Нейросеть научилась «видеть» сквозь стены
Волны видимого света отражаются от объектов, а затем попадают на сетчатку глаз — так люди смотрят на окружающий мир. Подобным образом мы можем «видеть» через стены, посылая радиоволны, которые отражаются от цели и возвращаются к приёмникам. Стены из бетона или дерева способны блокировать или ослаблять сигналы, однако есть волны с определенной частотой, которые могут проходить сквозь них, например, Wi-Fi.
В новом подходе исследователи из MIT используют мощь частот радиосигналов Wi-Fi, которые пересекают преграды и отражаются от человеческого тела, и методы глубокого обучения для преодоления окклюзии и точного предсказания движений человека за стеной. Подробнее про разработку читайте в статье.
https://vk.com/@neurohive-videt-skvoz-steny-issledovateli-nauchilis-opredelyat-pozu-ch
Волны видимого света отражаются от объектов, а затем попадают на сетчатку глаз — так люди смотрят на окружающий мир. Подобным образом мы можем «видеть» через стены, посылая радиоволны, которые отражаются от цели и возвращаются к приёмникам. Стены из бетона или дерева способны блокировать или ослаблять сигналы, однако есть волны с определенной частотой, которые могут проходить сквозь них, например, Wi-Fi.
В новом подходе исследователи из MIT используют мощь частот радиосигналов Wi-Fi, которые пересекают преграды и отражаются от человеческого тела, и методы глубокого обучения для преодоления окклюзии и точного предсказания движений человека за стеной. Подробнее про разработку читайте в статье.
https://vk.com/@neurohive-videt-skvoz-steny-issledovateli-nauchilis-opredelyat-pozu-ch
VK
“Видеть сквозь стены” — исследователи научились определять позу человека за стеной
Возможность видеть сквозь стены всегда считалась сверхспособностью, и не раз становилась идеей научно-фантастических фильмов. В 2011 году..
Google представили новый метод для обучения нейросетей отслеживанию объектов
Для того, чтобы научить нейросеть отслеживать объекты, требуется большое количество размеченных данных, которые часто трудно получить. Разработчики из Google представили новый метод автоматического отслеживания объектов на видео путём раскрашивания выделенной области. В основе метода — свёрточная нейросеть, которая на основе одного цветного кадра обучается предсказывать исходные цвета для последующих кадров чёрно-белого видео. Побочный эффект такого предсказания — алгоритм учится автоматически отслеживать объекты и регионы одного цвета на видео.
Таким же способом модель можно обучить отслеживать любую визуальную область — объект или точку, обозначив её в первом кадре с помощью соответствующих меток.
Для того, чтобы научить нейросеть отслеживать объекты, требуется большое количество размеченных данных, которые часто трудно получить. Разработчики из Google представили новый метод автоматического отслеживания объектов на видео путём раскрашивания выделенной области. В основе метода — свёрточная нейросеть, которая на основе одного цветного кадра обучается предсказывать исходные цвета для последующих кадров чёрно-белого видео. Побочный эффект такого предсказания — алгоритм учится автоматически отслеживать объекты и регионы одного цвета на видео.
Таким же способом модель можно обучить отслеживать любую визуальную область — объект или точку, обозначив её в первом кадре с помощью соответствующих меток.
ИИ диагностирует болезнь, анализируя дыхание человека
Учёные из Великобритании разработали технологию, которая может анализировать органические соединения в дыхании человека, и обнаруживать рак и другие болезни лучше, чем среднестатистический врач. Метод основан на глубоком обучении, и позволяет за несколько минут изучить образец дыхания и визуализировать полученную информацию. Аналогичная работа врача занимает несколько часов. Алгоритм обучали на данных пациентов с разными видами рака, используя графические процессоры NVIDIA Tesla и ускоренные cuDNN системы Keras и TensorFlow.
Разработка позволит сделать диагностику заболеваний более дешёвой и быстрой. Исследователи представят работу на International Joint Conference on Neural Networks (IJCNN 2018), которая пройдёт в июле в Рио-де-Жанейро.
