با سلام خدمت شرکت کنندگان دوره مقدماتی و پیشرفته یادگیری عمیق،
جهت یادآوری مجدد انشاالله دوره پیشرفته از ساعت 8:30 فردا آغاز خواهد شد.
آدرس محل برگزاری دوره :
تهران - خیابان طالقانی - بین خیابان ولیعصر(عج) و خیابان حافظ - شماره 341- هتل پارسیان انقلاب - طبقه 16- سالن جلسات

برای برگزاری هر چه بهتر دوره لطفا نکات زیر را هم مد نظر داشته باشید:
-در زمان ذکر شده کلاس در محل برگزاری حضور داشته باشید.
-پرینت یا فایل بلیط شرکت در دوره را به همراه داشته باشید.
-برای کسب گواهی در پایان دوره می بایست در هر 2 روز برگزاری حضور به عمل برسانید.
-نیازی به همراه داشتن لپ تاپ نیست. کد ها، اسلایدها و ویدئوها بعد از پایان در اختیار شرکت کنندگان قرار داده می شود.
- با توجه به محدودیت زمانی تنها در 15 دقیقه پایانی هر ارائه، از ارائه دهندگان سوالات خود را بپرسید.

با سپاس
مرکز تحقیقات هوش پارت

محل برگزاری طبقه 16 هتل پارسیان انقلاب

با سلام خدمت شرکت کنندگان در دوره پیشرفته، منابع مورد استفاده در دوره شامل کدها و اسلایدها در مخزن گیت مرکز تحقیقات هوش پارت قرار گرفت:
روز اول - آموزش تک صحنه و تشخیص و تایید چهره -علیرضا اخوان پور
روز اول - آموزش تنسورفلو -ابوالفضل مهدی زاده
روز دوم -یادگیری عمیق تقویتی - بابک بادنوا
روز دوم - آموزش پایتورچ - مهندس مسعود پوررضا

https://github.com/partdpai/part_2018_advanced_deep_learning

مرکز تحقیقات هوش پارت

https://t.iss.one/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

#معرفی_مقاله
مقاله who let the dogs out
هدف در این مقاله مطالعه نحوه تصمیم گیری و برنامه ریزی یک سگ بر مبنای چیزی است که دیده است.
این مقاله در قالب های ‌represent learning دسته بندی می شود.
شبکه از دو قسمت encoder و decoder شکل گرفته است.
در عمل شبکه ترکیبی از CNNو LSTM است. به این صورت که در ابتدا توسط encoder و توسط شبکه های CNN از تصاویر ویدیویی ویژگی استخراج می شود این ویژگی ها چون تقدم و تاخر زمانی دارند وارد سلول های LSTM می شوند و سپس در قسمت decoder و از طریق یک شبکه بازگشتی واکنش سگ استخراح می شود.
آدرس مقاله :
https://openaccess.thecvf.com/content_cvpr_2018/papers/Ehsani_Who_Let_the_CVPR_2018_paper.pdf


https://t.iss.one/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

#معرفی_مقاله
مقالهSeGAN
این مقاله چالش برانگیز و جذاب که در مقالات cvpr2018 دیده میشود شبکه gan ای می باشد که اقدام به بازیابی قسمت های دیده نشده اشیا موجود در تصویر میکند.
شبکه این مقاله که با استفاده از شبکه های gan پیاده سازی شده است از دوقسمت شکل گرفته است. قسمت اول آن اقدام به segment کردن تصویر میکند. از این قسمت segment شده در قسمت دوم شبکه(که یک gan می باشد) برای بازسازی قسمت مخفی شده استفاده میشود.
مقاله کامل از طریق لینک زیر قابل دریافت است.

https://openaccess.thecvf.com/content_cvpr_2018/html/Ehsani_SeGAN_Segmenting_and_CVPR_2018_paper.html

https://t.iss.one/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

یک سایت بسیار جالب و تعاملی که توسط تیم هوش مصنوعی گوگل و با tensotflow.js توسعه داده شده و با آن می تونید در مرورگر GAN ها را یاد بگیرید.
poloclub.github.io/ganlab
مرکز تحقیقات هوش پارت
@partdpai

