О, тут выкатили веб интерфейс Stylegan-Nada, можно потестить прям онлайн. Работает быстро (но под нагрузкой может и тупить). На прикреплённом фото пример с Ельциным и всеми поддерживаемыми стилями

Понажимать можно тут: https://replicate.ai/rinongal/stylegan-nada

Ежели под нагрузкой будет тупить, а вам не лень пердолиться с колабом, то вот ссылка

Если получится что-то годное, делитесь в личку

⚠️🎓 Лекция от Kha Vu, Microsoft | Deep Metric Learning

В этот четверг мы ждем тебя на крутейшем вебинаре!

Лектор: Kha Vu, Microsoft
🔍 Отвечает за поисковой движок и ранжирование изображений в Bing Image Search
📇 Блог Kha Vu

Что будет на лекции:
▪️ What is Metric Learning, and why do we need it?
▪️ Contrastive approaches
▪️ When can they produce good results, and what are their limitations?
▪️Contrastive, Triplet, and N-Pair losses
▪️Angular margin approaches
▪️In which cases are they better than Contrastive approaches?
▪️ArcFace, CosFace, and other SOTA methods
▪️A survey of how Metric Learning is used to solve real-world and Kaggle problems

Ссылки и полезные материалы придут по почте по итогам лекции

📅 19-30 (этот четверг) 7 октября
🎓 Онлайн и бесплатно (по регистрации)
👉 ссылка на лекцию в Transformer

🎓 Курс по Geometric Deep Learning (AMMI 2021)

Собрал ссылки на видео (доступ только по ссылке) и слайды с отличного курса для тех, кто хотел современной теории и геометрического глубокого облучения головного мозга.

L1: Introduction
📼 Recording 📇 Slides

L2: High-Dimensional Learning
📼 Recording 📇 Slides

L3: Geometric Priors I
📼 Recording 📇 Slides

L4: Geometric Priors II
📼 Recording 📇 Slides

L5: Graphs & Sets
📼 Recording 📇 Slides

L6: Graphs & Sets II
📼 Recording 📇 Slides

L7: Grids
📼 Recording 📇 Slides

L8: Groups
📼 Recording 📇 Slides

L9: Geodesics & Manifolds
📼 Recording 📇 Slides

L10: Gauges
📼 Recording 📇 Slides

L11: Sequences & Time
📼 Recording 📇 Slides

L12: Conclusions
📼 Recording 📇 Slides

upd: проапдейчу, как зальют остальные слайды и записи

p.s.: Спасибо Ивану Слобожану за подгон!

🧬🏆 Deep Mind создал AlphaFold-Multimer для нейросетевого прогнозирование целых белковых комплексов!

Хотя подавляющее большинство одиночных белковых третичных конфигураций теперь можно предсказать с высокой точностью благодаря недавней модели AlphaFold, предсказание многоцепочечных белковых комплексов во большенстве случаев остается проблемой.

Deep Mind представили AlphaFold-Multimer, модель AlphaFold, специально обученную для мультимерных входных данных, которая может предсказывать структуру многоцепочечных белковых комплексов с повышенной точностью.

В основе большинства биологических процессов лежит образование белковых комплексов, поэтому знание того, какую конфигурацию они образуют, является ключевым шагом к пониманию их функции. Deep Mind считает, что эта работа позволит биологам еще сильнее ускорить недавний прогресс в структурной биоинформатике!

📰 paper

🕺Keypoint Communities (human/object pose estimation)

Быстрый метод, который в один прогон обнаруживает более 100 ключевых точек на людях или объектах, для задачи human/object pose estimation.

Эксперименты показывают, что метод превосходит все предыдущие оценки позs человека с детальными аннотациями ключевых точек на лице, руках и ногах (всего 133 ключевых точек).

Метод подходит и для на оценки “позы” (ориентации) автомобилей.

📰 paper 💻 code 🤗 demo

🎓 Сегодня в 19-30 | Deep Metric Learning | Microsoft | Transformer

Must have лекция по Metric Learning:
▪️ What is Metric Learning, and why do we need it?
▪️ Contrastive approaches
▪️ When can they produce good results, and what are their limitations?
▪️Contrastive, Triplet, and N-Pair losses
▪️Angular margin approaches
▪️In which cases are they better than Contrastive approaches?
▪️ArcFace, CosFace, and other SOTA methods
▪️A survey of how Metric Learning is used to solve real-world and Kaggle problems

Я скину ссылку на лекцию в 17-30, и сделаю напоминание перед началом. До встречи вечером!

на лекцию

🎓 Лекция от Kha Vu, Microsoft | Deep Metric Learning

Что на лекции: Metric Learning to solve real-world and Kaggle problems, Contrastive, Triplet and N-Pair losses, Angular margin, ArcFace, CosFace и многое другое

👉 https://youtu.be/aU9yEwgrJ54

🏆 Facebook AI представили две крутейшие 3D нейронки на ICCV2021: 3DETR и DepthContrast

Понимание 3D на основе трансформера и self-supervised learning’a. И да, есть код и обученные модели!

▪️DepthContrast:
Супервайзд претрейн на огромных датасетах стал основным инструментом для разработки моделей компьютерного зрения. Хотя подход отлично работает для многих доменов, он не получил широкого распространения для задач 3D распознавания.

🛋 Пример: ’определение местоположения дивана на трехмерном скане гостиной’.

Собрать и разметить огромный 3D датасет — колоссальная работа. DepthContrast self-supervised претрейн, предложенный FAIR, не требует аннотации.

▪️3DETR:
An End-to-End Transformer Model for 3D Object Detection (3D DEtection TRansformer) без inductive bias.

🗺 На gif‘ке показана карта внимания декодера трансформера 3DETR, изолирующая отдельный объекты. Декодер юзает в основном эту инфу при предсказании 3D-bbox’ов.

📇 подробнее на блоге FAIR

3DETR: 📰 paper 💻 code
DepthContrast: 📰 paper 💻 code

🦑 Полезные ссылки для старта в Quantum Machine Learning

💡Концепция квантового машинного обучения
🔢 Туториал по quantum neural network (QNN) упрощенного MNIST + colab
🏞 Quantum Convolutional Neural Network: туториал + colab
📰 Paper: Classification with Quantum Neural Networks on Near Term Processors
📄 Paper: TensorFlow Quantum:
A Software Framework for Quantum Machine Learning
📚TensorFlow Quantum TFQ
📼 YouTube: TensorFlow Quantum hybrid quantum-classical machine learning

HeadGAN визуальный редактор.