#مقاله #سورس_کد

MixNMatch: Multifactor Disentanglement and Encoding for Conditional Image Generation

Paper:
https://arxiv.org/abs/1911.11758

Github:
https://github.com/Yuheng-Li/MixNMatch

#GAN

سرعت عجیب غریب face detection اونم روی cpu!
طرف به ۱۵۰۰ فریم بر ثانیه رسیده....

https://github.com/ShiqiYu/libfacedetection

DeepPrivacy: A Generative Adversarial Network for Face Anonymization

Abstract:
We propose a novel architecture which is able to automatically anonymize faces in images while retaining the original data distribution. We ensure total anonymization of all faces in an image by generating images exclusively on privacy-safe information. Our model is based on a conditional generative adversarial network, generating images considering the original pose and image background. The conditional information enables us to generate highly realistic faces with a seamless transition between the generated face and the existing background. Furthermore, we introduce a diverse dataset of human faces, including unconventional poses, occluded faces, and a vast variability in backgrounds. Finally, we present experimental results reflecting the capability of our model to anonymize images while preserving the data distribution, making the data suitable for further training of deep learning models. As far as we know, no other solution has been proposed that guarantees the anonymization of faces while generating realistic images.

Paper: https://arxiv.org/abs/1909.04538
Code: https://github.com/hukkelas/DeepPrivacy

#GAN #Face

Detecting Diminishing Dopamine Firing Cells in Brain Could Reveal Earliest Signs of Alzheimer's - Neuroscience News
https://neurosciencenews.com/alzheimers-dopamine-neuron-8698/

#cognitive #advanced #Neuroscience

#خبر #سورس_کد

اخیرا #BMW ابزارهای آموزش مدل و ... که برای آموزش مدلهاشون استفاده میکنند و ظاهرا عمدتا bject detection و YOLO هستند را open source کرده



https://github.com/BMW-InnovationLab

سری سخنرانی های یادگیری عمیق دانشگاه MIT از 6 ژانویه(16 دی) شروع میشه که می‌تونید لیست کامل سخنرانان رو در این لینک ببینید.(لیست در روزهای آینده به روز رسانی میشه). همینطور ویدیو هر سخنرانی چند روز بعد از هر سخنرانی در لینک فوق قرار داده می‌شود.
یکی از سخنرانان مشخص شده، فرانسوا شوله نویسنده کتابخانه کراس می‌باشد.

#یادگیری_عمیق دقیقا چیه؟

طی چند روز گذشته، بعضی از محقق‌های بزرگ هوش مصنوعی مانند #یان_لکان و #فرانسوا_شوله تعریف خودشون رو از دیپ لرنینگ توی سال 2019 اعلام کردند.

یان لکان:

"Some folks still seem confused about what deep learning is. Here is a definition:

DL is constructing networks of parameterized functional modules & training them from examples using gradient-based optimization. That's it.

This definition is orthogonal to the learning paradigm: reinforcement, supervised, or self-supervised.

Don't say "DL can't do X" when what you really mean is "supervised learning needs too much data to do X"

Extensions (dynamic networks, differentiable programming, graph NN, etc) allow the network architecture to change dynamically in a data-dependent way."
https://www.facebook.com/722677142/posts/10156463919392143/

فرانسوا شوله:

"What's deep learning?

The "common usage" definition as of 2019 would be "chains of differentiable parametric layers trained end-to-end with backprop".

But this definition seems overly restrictive to me. It describes *how we do DL today*, not *what it is*."
https://twitter.com/fchollet/status/1210031900695449600

اندری بورکوف:

"Looks like in late 2019, people still need a definition of deep learning, so here's mine: deep learning is finding parameters of a nested parametrized non-linear function by minimizing an example-based differentiable cost function using gradient descent."
https://www.linkedin.com/posts/andriyburkov_looks-like-in-late-2019-people-still-need-activity-6615377527147941888-ce68/

#deep_learning

AutoML + GAN = AutoGAN

AutoGAN: Neural Architecture Search for Generative Adversarial Networks

همانطور که میدانید آموزش GANها ترفندهای زیادی دارد و رسیدن به بهترین هایپرپرامترها کاری بسیار سخت و نیازمند جستجوی زیاد در فضای مسئله می‌باشد. این مقاله که در ICCV 2019 پذیرفته شده رویکردی را ارائه داده که می‌تواند تقریبا یکی از بهترین حالت‌ها را برای هایپرپارامترهای GAN به صورت خودکار پیدا کند.
در این رویکرد فضای جستجو‌یی برای شبکه مولد (Generator) تعریف شده و به وسیله یک شبکه بازگشتی (RNN) این جستجو هدایت می‌شود.

