Variational Methods for Computer Vision Course

Summary
Variational Methods are among the most classical techniques for optimization of cost functions in higher dimension. Many challenges in Computer Vision and in other domains of research can be formulated as variational methods. Examples include denoising, deblurring, image segmentation, tracking, optical flow estimation, depth estimation from stereo images or 3D reconstruction from multiple views.

In this class, I will introduce the basic concepts of variational methods, the Euler-Lagrange calculus and partial differential equations. I will discuss how respective computer vision and image analysis challenges can be cast as variational problems and how they can be efficiently solved. Towards the end of the class, I will discuss convex formulations and convex relaxations which allow to compute optimal or near-optimal solutions in the variational setting.

Course by Technical University of Munich

🔭 @DeepGravity

Zoom In: An Introduction to Circuits
By studying the connections between neurons, we can find meaningful algorithms in the weights of neural networks.

Article and Codes

🔭 @DeepGravity

#Covid19, your community, and you — a data science perspective

We are data scientists—that is, our job is to understand how to analyze and interpret data. When we analyze the data around covid-19, we are very concerned. The most vulnerable parts of society, the elderly and the poor, are most at risk, but controlling the spread and impact of the disease requires us all to change our behavior. Wash your hands thoroughly and regularly, avoid groups and crowds, cancel events, and don’t touch your face. In this post, we explain why we are concerned, and you should be too. For an excellent summary of the key information you need to know, read Corona in Brief by Ethan Alley (the president of a non-profit that develops technologies to reduce risks from pandemics).

Link to the community

🔭 @DeepGravity

Generative Teaching Networks: Accelerating Neural Architecture Search by Learning to Generate Synthetic Training Data

Article

🔭 @DeepGravity

Deep Learning System to Screen #Coronavirus Disease 2019 Pneumonia

We found that the real time reverse trannoscription-polymerase chain reaction (RT-PCR) detection of viral RNA from sputum or nasopharyngeal swab has a relatively low positive rate in the early stage to determine COVID-19 (named by the World Health Organization). The manifestations of computed tomography (CT) imaging of COVID-19 had their own characteristics, which are different from other types of viral pneumonia, such as Influenza-A viral pneumonia. Therefore, clinical doctors call for another early diagnostic criteria for this new type of pneumonia as soon as possible.This study aimed to establish an early screening model to distinguish COVID-19 pneumonia from Influenza-A viral pneumonia and healthy cases with pulmonary CT images using deep learning techniques. The candidate infection regions were first segmented out using a 3-dimensional deep learning model from pulmonary CT image set. These separated images were then categorized into COVID-19, Influenza-A viral pneumonia and irrelevant to infection groups, together with the corresponding confidence scores using a location-attention classification model. Finally the infection type and total confidence score of this CT case were calculated with Noisy-or Bayesian function.The experiments result of benchmark dataset showed that the overall accuracy was 86.7 % from the perspective of CT cases as a whole.The deep learning models established in this study were effective for the early screening of COVID-19 patients and demonstrated to be a promising supplementary diagnostic method for frontline clinical doctors.

Paper

🔭 @DeepGravity

On the Robustness of Cooperative Multi-Agent Reinforcement Learning

In cooperative multi-agent reinforcement learning (c-MARL), agents learn to cooperatively take actions as a team to maximize a total team reward. We analyze the robustness of c-MARL to adversaries capable of attacking one of the agents on a team. Through the ability to manipulate this agent's observations, the adversary seeks to decrease the total team reward. Attacking c-MARL is challenging for three reasons: first, it is difficult to estimate team rewards or how they are impacted by an agent mispredicting; second, models are non-differentiable; and third, the feature space is low-dimensional. Thus, we introduce a novel attack. The attacker first trains a policy network with reinforcement learning to find a wrong action it should encourage the victim agent to take. Then, the adversary uses targeted adversarial examples to force the victim to take this action. Our results on the StartCraft II multi-agent benchmark demonstrate that c-MARL teams are highly vulnerable to perturbations applied to one of their agent's observations. By attacking a single agent, our attack method has highly negative impact on the overall team reward, reducing it from 20 to 9.4. This results in the team's winning rate to go down from 98.9

Paper

🔭 @DeepGravity

سلام دوستان
من یه رپوزیتوری اولیه آماده کردم که بتونیم اونجا تمامی داده‌های مربوط به کرونای ایران رو جمع کنیم تا بشه اونا رو آنالیز هم کرد.