Учёные из Великобритании разработали технологию, которая может анализировать органические соединения в дыхании человека, и обнаруживать рак и другие болезни лучше, чем среднестатистический врач. Метод основан на глубоком обучении, и позволяет за несколько минут изучить образец дыхания и визуализировать полученную информацию. Аналогичная работа врача занимает несколько часов. Алгоритм обучали на данных пациентов с разными видами рака, используя графические процессоры NVIDIA Tesla и ускоренные cuDNN системы Keras и TensorFlow.
Разработка позволит сделать диагностику заболеваний более дешёвой и быстрой. Исследователи представят работу на International Joint Conference on Neural Networks (IJCNN 2018), которая пройдёт в июле в Рио-де-Жанейро.
Роботы научились быстро хватать движущиеся объекты
Захват предметов в меняющейся среде — сложная задача для роботов. Австралийские разработчики представили алгоритм, который позволяет роботам хватать двигающиеся предметы с высокой точностью. Робот сканирует окружающую среду, и анализирует карту глубины изображения с частотой до 50 раз в секунду, что позволяет корректировать захват в реальном времени. Подход, основанный на использовании свёрточной нейросети, обеспечивает точность до 88% для динамического захвата и до 92% в статических экспериментах.
Разработка может использоваться как в промышленной автоматизации, так и для бытовых роботов, которые должны адаптироваться к работе в динамической и неструктурированной среде.
Смотреть:
https://youtu.be/RLoPx8T6WjQ
Захват предметов в меняющейся среде — сложная задача для роботов. Австралийские разработчики представили алгоритм, который позволяет роботам хватать двигающиеся предметы с высокой точностью. Робот сканирует окружающую среду, и анализирует карту глубины изображения с частотой до 50 раз в секунду, что позволяет корректировать захват в реальном времени. Подход, основанный на использовании свёрточной нейросети, обеспечивает точность до 88% для динамического захвата и до 92% в статических экспериментах.
Разработка может использоваться как в промышленной автоматизации, так и для бытовых роботов, которые должны адаптироваться к работе в динамической и неструктурированной среде.
Смотреть:
https://youtu.be/RLoPx8T6WjQ
YouTube
QUT Closes the Loop for Robotic Grasping
Roboticists at QUT have developed a faster and more accurate way for robots to grasp objects, including in cluttered and changing environments, which has the...
Дополненная реальность Pokemon Go станет лучше благодаря нейросетям
Разработчики студии Niantic представили «Occlusion» — новую технологию, которая сделает AR-объекты ещё более реалистичными. Метод основан на использовании усовершенствованных нейронных сетей, которые получают и анализируют информацию об окружающем мире из одной или нескольких камер. В предыдущей версии Pokemon Go цифровые покемоны отображались только поверх объектов реального мира, а в новой виртуальный Пикачу сможет скрываться за людьми и предметами.
Технология позволит изменить восприятие AR-объектов в игре, и сделать их ещё ближе к реальному миру.
Смотреть:
https://youtu.be/7ZrmPTPgY3I
Разработчики студии Niantic представили «Occlusion» — новую технологию, которая сделает AR-объекты ещё более реалистичными. Метод основан на использовании усовершенствованных нейронных сетей, которые получают и анализируют информацию об окружающем мире из одной или нескольких камер. В предыдущей версии Pokemon Go цифровые покемоны отображались только поверх объектов реального мира, а в новой виртуальный Пикачу сможет скрываться за людьми и предметами.
Технология позволит изменить восприятие AR-объектов в игре, и сделать их ещё ближе к реальному миру.
Смотреть:
https://youtu.be/7ZrmPTPgY3I
YouTube
Codename: Niantic Occlusion - Real World AR Occlusion featuring Pikachu and Eevee
The recently acquired Matrix Mill team at Niantic has spent years building and perfecting deep neural networks that can infer information about the surrounding world from one or more cameras. This technology redefines how machines see and understand the 3D…
Алгоритм для распознавания эмоций поможет в работе с детьми-аутистами
В MIT разработали технологию, основанную на машинном обучении, для помощи в терапии расстройств аутистического спектра. Робот NAO использует нейросеть, чтобы проанализировать движения головы, выражение лица, жесты, голос, позу и физиологические показатели ребёнка. Данные помогают определить эмоциональное состояние и вовлечённость ребёнка в процесс игры. На основе собранной информации робот реагирует на эмоции, и предлагает новые варианты взаимодействия для повышения вовлечённости.