#paper #cvpr2018
در این مقاله به بررسی نقش "ویژگی های زمانی" در تحلیل ویدیو پرداخته شده است.
از نوآوری های مقاله می توان به طراحی یک ساختار برای تولید ویژگی های زمانی مستقل از کلاس ویدیوی ورودی اشاره کرد. به نحوی که کافی است تنها مجموعه ای از تصاویر را به عنوان ورودی به شبکه طراحی شده بدهیم و به عنوان خروجی ویژگی های زمانی را تحویل بگیریم.
مقاله ی فوق بر روی مجموعه داده های ucf101 و kinetics مورد آزمایش قرار گرفته است.
اگر به پردازش ویدیو و شبکه های کانولوشنی ۳ بعدی علاقه مندید خواندن این مقاله می تواند برای شما مفید باشد.

https://openaccess.thecvf.com/content_cvpr_2018/html/Huang_What_Makes_a_CVPR_2018_paper.html

@partdpai

معرفی یادگیری دوگان (Dual learning) و کاربرد آن در ترجمه ماشینی

#ویرگول #مرکز_تحقیقات_هوش_پارت

https://vrgl.ir/yi4DJ

@partdpai

مقایسه تعداد آگهی های شغلی برای هر کدام از فریمورک های یادگیری عمیق.

https://bit.ly/2QOkvPS

@partdpai

تعداد جستجوهای انجام شده برای هر کدام از فریمورک ها در موتور جستجوی گوگل

https://bit.ly/2QOkvPS

@partdpai

تعداد مقالات منتشر شده که به وسیله فریمورک های مختلف یادگیری عمیق پیاده سازی شده اند.

https://bit.ly/2QOkvPS

@partdpai

مقایسه فریمورک های یادگیری بر اساس حجم فعالیت های گیت هابی

https://bit.ly/2QOkvPS

@partdpai

و در نهایت امتیاز و اهمیت کلی هر کدام از فریمورک ها و پیشتازی قابل توجه تنسورفلو

https://bit.ly/2QOkvPS

@partdpai

#معرفی شبکه های مولد تخاصمی

https://vrgl.ir/niu3D

@partdpai

#paper #cvpr2018 #anomaly_detection
در این مقاله تشخیص آنومالی با استفاده از دوربین های نظارتی شهری مورد توجه قرار گرفته است. بخش استخراج ویژگی در این مقاله توسط شبکه کانولوشنی سه بعدی (c3d) صورت گرفته.
برای جلوگیری از برچسب گذاری فریم به فریم ویدیوها و حل مساله به صورت بدون نظارت، ویدیوها به بخش های مختلف تقسیم بندی شده اند و در نهایت پس از استخراج ویژگی با مقایسه ی دسته های گوناگون برچسب درست تکه ویدیوهای مختلف معین می شوند.
در این مقاله مجموعه داده ی جدیدی برای تشخیص آنومالی به نام ucf-crime معرفی شده است. این مجموعه داده شامل ویدیوهایی از دعوا، دزدی، خرابکاری و ... است که توسط دوربین های مداربسته ضبط شده اند.
https://openaccess.thecvf.com/content_cvpr_2018/html/Sultani_Real-World_Anomaly_Detection_CVPR_2018_paper.html

@partdpai

گوگل از موتور جستجوی دیتاست خود رونمایی کرد.

https://twitter.com/GoogleAI/status/1037448030193049600?s=19

@partdpai

مدل 2080 Ti بهترین عملکرد در مقایسه با قیمت را در میان GPU های مختلف دارد. ( V100 با وجود سریع تر بودن اما 5 برابر گران تر از 2080 Ti است)
بررسی مفصل تر:
https://bit.ly/2yy34e0

@partdpai

موتور جستجو دیتاست گوگل چگونه کار می کند و چگونه می‌توان دیتاست خود را به نتایج اضافه کرد ؟

https://ai.googleblog.com/2018/09/building-google-dataset-search-and.html

@partdpai

#خبر
بالاخره نسخه پایدار #پایتورچ 1 منتشر شد. حالا علاوه بر لینوکس می توانید پایتورچ 1 را بر روی ویندوز هم نصب کنید!
https://pytorch.org

@partdpai