از دوستانی که علاقه‌مند هستند کمک کنند لطفا به من ایمیل بزنند. باید ابتدا خود رپو رو آماده کنیم و لایسنس‌های لازم رو بهش اد کنیم. سپس همه‌ی عزیزانی که در ایران هستن و به داده‌ها دسترسی دارن لطفا داده‌ها رو به رپو اد کنن تا بتونیم آنالیزشون کنیم. طبیعتا با حفظ نکات امنیتی مربوط به داده‌ها.
احتمالا باید پرتوکول‌هایی برای این کار طراحی کنیم، ولی من خودم ممکنه دقیق همه رو ندونم. بنابراین دوستانی که می‌تونن کمک کنند لطفا به من اطلاع بدن:
DeepL.Gravity@gmail.com

با سپاس و با این امید که ما هم بتونیم کمک کرده باشیم.
ارادتمند

#Covid19

🔭 @DeepGravity

Detecting #COVID19 in X-ray images with Keras, TensorFlow, and Deep Learning

Link

🔭 @DeepGravity

Mehdi Allahyari is an Assistant Professor of Computer Science at Georgia Southern University

Here you might find his Persian course in Neural Net

🔭 @DeepGravity

درود بر همه‌ی شما دوستان گرامی،
امیدوارم این روزهای سخت بهاری به زودی با چیرگی سبزی بر سیاهی سپری بشه. هر چند اندوهش هرگز از یادها نخواهد رفت.

به منظور بررسی ابعاد بحران #کرونا از نگاه #ماشین_لرنینگ، قصد دارم به کمک شما عزیزان یک جلسه‌ی هم‌اندیشی آنلاین رو راه‌اندازی کنم. در لینک زیر زمان‌های مختلفی رو می‌بینین. لطفا زمانی که برای شما مناسب‌تره رو انتخاب کنین که تو اون تایم از طریق زوم یا گوگل میت بتونیم دور هم جمع بشیم. سعی کردم گزینه‌ها رو بین صبح و عصر و شب پخش کنم که با توجه به اختلاف ساعت‌ها بتونیم تایم مشترکی رو پیدا کنیم:

https://doodle.com/poll/69fvgkegwq3y8p6w

هدف این جلسه بیشتر هم اندیشی و به اشتراک گذاری دانسته‌ها و داشته‌ها ست. من خودم دو تا رپو آماده کردم که در موردشون توضیح خواهم داد.
(هدف مقاله دادن یا کار اقتصادی کردن نیست)

امیدوارم ما هم بتونیم در کنار تیم درمان، کمکی برای کشور (و شاید دنیا) در این شرایط باشیم.

اگه پیشنهادی هم دارین، لطفا در کامنت یا به صورت خصوصی پیام بذارین.

ارادتمند
#ai #computervision #machinelearning #deeplearning #covid19

@Reza

🔭 @DeepGravity

سلام برهمگی. عزیزانی که علاقه مند هستن در این هم اندیشی شرکت کنن، طبق رای گیری انجام شده، هم اندیشی در تاریخ 14 فروردین ساعت 11:30 به وقت ایران و در میتینگ روم زیر برگزار میشه.



https://hslu.zoom.us/j/6364857897

Coronavirus Innovation Map

#Coronavirus

🔭 @DeepGravity

سلام بر همه‌ی عزیزان.

ما هم اندیشی‌ای که پیشتر در این‌جا معرفی کردیم رو برگزار کردیم (لینک هم اندیشی). فایل پاورپوینتی که در برگیرنده‌ی مجموعه‌ای از ایده‌ها و کارهاست (که صرفا به صورت نمونه‌وار در این فایل به اون‌ها اشاره شده) رو می‌تونین در لینک زیر ببینین. این فایل در طول زمان قراره تکمیل بشه و این‌طور نیست که فایل نهایی باشه. دوستانی که علاقه‌مند هستن کمک کنند لطفا مواردی که صلاح می‌بینن رو به تفکیک در یک اسلاید به نام خودشون به فایل لطفا اضافه کنن. (لینک فایل)


منم سعی می‌کنم تا اون‌جایی که فرصت دارم، برخی از ایده‌ها و کارهایی که می‌شه در زمینه‌ی کرونا انجام داد رو با شما به اشتراک بذارم. به عنوان مثال نمونه‌ی زیر:

#ایده #ایده_1
دوستانی که در طراحی اپلیکیشن تخصص دارن، اگه بتونن با چند نفر ماشین لرنینگ کار جوین بشن و نمونه‌ی فارسی مناسبی برای این اپلیکیشن بسازن، احتمالا کمک بزرگی خواهد بود:

Self-report daily. Help slow the outbreak. Identify those at risk sooner.


