FaceQnet: Quality Assessment for Face Recognition based on Deep Learning (2019)

https://arxiv.org/abs/1904.01740

https://github.com/uam-biometrics/FaceQnet

مرتبط با
https://github.com/Alireza-Akhavan/face-quality-metrics

#face

سایت جدید François Chollet خالق #Kears

https://fchollet.com/

طبقه بندی متن با استفاده از Flair

Flair delivers state-of-the-art performance in solving NLP problems such as named entity recognition (NER), part-of-speech tagging (PoS), sense disambiguation and text classification. It’s an NLP framework built on top of PyTorch.

لینک پست: https://towardsdatascience.com/text-classification-with-state-of-the-art-nlp-library-flair-b541d7add21f
کد: https://github.com/zalandoresearch/flair

#text_classification #nlp #flair

Gestalt Principles
https://www.interaction-design.org/literature/topics/gestalt-principles

روش فوق العاده اعمال کرنل کانولوشن روی تصویر توسط تنسرفلو
با تبدیل ماتریس کرنل به ماتریس گسترش یافته شامل ترکیب مکان های قرار گیری ماتریس کرنل روی ماتریس تصویر اصلی و ضرب در ماتریس تغییر سایز یافته ورودی و درنهایت تغییر سایز به تصویر خروجی

If we want our network to learn how to up-sample optimally, we can use the transposed convolution. It does not use a predefined interpolation method. It has learnable parameters.

#آموزش
#تنسرفلو

https://towardsdatascience.com/up-sampling-with-transposed-convolution-9ae4f2df52d0

#مقاله

Identifying Emotions from Walking using Affective and Deep Features

قبلا الگوریتم‌هایی رو دیده بودیم که از روی حالت صورت یا نوع صدا میتونستند احساسات رو تشخیص بدند.
در این مقاله میتونید تشخیص نوع احساسات رو از روی نوع راه رفتن ببینید!

لینک مقاله:
https://arxiv.org/pdf/1906.11884

#خبر

Tesla restructures Autopilot software team, Elon takes the reins - Electrek
https://electrek.co/2019/05/10/tesla-autopilot-restructuring-software-elon-takes-over/

مثل اینکه تسلا چند وقت پیش یه خونه تکونی اساسی تو بخش هوش مصنوعیش انجام داده. عده‌ای معتقد بودن فشار انتظارات بالا و غیرواقعی باعث این قضیه بوده.
توییت ایلان ماسک رو می‌بینید که ادعا کرده حدود دو سال دیگه قابلیت فراخوانی ماشین‌های تسلا که صاحب ماشین باهاش دستور می‌ده ماشین به سمتش بیاد باید تقریباً از همه جا قابل فراخوانی باشه.
توییت مال سه سال پیشه.

https://twitter.com/elonmusk/status/686279251293777920?s=19

🙏Thanks to: @samehraboon

#تسلا #خودرو_بدون_سرنشین

Ubuntu Brings the Latest Nvidia Graphics Drivers to LTS Users --> https://t.co/zWc3F8ERsF

🙏Thanks to: @MH_Sattarian

How to Train Efficiently with Less Labeled Data: Unsupervised Data Augmentation by Google Brain

https://github.com/google-research/uda

🙏Thanks to: @Alidiba

#کتابخانه #پردازش_متن #تنسورفلو

TF.Text - Text processing in Tensorflow

کتابخانه مخصوص پردازش متن در نسخه جدید Tensorflow

TensorFlow Text provides a collection of text related classes and ops ready to use with TensorFlow 2.0. The library can perform the preprocessing regularly required by text-based models, and includes other features useful for sequence modeling not provided by core TensorFlow.

وقتی از سرگروه تیم TF.Text پرسیدند که کراس هم یک API پردازش متن داره که روی تنسورفلو اجرا میشه،پس TF.Text چه فرقی با اون داره؟ گفت:

"Keras has a subset, but not the breadth of TF.Text. We are actively talking with them to fill in gaps we believe language engineers want, but are not provided in the core Keras API, and I wouldn't be surprised if additional Keras layers are provided by TF.Text in the future."

ویژگی های این کتابخانه از زبان سرگروه تیم TF.Text:

- Focusing on the new tools for tokenizing text strings
- Tools for pattern-matching, n-gram creation, unicode normalization, and sequence constraints
- The code is designed to operate on RaggedTensors: Variable-length tensors which are better-suited for processing textual sequences.
- Pre-processing steps are now first-class citizens of the TensorFlow compute graph, which gives them all the advantages of that system. In particular, according to the documentation, "You do not need to worry about tokenization in training being different than the tokenization at inference...."