Paper: https://arxiv.org/abs/1908.03835
Code: https://github.com/TAMU-VITA/AutoGAN

#GAN

دیپ لرنیگ در آینده به چه صورت خواهد بود؟
می‌تونید سخنرانی یوشوآ بنجیو در NeurIPS 2019 در این باره را دنبال کنید.

From System 1 Deep Learning to System 2 Deep Learning

Video: https://www.youtube.com/watch?v=FtUbMG3rlFs
Slide: https://drive.google.com/file/d/1zbe_N8TmAEvPiKXmn6yZlRkFehsAUS8Z/view

MixNet: Google Brain’s new State of the Art Mobile AI architecture

MixNets are a family of mobile-sizes image classification models equipped with MixConv, a new type of mixed depthwise convolutions. Currently, MixNets achieve better accuracy and efficiency than previous mobile models. In particular, MixNet-L achieves a new state-of-the-art 78.9% ImageNet top-1 accuracy under typical mobile FLOPS (<600M) constraint.

MixNet-M with 5M params matches ResNet-153 accuracy but with 60M params and nearly 31x lower FLOPS!

Paper: https://arxiv.org/abs/1907.09595v3
Code: https://github.com/tensorflow/tpu/tree/master/models/official/mnasnet/mixnet

#خبر
#sketch2code
ابزار جدید مایکروسافت برای تبدیل طراحی به کد با استفاده از هوش مصنوعی

https://sketch2code.azurewebsites.net/generated-html/1eb2ac79-5532-43c2-8cfa-9067a195f394

🙏Thanks to : @techinsider_channel

How to improve your image classifier with Google’s AutoAugment

https://towardsdatascience.com/how-to-improve-your-image-classifier-with-googles-autoaugment-77643f0be0c9

ممکنه در آموزش شبکه فقط با ست کردن سید نامپای نتایج تون قابل باز تولید نباشه
برای این کار باید سید های دیگه رو هم ست کنید مثل تنسورفلو و ....

این کد اینکارو میکنه:

# Seed value
# Apparently you may use different seed values at each stage
seed_value= 123

# 1. Set the PYTHONHASHSEED environment variable at a fixed value
import os
os.environ['PYTHONHASHSEED']=str(seed_value)

# 2. Set the python built-in pseudo-random generator at a fixed value
import random
random.seed(seed_value)

# 3. Set the numpy pseudo-random generator at a fixed value
import numpy as np
np.random.seed(seed_value)

# 4. Set the tensorflow pseudo-random generator at a fixed value
import tensorflow as tf
tf.random.set_random_seed(seed_value)

# 5. Configure a new global tensorflow session
from keras import backend as K
session_conf = tf.ConfigProto(intra_op_parallelism_threads=1, inter_op_parallelism_threads=1)
sess = tf.Session(graph=tf.get_default_graph(), config=session_conf)
K.set_session(sess)

#سورس_کد
EfficientDet: Scalable and Efficient Object Detection

https://github.com/signatrix/efficientdet

#آموزش
ابزارهای تنسرفلو برای کاهش زمان inference مدل، این کارها شامل quantization بعد آموزش مدل و همچنین هرس وزنها طی فرایند آموزش است.

Optimize machine learning models

✔️داکیومنت های مرتبط
https://www.tensorflow.org/model_optimization

💬توئیت مرتبط Francois Chollet :
https://twitter.com/fchollet/status/1214225205532323843?s=20

🕰البته قبلا هم در موردش نوشتم:
https://t.iss.one/cvision/1242
https://t.iss.one/cvision/1271

#سورس کد

#blazeface
مدل تشخیص چهره و ویژگی های چهره real-time در مرورگر با tensorflow js

https://www.npmjs.com/package/@tensorflow-models/blazeface?linkId=80168838

رونمایی از ایده تایپ با دوربین سلفی سامسونگ در #CES2020

تنها با یک دوربین سلفی به موبایل خود این قابلیت را اضافه کنید. ظاهرا تایپ ۱۰ انگشتی باید بلد باشید و فعلا فقط زبان انگلیسی است...
Samsung has an invisible keyboard that you can use with your phone

#fun How to confuse your machine learning model.

#خبر

تنسرفلو 2.1 منتشر شد.

شما میتوانید تغییرات جدید را از اینجا ببینید.
این نسخه آخرین نسخه از تنسرفلو خواهد بود که پایتون 2 هم پشتیبانی می‌کند.
یکی از مهمترین ویژگی‌های اضافه شده به این نسخه لایه‌ی TextVectorization است که یک آموزش استفاده آن در طبقه بندی متن را می‌توانید در این نوت‌بوک ببینید.

https://colab.research.google.com/drive/1RvCnR7h0_l4Ekn5vINWToI9TNJdpUZB3