اگه دوستان متخصصی در این زمینه وجود داره، منم خوشحال می‌شم کمکی کنم. البته از نگاه ماشین لرنینگ.

🔭 @DeepGravity

#ایده #ایده_2

ایده‌دوم از دوربین‌های مداربسته‌ی موجود استفاده می‌کنه تا افراد مبتلا رو از طریق دمای بدن‌شون شناسایی کنه. توضیحات خوبی هم در لینک آوورده شده.

Privacy-friendly camera to track people with fever PROSOSAL

تکنولوژی خیلی پیچیده‌ای نیست و به نظر می‌رسه که براحتی می‌شه پیاده سازی کرد.

خیلی خوبه که این روزا که در خونه هستیم، با دوستان دیگه‌ای تیمی تشکیل بدیم، و کار مفید این چنینی‌ای انجام بشه که هم برای خودمون خوبه و هم برای این شرایطی که در اون بسر می‌بریم. بسیاری از این ایده‌ها رو می‌شه با تعامل آنلاین با اعضای تیم به ثمر رسوند.

🔭 @DeepGravity

#ایده #ایده_3

ایده‌ی سوم، ایده‌ای ساده و در عین حال با بهره‌ گیری از آنالیزهای خوب مبتنی بر ماشین لرنینگ، می‌تونه بسیار کمک کننده باشه. در این ایده که توسط دانشگاه اپفل (EPFL) در سوئیس انجام می‌شه، از کاربرهای خواسته می‌شه که صدای سرفه‌هاشون رو ریکورد کنن تا اون‌ها دیتاست بزرگی بسازن و سپس به تحلیل بپردازن. می‌شه حداقل یکی دو تا تز ارشد از این کار بیرون کشید (برای دانشجویانی که دنبال موضوع برای تحقیق هستن).

لینک

🔭 @DeepGravity

#ایده

اگه شما هم به ایده‌ای برخورد کردید و فکر می‌کنین خوبه که با دیگران به اشتراک بذارین، یا تیمی تشکیل بدین برای پیاده‌سازی، از طریق ایمیل با من در ارتباط باشین تا پیام شما رو در کانال قرار بدم

DeepL.Gravity@gmail.com

🔭 @DeepGravity

#ایده_3

این لینک هم توضیحات خوبی در مورد نحوه‌ی تحلیل داده‌ها داره.

به طور کلی اگه علاقه‌مند هستین این وبسایت رو بررسی کنین. ایده‌های خیلی خوبی رو به اشتراک گذاشته:
https://devpost.com/

🔭 @DeepGravity

#ایده #ایده_4

ایده‌ی چهارم هم خیلی جالب و در عین حال نسبتا راحته (هر چند نتیجه‌ش ممکنه خیلی دقیق نباشه).
این ایده در مورد طراحی یک چت‌باته که اطلاعات و علائمی که کاربر داره رو ازش می‌گیره، و با تحلیل که انجام می‌ده، به کاربر توصیه می‌کنه که آیا باید تست کرونا بده یا خیر.

لینک

ایده‌ی تکمیلی‌ای که می‌تونه در ساختن دیتاست به این چت‌بات کمک کنه، به نظرم گرفتن گزارش‌هاییه که بیماران در شبکه‌های اجتماعی از وضعیت خودشون منتشر کردن. یا اگه دوستانی می‌تونن به داده‌های بیمارستان‌ها دسترسی داشته باشن، گزارش بیماران و پزشکان هم می‌تونه کمک کنه

🔭 @DeepGravity

#ایده #ایده_5

ایده‌ی پنجم ایده‌ایه که در هم‌اندیشی مطرح کردیم. فعلا هنوز کار مشابه دقیقی براش پیدا نکردم.

ایده مربوط به تحلیل اخبار می‌شه. این کار حداقل از دو جنبه با ارزشه:
1- تحلیل فیک نیوزها. مثلا فیک نیوزهایی وجود داره که گفته داروی فلان برای درمان خیلی خوبه، در حالی‌که هیچ پشتوانه‌ی علمی‌ای نداره. بسیار از مردم ممکنه اون دارو رو در منزل داشته باشن و مصرف کنن، که ممکنه بسیار براشون مضر باشه

2- تحلیل تاثیرات قانون‌هایی که توسط دولت وضع می‌شه. با تحلیل اخبار باید قوانین رو استخراج کرد، و با تحلیل آماره‌های کرونا در کشور و شبکه‌های اجتماعی تاثیر قوانین رو مورد بررسی قرار داد.

🔭 @DeepGravity