صفحه گیت هاب این کتابخانه:
https://github.com/tensorflow/text
نوت بوک شروع:
https://storage.googleapis.com/tensorflow_docs/text/examples/intro.ipynb

تصویر Alan Turing قرار است روی اسکناس پنجاه پوندی چاپ شود:

https://www.bbc.com/news/business-48962557

#آموزش

New tutorial!🚀 Learn how to perform Video Classification with #Keras and #DeepLearning 📽📺
Full tutorial, including #Python code w/ pre-trained model, can be found here: https://pyimg.co/podbx 👍

#ترجمه

ترجمه ی زیر ادامه ی از فصلهای کتاب یادگیری ماشین andrw ng که به صورت رایگان توسط گروهی ترجمه شده است . بقیه ی ترجمه ها رو بزودی بار گذاری میکنم . ترجمه ی زیر نیاز به ویرایش داره به همین جهت از دوستانی که میتونند در کار ویرایش کمک کنند لطف در فایل گوگل داک کامنت بزارند پس از ویرایش نهایی کل کتاب به صورت رایگان در سایت خود کتاب andrew ng به زبان فارسی منتشر میشه .

اسامی همه ی مترجمین + ویرایش کننده ها هم ذکر میشود .



https://docs.google.com/document/d/1HOWu4t_4-T1GAxVkDhL90evSUdAQGlcH4_Ig0skL4m8/edit?usp=sharing

https://twitter.com/rezamahmooudi/status/1146693157989560321?s=19

#خبر
ابزاری برای کمک به تکمیل کد در حین برنامه‌نویسی (code autocompletion) مبتنی بر مدل GPT-2 آموزش داده شده روی حدود ۲ میلیون فایل از گیت‌هاب:
https://tabnine.com/blog/deep?utm_campaign=NLP%20News&utm_medium=email&utm_source=Revue%20newsletter


مرتبط با:
https://t.iss.one/cvision/1035
https://t.iss.one/cvision/1026
🙏Thanks to: @Machine_Learnings

#nlp

#خبر

2019 Google Scholar Metrics Released, CVPR Cracks the Top Ten

https://medium.com/syncedreview/2019-google-scholar-metrics-released-cvpr-cracks-the-top-ten-905deebbf833

🙏Thanks to: @MH_Sattarian

OmniNet: A unified architecture for multi-modal multi-task learning

OmniNet is a unified and extended version of the Transformer architecture for multi-modal multi-task learning.

A single OmniNet architecture can encode multiple inputs from almost any real-life domain (text, image, video) and is capable of asynchronous multi-task learning across a wide range of tasks.

code: https://github.com/subho406/OmniNet
paper: https://arxiv.org/abs/1907.07804

#multi_task_learning

چگونه می توان عملکرد طبقه بند را زمانی که رزولوشن عکس های مجموعه آموزش و آزمون با هم تفاوت داشته باشند، بهبود داد؟ برای جواب این سوال میتوانید به این مقاله نگاهی بیاندازید.

Fixing the train-test resolution discrepancy

A simple yet effective and efficient strategy to optimize the classifier performance when the train and test resolutions differ.

مقاله: https://arxiv.org/abs/1906.06423
کد: https://github.com/facebookresearch/FixRes

#مقاله #کد

Cyclical Learning Rates with Keras and Deep Learning

Using Cyclical Learning Rates you can dramatically reduce the number of experiments required to tune and find an optimal learning rate for your model.

Reference: https://www.pyimagesearch.com/2019/07/29/cyclical-learning-rates-with-keras-and-deep-learning/
#cyclical_learning_rates #lr #learning_rate

شغل هزاران نفر در سرار دنیا برچسب زدن دیتا شده است تا حجم عظیم اطلاعات مورد نیاز شرکت ها برچسب خورده و در آموزش الگوریتم های یادگیری ماشین استفاده شود.

https://www.ft.com/content/56dde36c-aa40-11e9-984c-fac8325aaa04


@techinsider_channel

#مقاله #کد #BERT #RoBERTa

RoBERTa: A Robustly Optimized BERT Pretraining Approach

همانطور که میدونید انواع انتخاب مقادیر مختلف برای هایپرپارامترها تاثیر جدی در نتیجه نهایی آموزش یک شبکه دارد.

طبق مطالعه انجام شده توسط محققین فیس بوک و دانشگاه واشنگتن و بقیه تیم پژوهشی به این نتیجه رسیده اند که مدل BERT که منتشر شد به خوبی آموزش داده نشده بود. درحالی که میتوانست با انتخاب بهینه هایپرپارامترها از تمام مدل های موجود و حتی بعد از خودش بهتر عمل کند.

"We find that BERT was significantly undertrained, and can match or exceed the performance of every model published after it."

در این مقاله میتوانید روش به کار گرفته شده برای حل این مسئله را بیشتر بررسی کنید.
https://arxiv.org/pdf/1907.11692

همینطور تمام کدها و مدل ها را هم منتشر کردند که میتوانید در این لینک ببینید.
https://github.com/pytorch/fairseq/tree/master/examples/roberta

BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs

فریم ورکی که محققین گوگل برای تشخیص چهره ارایه دادند که میتواند با دقت و سرعت بالایی بر روی موبایل عمل کند.

BlazeFace is a new face detection framework adapted from the Single Shot Multibox Detector (SSD) framework and optimized for inference on mobile GPUs. The lightweight face detector runs at an impressive speed of 200–1000+ FPS on flagship smartphones.

مقاله:
https://arxiv.org/abs/1907.05047

#face_detection #face