This media is not supported in your browser
VIEW IN TELEGRAM
Нейромодерн или основная мысль пейпера CoAtNet
🎴 Diffusion + CLIP + Real-ESRGAN
Решил прогнать через супер-резолюшн картины, созданные по текстовому описанию «Киберпанк-церковь, напоминающая карту таро Смерть в стиле Грега Рутковски». Увидел изображения у Denis Sexy IT в этом посте.
Сами картины сгенерированны программистской, прикрутившей CLIP к Diffusion
🔮 актуальный colab
p.s.: такой пайплайн — my personal SOTA по zero-shot text2image
Решил прогнать через супер-резолюшн картины, созданные по текстовому описанию «Киберпанк-церковь, напоминающая карту таро Смерть в стиле Грега Рутковски». Увидел изображения у Denis Sexy IT в этом посте.
Сами картины сгенерированны программистской, прикрутившей CLIP к Diffusion
🔮 актуальный colab
p.s.: такой пайплайн — my personal SOTA по zero-shot text2image
Forwarded from Neural Shit
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
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
This media is not supported in your browser
VIEW IN TELEGRAM
⚠️🎓 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
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!
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
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
Forwarded from Denis Sexy IT 🤖
Наткнулся на полезную нейронку для экспериментаторов умеющих в программирование – она возвращает координаты поз людей, лиц, эмоций, рук, пальцев и все это по одной картинки.
Раньше нужно было 3-4 разных алгоритма для этого, а теперь вот достаточно одного.
Вдруг кому-то полезно будет, а еще этим способом можно генерировать клевые иллюстрации к статьям про ИИ 🌚
Онлайн демо | Код
Раньше нужно было 3-4 разных алгоритма для этого, а теперь вот достаточно одного.
Вдруг кому-то полезно будет, а еще этим способом можно генерировать клевые иллюстрации к статьям про ИИ 🌚
Онлайн демо | Код
This media is not supported in your browser
VIEW IN TELEGRAM
🕺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
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