegan.github.io/

معماری شبکه ConvNeXt تماما از واحدهای کانولوشنالی است و روی top-1 چالش imageNet دقت 87.8% را کسب کرده که نسبت به مدلهای ترنسفورمری قبلی نظیر Swin Transformers بهتر عمل کرده...

https://github.com/facebookresearch/ConvNeXt

احتمالا این ویدیو که مربوط به حمل چراغ راهنمایی توسط یک کامیون که منجر به اخطارهای مکرر و اشتباه خودرو تسلا شده را دیده اید!
پخش سریع این ویدیو در اینترنت نشان از توقعات و انتظارات بیش از حد از هوش مصنوعی دارد.
این انتظارات بالا از تکنولوژی قاعدتا گریبان هر شخصی که در توسعه محصولات مرتبط با هوش مصنوعی نقش داشته را گرفته...

سلام بچه‌ها

دوستانی که تو لینکدین من رو دنبال می‌کنن میدونن که من الان تو سازمان بورس و اوراق بهادار مشغول هستم، یه سری حرکت‌های مثبت برای در دسترس عموم قرار دادن دیتای معاملات، پرتفوی‌ها، orderها و آنالیزش داریم می‌زنیم که آروم آروم بهتون می‌گم چطوری می‌تونید بهش دسترسی داشته باشید و ازش استفاده کنید.😃

جدای از این مسئله، اصل صحبتم اینه که ما می‌خوایم چند نفر نیرو جذب کنیم و طبق روال احتیاجه که مراحل مصاحبه و اینا رو باهاش پیش ببریم.

اگر ارشد کامپیوتر (هوش، نرم‌افزار) یا رشته‎‌های مشابه دارید و دوست دارید که اینجا کار کنید، رزومه‌تون رو برام بفرستید.

پیش‌نیاز خاصی ننوشتم چون شخصا به انگیزه رشد بیشتر توجه می‌کنم.
ارتباط با من: @MahmoodabadiHAMID

@Ai_Events

Mathematics for Machine Learning: Linear Algebra

https://www.youtube.com/playlist?list=PL2jykFOD1AWazz20_QRfESiJ2rthDF9-Z

این ویدیوی کانال آپاراتم را اگر ندیدید توصیه میکنم ببینید.
خیلی وقت پیش ضبط کردم اما احساس میکنم میتونه برای خیلی ها مفید باشه:

https://www.aparat.com/v/kHhOB

این رویداد امروز، یکشنبه برگزار میگردد

https://labs.irancell.ir/p/15273

#آموزش #بلاگ
📢پست‌ جدید وبلاگ شناسا،
📝مکانیزم توجه و مدل‌های تبدیل‌کننده (Transformers)

🔗 https://vrgl.ir/f4Eei


🖊بی‌شک یکی از تاثیرگذارترین مدل‌هایی که تا کنون در دنیای هوش مصنوعی و یادگیری عمیق معرفی شده، مدل‌های تبدیل‌کننده یا Transformer ها هستند. برای آشنایی بیشتر با این مدل‌ها، در این پست ابتدا روند شکل‌گیری آن‌ها را بررسی کرده و سپس نگاهی به معماری و نحوه‌ی کار آن‌ها می‌اندازیم. هم‌چنین، جهت درک بهتر این مدل‌ها، مروری بر مکانیزم توجه یا Attention خواهیم داشت.

ما را در ویرگول دنبال کنید و در کامنت، موضوع آموزش‌های آینده را پیشنهاد بدهید.

————————-
مجموعه دانش بنیان شناسا ( داده پویان آلما):
http://shenasa.ai
http://shenasa-ai.ir
@shenasa_ai