#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

نمودار بالا مقایسه بین صحت و سرعت بعضی از معروف ترین شبکه های عصبی کانولشنال را به ما نشان می دهد. محور افقی تعداد عملیات های انجام شده برای آموزش مدل، محور عمودی تعداد صحت مدل و اندازه هر کدام از دایره ها هم نشان دهنده تعداد پارامترهای هر شبکه است.

منبع :
https://bit.ly/2uBNUTT
https://bit.ly/2L9fm2o


@partdpai

مقایسه بین نسبت صحت معماری های مختلف شبکه عصبی کانولوشنال به تعداد پارامترهای شبکه

@partdpai

تقریبا هر 25 دقیقه یک مقاله مرتبط با یادگیری ماشین منتشر می شود و این یعنی در حین خواندن یک مقاله حداقل یک مقاله دیگر منتشر شده است. طبیعی است که برای مواجه با این حجم منکوب کننده از مقالات منتشرشده باید هوشمندانه تر عمل کنیم. برای همین ما استفاده از چندین منبع زیر را پیشنهاد می کنیم تا به صورت بهتری مقالات منتشر شده یادگیری ماشین را تحت نظر داشته باشیم:
وبسایت papers with code:
این وبسایت لیستی از مخازن کد مقالات هوش مصنوعی که کد آن ها توسط نویسنده ها ( یا بقیه محققین) منتشر شده است را در اختیار می گذارد و آن ها را بر اساس تعداد star های مخزن کد در گیت هاب و یا فریمورک نوشته شده مرتب می کند.
https://www.paperswithcode.com
وبسایت Short Science
این وبسایت معادل وبسایت stackoverflow است اما مختص محققین و پژوهشگران حوزه هوش مصنوعی طراحی شده است و در آن می توانید آخرین مقالات و دستاوردهای عمدتا مربوط به یادگیری ماشین را به صورت خلاصه شده بخوانید. این خلاصه سازی ها به صورت داوطلبانه توسط اعضای سایت انجام می شود و هر فردی می تواند خلاصه مقالاتی که خوانده است را نیز بر روی این وبسایت قرار بدهد.
https://www.shortscience.org
وبسایت Arxiv Sanity
این وبسایت توسط محقق معروف هوش مصنوعی آقای Andrej Karpathy ساخته شده است و هدف آن این است که با کمترین دردسر ممکنی مقالات مرتبطی که در وبسایت arxiv.org ( که وبسایت خیلی کاربرپسندی هم نیست!) به دنبال آن ها هستیم را پیدا کنیم. به طور مثال، در Arxiv Sanity می توانیم مجموعه مقالاتی که بیشترین شباهت با یک مقاله مدنظر ما را دارند به ترتیب شباهت پیدا کنیم ( این کار به وسیله یک الگوریتم tf-idf که بر روی متن کل مقالات arxiv آموزش داده شده است انجام می شود.) علاوه بر این وبسایت لیست محبوب ترین و داغ ترین مقالات منتشر شده در حوزه های مختلف هوش مصنوعی را هم در اختیار ما قرار می دهد و حتی فراتر از آن از یک سیستم پیشنهاددهنده ساده اما قدرتمند برای پیشنهاد کردن مقالات مرتبط به ما استفاده می کند.
https://www.arxiv-sanity.com
اسکریپت sotawhat
اسکریپت sotawhat یک اسکریپت نوشته شده با پایتون است که با استفاده از کلمات کلیدی که به آن می دهیم کل مخزن Arxiv را جستجو می کند و لیست مقالات مرتبط به آن کلیدواژه ها به همراه خلاصه آن ها را به ما بر می گرداند. یکی از کاربردهای این اسکریپت این هست که می توانیم پروسه جستجوی مقالات مرتبط با یک موضوع را به صورت خودکار در بیاوریم و مثلا به این اسکریپت بگوییم که عنوان و خلاصه تمامی مقالات با موضوع explainable AI را در یک فایل متنی به صورت مداوم جستجو و ذخیره کند
https://github.com/chiphuyen/sotawhat

مرکز تحقیقات هوش پارت
@partdpai

مقاله منتشر شده در IST2018 توسط محققان مرکز تحقیقات هوش پارت.
برای این عزیزان در فعالیت های آتی پژوهشیشان آرزوی موفقیت داریم.
مرکز تحقیقات هوش پارت
@partdpai