#مقاله #سورس_کد

Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
pic: http://bit.ly/2srFGOS
(Submitted on 11 Apr 2016)
#MTCNN

در الگوریتمهای قدیمی تشخیص چهره, موقعیت سر, حالات چهره، نور و ... تاثیر گذار بود و الگوریتم های موجود را با مشکل مواجه میکرد.
الگوریتمهایی نظیر Viola and Jones - Haar-cascade که در opencv پیاده سازی شده برای چهر های رو به رو و نزدیک رو به رو خوب کار میکند اما برای چهره هادر موقعیت ای دیگر کارایی ندارد!
تیم تحقیقاتی ماکروسافت با ارائه مقاله ای در سال 2014 با عنوان
Joint Cascade Face Detection and Alignment
با جنگل تصادفی این مشکل را تا حد زیادی برطرف کرد و سرعت هم تا حدود 30 میلی ثانیه برای تصاویر VGA بهبود داد، اما انتخاب ویژگی های دستی پرفورمنس را محدود کرده بود.

اما در این مقاله با کمک یادگیری عمیق دقت تا حد خوبی افزایش یافته و همانن مقاله ماکروسافت علاوه بر تشخیص کار face alignment هم انجام میشود.
در این روش 3 شبکه عصبی کانولوشنالی پشت سر هم و به صورت آبشاری قرار گرفته است
شبکه اول: بسیار سبک برای پیدا کردن تمامی نواحی مشکوک به وجود چهره.
شبکه دوم : این شبکه از از خروجی شبکه اول ورودی میگیرد؛ نواحی اشتباه پیدا شده را حذف میکند.
شبکه سوم: کاری شبیه یه شبکه دوم بر روی نواحی باقی مانده, همچنین پیدا کردن landmark های چهره نظیر چشم ها و بینی و alignment نقاط.



🕐Runtime efficiency:
It takes 16fps on a 2.60GHz CPU and 99fps on GPU (Nvidia Titan Black)

🔗abstract:
https://arxiv.org/abs/1604.02878

🔗Paper:
https://arxiv.org/pdf/1604.02878

🔗Project Page:
https://kpzhang93.github.io/MTCNN_face_detection_alignment/

🔗codes:
⚙️#Matlab / #Caffe implementation :
http://bit.ly/2rvkr9Q
⚙️#Python / #Tensorflow implementation :
http://bit.ly/2t1fB6e

#face #face_detection #face_alignment #MTCNN
#deep_learning #cnn #convolutional_neutral_network

#خبر

For the first time ever, #NumPy—a core project for the #Python scientific computing stack—has received #grant funding. The proposal, “Improving NumPy for Better Data Science” will receive $645,020 from the Moore Foundation over 2 years, with the funding going to UC Berkeley Institute for Data Science.

https://www.numfocus.org/blog/numpy-receives-first-ever-funding-thanks-to-moore-foundation/

🙏Thanks to: @cyberbully_gng

Face detection

تصویر مقاله
https://news.1rj.ru/str/cvision/249

Deep Learning without Backpropagation
[Tutorial: DeepMind's Synthetic Gradients]

https://iamtrask.github.io/2017/03/21/synthetic-gradients/?utm_content=buffer6d5d4&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer

✔️Part 1: #Synthetic Gradients Overview
✔️Part 2: Using Synthetic Gradients
✔️Part 3: Generating Synthetic Gradients
✔️Part 4: A Baseline Neural Network
✔️?
✔️Part 6: Synthetic Gradients Based on Layer Output

#مقاله منتشر شده توسط گوگل

#MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
(Submitted on 17 Apr 2017)

We present a class of efficient models called MobileNets for #mobile and embedded #vision applications. MobileNets are based on a streamlined architecture that uses depth-wise separable convolutions to build light weight deep neural networks. We introduce two simple global hyper-parameters that efficiently trade off between #latency and #accuracy. These hyper-parameters allow the model builder to choose the right sized model for their application based on the constraints of the problem. We present extensive experiments on resource and accuracy tradeoffs and show strong performance compared to other popular models on ImageNet classification. We then demonstrate the effectiveness of MobileNets across a wide range of applications and use cases including object detection, finegrain classification, face attributes and large scale geo-localization.

🔗 https://arxiv.org/pdf/1704.04861.pdf

#deep_learning #cnn #convolutional_neutral_network

#خبر
#Google open-sources mobile-first computer vision models for TensorFlow
pic: http://bit.ly/2sbzqYu
[Published June 14, 2017]

گوگل mobileNet منتشر شده در مقاله دو ماه پیش را به صورت متن باز برای #تنسورفلو منتشر کرد.

شبکه های از پیش آموزش داده شده مناسب برای بازشناسی اشیاء در موبایل.

🔗 https://research.googleblog.com/2017/06/mobilenets-open-source-models-for.html
🔗 https://venturebeat.com/2017/06/14/google-open-sources-mobile-first-computer-vision-models-for-tensorflow/


✒️مرتبط با:
✔️تنسورفلو برای اندروید:
https://news.1rj.ru/str/cvision/208
✔️مقاله mobileNet
https://news.1rj.ru/str/cvision/254

#TensorFlow #TensorFlow #TensorFlow_Lite #convolutional_neutral_network
#pre_train #computer_vision

#MobileNet #preTrain
https://news.1rj.ru/str/cvision/255

#آموزش در سایت ماکروسافت
Learning Image to Image Translation with CycleGANs
[Published June 12, 2017]
https://www.microsoft.com/reallifecode/2017/06/12/learning-image-image-translation-cyclegans/

مرتبط با https://news.1rj.ru/str/cvision/214

#CycleGAN #GAN #Generative #CNN #Convolutional #deep_learning #adversarial #Generative_Models #Generative

#MobileNet Accuracy
https://news.1rj.ru/str/cvision/255

#MobileNet: Pre_Trained Tensorflow Computer Vision Models.