https://youtu.be/edfF4cYaxPY
В MIT разработали технологию, основанную на машинном обучении, для помощи в терапии расстройств аутистического спектра. Робот NAO использует нейросеть, чтобы проанализировать движения головы, выражение лица, жесты, голос, позу и физиологические показатели ребёнка. Данные помогают определить эмоциональное состояние и вовлечённость ребёнка в процесс игры. На основе собранной информации робот реагирует на эмоции, и предлагает новые варианты взаимодействия для повышения вовлечённости.
https://youtu.be/edfF4cYaxPY
YouTube
EngageME Project (EC Horizon 2020)
An example of a therapy session augmented with humanoid robot NAO [SoftBank Robotics], which was used in the EngageME project. Tracking of limbs performed using the CMU Perceptual Lab's OpenPose utility. CC BY-NC-ND 4.0
Устранение размытия изображений методом неслепой деконволюции
Исследователи пытаются найти способ устранения размытия, которое появляется на снимках, если камера или объект съёмки находились в движении. Новый метод работы с использованием алгоритма минимизации энергии и априорно известных ядер свёртки показывает лучшие результаты по сравнению с предыдущими подходами. Описание метода и сравнение с другими способами читайте в статье:
https://vk.com/@neurohive-novyi-metod-ustraneniya-razmytiya-izobrazhenii
Исследователи пытаются найти способ устранения размытия, которое появляется на снимках, если камера или объект съёмки находились в движении. Новый метод работы с использованием алгоритма минимизации энергии и априорно известных ядер свёртки показывает лучшие результаты по сравнению с предыдущими подходами. Описание метода и сравнение с другими способами читайте в статье:
https://vk.com/@neurohive-novyi-metod-ustraneniya-razmytiya-izobrazhenii
VK
Новый метод устранения размытия изображений
Фотографирование часто подразумевает полное соответствие изображения и объекта съемки, однако, иногда полученное изображение оказывается..
Переводчик Яндекс.Браузера улучшили с помощью ИИ
Яндекс.Браузер теперь использует гибридную модель для перевода веб-страниц. Модель состоит из обычного статистического переводчика и нейронной сети. Текст переводится обеими системами, после чего специальный алгоритм оценивает, какой перевод лучше, и показывает его пользователю. Нейросеть учитывает взаимосвязь между словами, поэтому перевод получается более естественным.
Использование ИИ улучшило качество перевода в 1,7 раза по сравнению с предыдущей моделью. Новый переводчик получил оценку 43,8 балла из 100 по шкале BLEU (алгоритм, который сравнивает переводы, выполненные машиной и профессиональным переводчиком).
Яндекс.Браузер теперь использует гибридную модель для перевода веб-страниц. Модель состоит из обычного статистического переводчика и нейронной сети. Текст переводится обеими системами, после чего специальный алгоритм оценивает, какой перевод лучше, и показывает его пользователю. Нейросеть учитывает взаимосвязь между словами, поэтому перевод получается более естественным.
Использование ИИ улучшило качество перевода в 1,7 раза по сравнению с предыдущей моделью. Новый переводчик получил оценку 43,8 балла из 100 по шкале BLEU (алгоритм, который сравнивает переводы, выполненные машиной и профессиональным переводчиком).
Спектральная сегментация и глубокое обучение ускорят редактирование изображений
Adobe разработали метод, основанный на спектральной сегментации и работе нейросети, который упрощает редактирование изображения и создание коллажей. Алгоритм автоматически генерирует мягкие контуры, соответствующие семантически значимым областям изображения, используя смесь высокоуровневой информации от нейронной сети и низкоуровневых признаков. Полученное разбиение изображения на слои можно использовать для редактирования: добавлять размытие, отделять объекты от фона, стилизовать, компоновать объекты на изображении и создавать мягкие переходы между ними.
