​Guide to learn computer vision in 2020

🔗 Guide to learn computer vision in 2020
This post will focus on resourses, which I believe will boost your knowledge the most in the computer vision.

​https://ai.facebook.com/blog/deepfake-detection-challenge-launches-with-new-data-set-and-kaggle-site/

https://deepfakedetectionchallenge.ai/

🔗 Deepfake Detection Challenge launches with new data set and Kaggle site
We’ve launched the Deepfake Detection Challenge, an open, collaborative initiative to accelerate development of new technologies for detecting deepfakes and manipulated media.

​Few-shot Video-to-Video Synthesis

https://www.youtube.com/watch?v=8AZBuyEuDqc&feature=youtu.be

[Paper] 👉 https://arxiv.org/abs/1910.12713

[Video]👉https://www.youtube.com/watch?v=8AZBuyEuDqc&feature=youtu.be

Code👉https://github.com/NVlabs/few-shot-vid2vid

🔗 Few-shot Video-to-Video Synthesis
Video-to-video synthesis (vid2vid) aims at converting an input semantic video, such as videos of human poses or segmentation masks, to an output photorealistic video. While the state-of-the-art of vid2vid has advanced significantly, existing approaches share two major limitations. First, they are data-hungry. Numerous images of a target human subject or a scene are required for training. Second, a learned model has limited generalization capability. A pose-to-human vid2vid model can only synthesize poses of the single person in the training set. It does not generalize to other humans that are not in the training set. To address the limitations, we propose a few-shot vid2vid framework, which learns to synthesize videos of previously unseen subjects or scenes by leveraging few example images of the target at test time. Our model achieves this few-shot generalization capability via a novel network weight generation module utilizing an attention mechanism. We conduct extensive experimental validations with compar


🎥 Few-Shot Video-to-Video Synthesis (NeurIPS 2019)
👁 1 раз ⏳ 128 сек.
Few-shot photorealistic video-to-video translation. It can be used for generating human motions from poses, synthesizing people talking from edge maps, or turning semantic label maps into photo-realistic videos. For more details, please visit https://nvlabs.github.io/few-shot-vid2vid/.

​Paper: https://arxiv.org/abs/1912.05656
code: https://github.com/mkocabas/VIBE

🔗 mkocabas/VIBE
Reference implementation of "VIBE: Video Inference for Human Body Pose and Shape Estimation" - mkocabas/VIBE

​AI Journey: доклады и результаты соревнования
Всем привет! С октября по декабрь проходила серия конференций по искусственному интеллекту – AI Journey. Чуть раньше в ноябре мы подвели итоги международного соревнования по созданию общего или сильного ИИ – artificial general intelligence (AGI). Хотим сразу вас успокоить, что мы не создали сильный ИИ, но приблизились к этому с помощью robot college student test. Участники должны были натренировать свои алгоритмы так, чтобы те смогли сдать выпускной экзамен по русскому языку. В итоге решения победителей получили "четвёрки".

Под катом среди прочих вы найдёте записи выступлений Юргена Шмидхубера — автора работы о LISP; Анны Вероники Дорогуш — руководительницы разработки библиотеки машинного обучения CatBoost; Бена Герцеля, который и ввёл термин robot college student test.

🔗 AI Journey: доклады и результаты соревнования
Всем привет! С октября по декабрь проходила серия конференций по искусственному интеллекту – AI Journey. Чуть раньше в ноябре мы подвели итоги международного сор...

​52 датасета для тренировочных проектов

Mall Customers Dataset — данные посетителей магазина:id, пол, возраст, доход, рейтинг трат. (Вариант применения: Customer Segmentation Project with Machine Learning)
Iris Dataset — датасет для новичков, содержащий размеры чашелистиков и лепестков для различных цветков.
MNIST Dataset — датасет рукописных цифр. 60 000 тренировочных изображений и 10 000 тестовых изображений.
The Boston Housing Dataset — популярный датасет для распознавания паттернов. Содержит информацию о домах в Бостоне: количество квартир, стоимость аренды, индекс преступлений.
Fake News Detection Dataset — содержит 7796 записей с разметкой новостей: правда или ложь. (Вариант применения с исходником на Python: Fake News Detection Python Project )
Wine quality dataset — содержит информацию о вине: 4898 записей с 14 параметрами.