Developers who want to start using these models should go to the Tensorflow Mobile page:
🔗 https://www.tensorflow.org/mobile/
More information about theTensorflow-Slim image classification library is available on Github:
🔗 https://github.com/tensorflow/models/blob/master/slim/README.md

#TensorFlow #pre_train #model #vision

#Tensorflow #benchmark, #CPU VS #GPU
http://www.nvidia.com/object/gpu-accelerated-applications-tensorflow-benchmarks.html

#مقایسه فریم ورکهای یادگیری عمیق و GPU ها:

Deep Learning Benchmarks of NVIDIA Tesla P100 PCIe, Tesla K80, and Tesla M40 GPUs
[Posted on January 27, 2017]

🔗 https://www.microway.com/hpc-tech-tips/deep-learning-benchmarks-nvidia-tesla-p100-16gb-pcie-tesla-k80-tesla-m40-gpus

#deep_learning #GPU #benchmark

#NVIDIA DGX-1 with #Tesla V100
این باکس پردازشی 960 ترا FLOPS عملیات پشتیبانی میکند؛ و حدود 100 برابر سریعتر از سی پی یو سرور است.
https://www.nvidia.com/en-us/data-center/dgx-1/

باسلام وقت بخیر
ضمن قبولی طاعات و عبادات ...


فیلم جلسه هفتم دوره « تحلیل با رویکرد یادگیری ژرف بر بستر کلان داده‌ »
ارائه دهنده این جلسه:
👤مهندس ابوالفضل مهدی زاده
🔗 🎥 http://bigdataworkgroup.ir/learning-contents/deep-learning-contents/1357



—------------------

جلسه تحلیل داده های آتش نشانی با استفاده از اسپارک در عمل
ارائه دهنده این جلسه :
👤مهندس مبین رنجبر
🔗 🎥 http://bigdataworkgroup.ir/events/spark/1361



فیلم جلسات دیگر دوره تحلیل با رویکرد یادگیری ژرف به زودی منتشر خواهد شد...
@bigdataworkgroup

#خبر

Google’s #TensorFlow object detection API will power your computer vision models
[Published June 17, 2017]
pic: http://bit.ly/2rInFXv

🔗 http://thetechnews.com/2017/06/17/googles-tensorflow-object-detection-api-will-power-your-computer-vision-models/

Code:
🔗 https://github.com/tensorflow/models/tree/master/object_detection

#object_detection #API #VISION

#آموزش
A Guide to Running #Tensorflow Models on #Android

Code for this video:
https://github.com/llSourcell/A_Guide_to_Running_Tensorflow_Models_on_Android

#منابع #مسیر_یادگیری
مسیر پیشنهادی مطالعاتی برای شروع یادگیری عمیق

خیلی از دوستان سوال پرسیدند که برای شروع از کجا شروع کنیم، ترتیب پیشنهادی استفاده از منابع را نوشته ام...

#آموزش
راهنمای خرید یک سیستم مناسب برای یادگیری عمیق:

great Deep Learning box
Assembly, setup and benchmarks

اگر بخواهید یک سیستم مخصوص کارهای یادگیری عمیق بخرید، خواندن این مقاله را توصیه میکنم...
چه مادربوردی بگیرم؟!
چه کارت گرافیکی مناسب است، آیا تسلا ارزش خرید دارد؟!
چه قدر رم احتیاج دارم؟!
پاور مناسب برای اینکار چیست؟!
و ...
https://blog.slavv.com/the-1700-great-deep-learning-box-assembly-setup-and-benchmarks-148c5ebe6415

#Deep_Learning #GPU #benchmark #assembly

#مقاله
مقاله ی جدید و جالب Google Brain + کد #تنسرفلو
آموزش یک شبکه عصبی برای چندین کار مختلف همزمان!

One Model To Learn Them All
(Submitted on 16 Jun 2017)
pic: http://deepnn.ir/tensorflow-telegram-files/tensor2tensor.PNG


🔗abstract:
https://arxiv.org/abs/1706.05137

🔗Paper:
https://arxiv.org/pdf/1706.05137.pdf

🔗Code:
https://github.com/tensorflow/tensor2tensor

یادگیری عمیق در بسیاری از زمینه ها نظیر تشخیص گفتار، طبقه بندی تصویر، ترجمه و ... استفاده می‌شود.
اما تا کنون بدین نحو بوده که برای هر مساله، یک مدل عمیق با یک معماری خاص انتخاب میشد و با تنظیم پارامترها و با فرآیند یادگیری و تنظیم اوزان شبکه برای آن مساله به خوبی کار میکرد اما برای مسائل دیگر قابل استفاده نبود.
در این مقاله یک مدل واحد که در حوزه های مختلف نتایج خوبی داشته استفاده شده و چندین کار را آموزش دیده است. به طور خاص، این مدل تنها به صورت همزمان در ImageNet، وظایف مختلف ترجمه، شرح تصویر، تشخیص گفتار، و کار تجزیه زبان انگلیسی آموزش داده است.
این مدل در بسیاری از مسائل با مدلهای state-of-the-art هر حوزه که فقط برای آن کار آموزش دیده اند قابل مقایسه بوده و در برخی از حوزه ها کارایی بهتری نسبت به زمانی که فقط برای همان حوزه آموزش دیده شده گزارش شده است.


# Google_Brain #tensor2tensor
#deep_learning
#speech_recognition, #image_classification, #translation

#dataset:
Announced Sept 2016:

Google Open Images (~9M images)
https://github.com/openimages/dataset

Youtube-8M (8M videos)
https://research.google.com/youtube8m/