Разработка будет представлена на Siggraph 2018. Подробнее про метод читайте в статье.
https://vk.com/@neurohive-redaktirovat-izobrazheniya-stalo-prosche-s-semanticheskoi-ra
Adobe разработали метод, основанный на спектральной сегментации и работе нейросети, который упрощает редактирование изображения и создание коллажей. Алгоритм автоматически генерирует мягкие контуры, соответствующие семантически значимым областям изображения, используя смесь высокоуровневой информации от нейронной сети и низкоуровневых признаков. Полученное разбиение изображения на слои можно использовать для редактирования: добавлять размытие, отделять объекты от фона, стилизовать, компоновать объекты на изображении и создавать мягкие переходы между ними.
Разработка будет представлена на Siggraph 2018. Подробнее про метод читайте в статье.
https://vk.com/@neurohive-redaktirovat-izobrazheniya-stalo-prosche-s-semanticheskoi-ra
VK
Редактировать изображения стало проще с семантической разметкой, создаваемой нейросетью
Редактирование изображений и создание коллажей было бы весьма захватывающим процессом, если бы не приходилось тратить бо́льшую часть врем..
Нейросеть помогла полиции классифицировать происшествия
Институт проблем правоприменения при Европейском университете в Санкт-Петербурге использовал технологии машинного обучения, чтобы проанализировать и классифицировать 4,4 миллиона сообщений о происшествиях, с которыми люди обращаются в полицию. В результате работы нейросети, сообщения удалось разделить на 40 категорий: «бытовые происшествия», «потери и кражи», «ДТП», «суициды», «пожары» и т.д.; затем нейросеть проанализировала как полиция реагирует на них: как часто возбуждаются уголовные дела, как много преступлений доходит до суда.
Разработка позволила оценить реальный уровень преступности в России, и в дальнейшем поможет оптимизировать и моделировать реакцию полиции.
https://youtu.be/DWcc3sgOOJo
Институт проблем правоприменения при Европейском университете в Санкт-Петербурге использовал технологии машинного обучения, чтобы проанализировать и классифицировать 4,4 миллиона сообщений о происшествиях, с которыми люди обращаются в полицию. В результате работы нейросети, сообщения удалось разделить на 40 категорий: «бытовые происшествия», «потери и кражи», «ДТП», «суициды», «пожары» и т.д.; затем нейросеть проанализировала как полиция реагирует на них: как часто возбуждаются уголовные дела, как много преступлений доходит до суда.
Разработка позволила оценить реальный уровень преступности в России, и в дальнейшем поможет оптимизировать и моделировать реакцию полиции.
https://youtu.be/DWcc3sgOOJo
YouTube
Искусственный интеллект в помощь полицейскому
Институт проблем правоприменения при Европейском университете в Санкт-Петербурге проанализировал 4,4 миллиона сообщений о происшествиях, с которыми люди обращаются в полицию.
В каждой дежурной части полиции существует книга учета сообщений о происшествиях…
В каждой дежурной части полиции существует книга учета сообщений о происшествиях…
Как подступиться к машинному обучению, если после курсов всё ещё остались вопросы? Выбрать и решить реальную задачу самому.
В качестве примера — разбор реальной задачи из сферы Data science. Автор обучил модель предсказывать рейтинг энергопотребления зданий в Нью-Йорке, и подробно описал первые этапы работы: очистку и форматирование данных, предварительный анализ, выбор полезных признаков и создание новых более подходящих, выбор метода для оценки результата работы алгоритма. Детали и ссылки на проект в статье.
https://vk.com/@neurohive-primer-resheniya-realnoi-zadachi-po-mashinnomu-obucheniu-na
В качестве примера — разбор реальной задачи из сферы Data science. Автор обучил модель предсказывать рейтинг энергопотребления зданий в Нью-Йорке, и подробно описал первые этапы работы: очистку и форматирование данных, предварительный анализ, выбор полезных признаков и создание новых более подходящих, выбор метода для оценки результата работы алгоритма. Детали и ссылки на проект в статье.