🔗 52 датасета для тренировочных проектов
Mall Customers Dataset — данные посетителей магазина:id, пол, возраст, доход, рейтинг трат. (Вариант применения: Customer Segmentation Project with Machine Lear...

​Как уровень безубыточности майнинга позволяет определить точку разворота биткоина
В последние дни цена биткоина сильно обвалилась, что повлекло за собой уменьшение хэшрэйта сети на 20%. Это говорит об оттоке майнеров из-за начавшихся убытков, что случалось уже не раз. Мы решили исследовать, где находятся точки безубыточности майнинга на самых популярных устройствах и как они коррелируют с ценой.

Уровень безубыточности майнеров

Один из самых известных и распространенных майнеров в мире, Asic S9, имеет самые худшие показатели по безубыточности: чтобы получать прибыль от этого устройства, необходимо, чтобы цена биткоина была выше $7,643.

🔗 Как уровень безубыточности майнинга позволяет определить точку разворота биткоина
В последние дни цена биткоина сильно обвалилась, что повлекло за собой уменьшение хэшрэйта сети на 20%. Это говорит об оттоке майнеров из-за начавшихся убытков,...

​NeurIPS 2019 paper summaries

https://github.com/vlgiitr/papers_we_read/blob/master/summaries/uniform_convergence.md

🔗 vlgiitr/papers_we_read
Summaries of the papers that are discussed by VLG. Contribute to vlgiitr/papers_we_read development by creating an account on GitHub.

A Beginner's Guide to the Mathematics of Neural Networks

https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.161.3556&rep=rep1&type=pdf

​Word Embedding Using BERT In Python

🔗 Word Embedding Using BERT In Python
Embedding Words Into Vectors Using a Deep Learning NLP Model (BERT)

​How Fast Numpy Really is and Why?

🔗 How Fast Numpy Really is and Why?
A comparison with standard Python Lists.

​Visualizing Suicide Rates and World Happiness

🔗 Visualizing Suicide Rates and World Happiness
Is there a relationship between the two?

​Сможет ли Julia побороть Python так же, как Python поборол Java

Язык программирования Python прошел большой путь с момента своего появления в 1990-х. Едва ли Гвидо Ван Россум знал, что Python станет одним из самых популярных языков в мире, в то время, когда он его разрабатывал. На сегодняшний день Python является одним из наиболее широко используемых языков программирования на планете и имеет множество различных применений. Будь то приложения корпоративного уровня, машинное обучение, модели искусственного интеллекта или работа в области Data Science, Python активно используется практически во всех процветающих отраслях и областях.

Текущий сценарий для Python
В мире более 8 миллионов разработчиков на Python, которые регулярно используют этот язык для самых разных целей. Благодаря своей гибкости и простой масштабируемости, Python уже стал предпочтительным языком для многих разработчиков. Это стало причиной, по которой Python смог обойти Java, которая долгое время была любимым языком у разработчиков. Но это также может быть связано с естественным процессом старения языка, с которым Java приближается к своему концу. Большинство новых языков предназначены для решения современных задач. Хотя языки, разработанные давно, наиболее эффективны для решения задач своего времени, им становится чрезвычайно трудно оставаться актуальными для меняющихся отраслей и сценариев.

🔗 Сможет ли Julia побороть Python так же, как Python поборол Java
Язык программирования Python прошел большой путь с момента своего появления в 1990-х. Едва ли Гвидо Ван Россум знал, что Python станет одним из самых популярны...

​The Hyperparameter Cheat Sheet

🔗 The Hyperparameter Cheat Sheet
A quick guide to hyperparameter tuning utilizing Scikit Learn’s GridSearchCV

​Python Machine Learning Blueprints

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Python Machine Learning Blueprints (en) (1).pdf - 💾39 356 955