https://vk.com/@neurohive-primer-resheniya-realnoi-zadachi-po-mashinnomu-obucheniu-na
Vk
Пример решения реальной задачи по машинному обучению на Python
Сейчас многие интересуются машинным обучением и анализом данных. После чтения книг и работы с обучающими курсами может возникнуть ощущение, что полноценная картина не складывается. В таком состоянии браться за реальную задачу совсем не хочется, но выбрать…
Disney ускорили обучение робота с помощью нейросети
Исследователи из Disney Research использовали нейросеть, чтобы научить Snapbot двигаться с разным количеством конечностей. Робота тренировали с помощью новой автоматизированной системы обучения, используя два слоя глубокой свёрточной нейросети и одноядерный процессор Intel i7 с частотой 3,4 ГГц. За 3 часа Snapbot научился двигаться с одной конечностью. Чтобы ускорить дальнейшее обучение, разработчики скопировали последний слой нейросети и использовали его в начале следующих тренировок с двумя, а затем с тремя конечностями. Результат работы на видео 👇
https://youtu.be/MZZKcC2oZJM
Исследователи из Disney Research использовали нейросеть, чтобы научить Snapbot двигаться с разным количеством конечностей. Робота тренировали с помощью новой автоматизированной системы обучения, используя два слоя глубокой свёрточной нейросети и одноядерный процессор Intel i7 с частотой 3,4 ГГц. За 3 часа Snapbot научился двигаться с одной конечностью. Чтобы ускорить дальнейшее обучение, разработчики скопировали последний слой нейросети и использовали его в начале следующих тренировок с двумя, а затем с тремя конечностями. Результат работы на видео 👇
https://youtu.be/MZZKcC2oZJM
YouTube
Automated Deep Reinforcement Learning Environment for Hardware of a Modular Legged Robot
In this paper, we present an automated learning environment for developing control policies directly on the hardware of a modular legged robot. This environment facilitates the reinforcement learning process by computing the rewards using a vision-based tracking…
Нейросеть научилась открывать глаза на фотографиях
Facebook AI Research разработали генеративно-состязательную нейросеть (GAN) для восстановления закрытых глаз на фотографии. Обычно GAN генерируют изображения, основываясь только на данных из обучающего набора, а в ExGAN разработчики добавили второй источник информации — ещё одно фото того же человека, полученное в другое время или в другой позе. Однако, вместо того, чтобы просто скопировать пиксели со второй фотографии, сеть учится использовать эту информацию в качестве семантического руководства для создания правдоподобных результатов.
https://vk.com/@neurohive-metod-vosstanovleniya-glaz-pri-pomoschi-exemplar-gan-ot-face
Facebook AI Research разработали генеративно-состязательную нейросеть (GAN) для восстановления закрытых глаз на фотографии. Обычно GAN генерируют изображения, основываясь только на данных из обучающего набора, а в ExGAN разработчики добавили второй источник информации — ещё одно фото того же человека, полученное в другое время или в другой позе. Однако, вместо того, чтобы просто скопировать пиксели со второй фотографии, сеть учится использовать эту информацию в качестве семантического руководства для создания правдоподобных результатов.
https://vk.com/@neurohive-metod-vosstanovleniya-glaz-pri-pomoschi-exemplar-gan-ot-face
VK
Метод восстановления глаз при помощи Exemplar GAN от Facebook AI Research
Нет сомнений в том, что разработка алгоритмов реалистичного ретуширования лица является растущей темой для исследований в сообществах ком..
Нейросеть выделяет звук музыкального инструмента на видео в реальном времени
Исследователи из MIT разработали алгоритм PixelPlayer, который поможет музыкантам выделять партии отдельных музыкальных инструментов и изменять их громкость. Модель состоит из трёх нейросетей: первая анализирует видео, вторая — звук, а третья сопоставляет каждый пиксель видео с определённой звуковой волной, разделяя мелодии. PixelPlayer тренировали, используя 60 часов видео, и сейчас алгоритм может определять 20 разных музыкальных инструментов. Примеры работы нейросети на видео.
https://youtu.be/2eVDLEQlKD0
Исследователи из MIT разработали алгоритм PixelPlayer, который поможет музыкантам выделять партии отдельных музыкальных инструментов и изменять их громкость. Модель состоит из трёх нейросетей: первая анализирует видео, вторая — звук, а третья сопоставляет каждый пиксель видео с определённой звуковой волной, разделяя мелодии. PixelPlayer тренировали, используя 60 часов видео, и сейчас алгоритм может определять 20 разных музыкальных инструментов. Примеры работы нейросети на видео.
https://youtu.be/2eVDLEQlKD0
YouTube
Editing Music in Videos Using AI
Paper: https://arxiv.org/abs/1804.03160
More info: https://sound-of-pixels.csail.mit.edu/
https://news.mit.edu/2018/ai-editing-music-videos-pixelplayer-csail-0705
More info: https://sound-of-pixels.csail.mit.edu/
https://news.mit.edu/2018/ai-editing-music-videos-pixelplayer-csail-0705
Искусственный интеллект от IBM участвует в дебатах наравне с человеком
IBM представили Project Debater — алгоритм, который способен участвовать в дискуссиях, анализировать аргументы оппонента и приводить примеры, защищая свою позицию.
Работу алгоритма продемонстрировали, проведя дебаты между ИИ и человеком. У каждого из них было по 4 минуты на выступление и на возражение оппоненту. Искусственному интеллекту требуется от 2 до 4 минут, чтобы проанализировать базу данных из нескольких сотен миллионов статей из 100 областей знаний, выбрать подходящие аргументы по теме, и создать структурированное высказывание. Кроме того, Debater умеет без подготовки создавать логичные ответы на аргументы собеседника, анализируя его речь в реальном времени.
https://youtu.be/ZIY1uSxL-qQ
IBM представили Project Debater — алгоритм, который способен участвовать в дискуссиях, анализировать аргументы оппонента и приводить примеры, защищая свою позицию.
Работу алгоритма продемонстрировали, проведя дебаты между ИИ и человеком. У каждого из них было по 4 минуты на выступление и на возражение оппоненту. Искусственному интеллекту требуется от 2 до 4 минут, чтобы проанализировать базу данных из нескольких сотен миллионов статей из 100 областей знаний, выбрать подходящие аргументы по теме, и создать структурированное высказывание. Кроме того, Debater умеет без подготовки создавать логичные ответы на аргументы собеседника, анализируя его речь в реальном времени.
https://youtu.be/ZIY1uSxL-qQ
YouTube
IBM System Debates Yaar Bach On Mass Surveillance
IBM's Project Debater, developed in Israel and unveiled in June 2018 in San Francisco, takes on professional Israeli debater Yaar Bach on the pros and cons of mass surveillance, at an event in Givatayim, Israel on July 3, 2018. Video via IBM
Wayve обучили автомобиль автономному вождению за 20 минут с помощью нейросети
Разработчики из Кембриджского университета научили Renault Twizys автономному движению, используя глубкое обучение с подкреплением.
Водитель передавал полное управление машиной автопилоту, не объясняя, какую задачу нужно выполнять, позволив ему экспериментировать. В основе алгоритма — свёрточная нейронная сеть, которая использовала в качестве входных данных изображение из камеры и анализировала его в реальном времени.
Когда машина съезжала с дороги, водитель останавливал и исправлял её. Всего за 20 минут и 20 экспериментов, автомобиль научился ехать относительно ровно.
https://youtu.be/eRwTbRtnT1I
Разработчики из Кембриджского университета научили Renault Twizys автономному движению, используя глубкое обучение с подкреплением.
Водитель передавал полное управление машиной автопилоту, не объясняя, какую задачу нужно выполнять, позволив ему экспериментировать. В основе алгоритма — свёрточная нейронная сеть, которая использовала в качестве входных данных изображение из камеры и анализировала его в реальном времени.
Когда машина съезжала с дороги, водитель останавливал и исправлял её. Всего за 20 минут и 20 экспериментов, автомобиль научился ехать относительно ровно.
https://youtu.be/eRwTbRtnT1I
YouTube
Learning to drive in a day
The first example of reinforcement learning on-board an autonomous car.
Read the full blog here:
https://wayve.ai/blog/learning-to-drive-in-a-day-with-reinforcement-learning
And research paper here:
https://arxiv.org/pdf/1807.00412.pdf
Read the full blog here:
https://wayve.ai/blog/learning-to-drive-in-a-day-with-reinforcement-learning
And research paper here:
https://arxiv.org/pdf/1807.00412.pdf
Нейромодель RF-PSTH – учебный инструмент для студентов, преподавателей и ученых, работающих в областях нейробиологии, биоинформатики, биофизики и биомедицинской инженерии. Нейромодель основана на физических свойствах биологических нейронов, и способна моделировать антагонистические рецептивные поля нейронов и выходной сигнал PSTH.
Бесплатная программа доступна для Android, iOS, Windows и MacOS.
Бесплатная программа доступна для Android, iOS, Windows и MacOS.
Нейросеть поможет создавать 4D эффекты в кино
Исследователи из Университета Торонто использовали нейросеть и метод CRF (Conditional Random Field), чтобы создать базу данных с 4D эффектами: физическое взаимодействие, брызги воды, свет, тряска и т.д., которые можно будет использовать в кино. Алгоритм анализирует и сопоставляет визуальную и акустическую информацию из видео, чтобы определить, в какой момент определённый эффект должен происходить.
Технология позволит автоматизировать процесс создания эффектов для обычных фильмов, которые изначально не были предназначены для 4D кинотеатров.
Исследователи из Университета Торонто использовали нейросеть и метод CRF (Conditional Random Field), чтобы создать базу данных с 4D эффектами: физическое взаимодействие, брызги воды, свет, тряска и т.д., которые можно будет использовать в кино. Алгоритм анализирует и сопоставляет визуальную и акустическую информацию из видео, чтобы определить, в какой момент определённый эффект должен происходить.
Технология позволит автоматизировать процесс создания эффектов для обычных фильмов, которые изначально не были предназначены для 4D кинотеатров.
Машинное обучение поможет ускорить разработку лекарств
Создание молекул для новых лекарств — длительный и дорогостоящий процесс. В MIT разработали модель, основанную на машинном обучении, которая поможет его автоматизировать. В основе модели нейросеть, которая кодирует данные молекулы, группируя их по кластерам, каждый из которых отвечает за определённые функции. Затем исследователи задают параметры, и модель изменяет молекулу, исходя из необходимых для нового лекарства свойств. Достигнув максимальной прогнозируемой эффективности, алгоритм декодирует новую молекулу с модифицированной структурой.
Создание молекул для новых лекарств — длительный и дорогостоящий процесс. В MIT разработали модель, основанную на машинном обучении, которая поможет его автоматизировать. В основе модели нейросеть, которая кодирует данные молекулы, группируя их по кластерам, каждый из которых отвечает за определённые функции. Затем исследователи задают параметры, и модель изменяет молекулу, исходя из необходимых для нового лекарства свойств. Достигнув максимальной прогнозируемой эффективности, алгоритм декодирует новую молекулу с модифицированной структурой.
Нейросеть научилась удалять шум с фотографий
Nvidia представили новый алгоритм Noise2Noise, который за несколько секунд очищает фотографию от артефактов, шумов, текста, и автоматически улучшает её. Метод подходит для реконструкции МРТ-снимков и фотографий, сделанных при плохом освещении, т.е. в случаях когда не существует «чистого» исходного изображения.
Нейросеть обучили на базе 50 000 изображений из датасета ImageNet, используя графические процессоры NVIDIA Tesla P100 и расширенную версию cuDNN от TensorFlow. Примеры работы алгоритма на видео.
https://youtu.be/pp7HdI0-MIo
Nvidia представили новый алгоритм Noise2Noise, который за несколько секунд очищает фотографию от артефактов, шумов, текста, и автоматически улучшает её. Метод подходит для реконструкции МРТ-снимков и фотографий, сделанных при плохом освещении, т.е. в случаях когда не существует «чистого» исходного изображения.
Нейросеть обучили на базе 50 000 изображений из датасета ImageNet, используя графические процессоры NVIDIA Tesla P100 и расширенную версию cuDNN от TensorFlow. Примеры работы алгоритма на видео.
https://youtu.be/pp7HdI0-MIo
YouTube
Research at NVIDIA: AI Can Now Fix Your Grainy Photos by Only Looking at Grainy Photos
Researchers from NVIDIA, Aalto University, and MIT developed a deep learning based method that can fix photos by simply looking at examples of corrupted photos only.
Learn more: https://nvda.ws/2J8WHB7
Learn more: https://nvda.ws/2J8WHB7