وقتی استاد میگه جواب تو کتابه...

#fun

این روش از اصول فیزیکی الکترواستاتیک الهام گرفته شده است!
💻 Algorithm: https://lnkd.in/eyT2M8U5
🧠 The Model: https://lnkd.in/efu_RMFJ
👉 Results: https://lnkd.in/eK8j6Yn7

Tracking Any Pixel in a Video

💻Code: https://github.com/aharley/pips/
🗒Blog: https://blog.ml.cmu.edu/2022/09/09/tracking-any-pixel-in-a-video/
📝Paper: https://arxiv.org/abs/2204.04153

A repository for storing models that have been inter-converted between various frameworks. Supported frameworks are TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.

https://github.com/PINTO0309/PINTO_model_zoo

تنسرفلو نسخه 2.10 هفته ی پیش رلیز شد:

https://github.com/tensorflow/tensorflow/releases

آیا میتوان تنسرفلو را روی CPU با سرعت بالاتر اجرا کرد؟!

اگر GPU ندارید و میخواید تو کامپیوترتون با CPU کار کنید؛ معمولا تفاوت سرعت زیادی بین استفاده از پکیج های آماده ای که با pip install یا ابزارهای مشابه نصب میکنید با روش build کردن وجود داره. دلیل این تفاوت برای اینه که اغلب CPUهای جدید عملیات سطح پایین در کنار عملیات عادی ریاضی را تحت عنوان افزونه یا extensions پشتیبانی میکنند. (اطلاعات بیشتر). برای نمونه AVX عملگری تحت عنوان FMA معرفی کرده که کارهای جبر خطی، ضرب نقطه ای, ضرب ماتریسی و کانولوشن را خیلی سریعتر انجام می‌دهد. از آنجایی که در کاربردهای شبکه عصبی و ماشین لرنینگ از این عملیات خیلی استفاده میگردد، میتونید با فعال کردن این قابلیت افزایش سرعت 300 درصدی را انتظار داشته باشیم.
حالا از اونجایی که این پکیج های آماده بدون CPU extensions بیلد (build) میشند قابلیت هایی نظیر AVX, AVX2, و FMA را ندارند تا بتووند تقریبا روی هر CPUیی کار کنند، اما خب با سرعت کمتر کار میکنند!
حالا Intel اومده پکیج آماده ی ویندوزی با AVX پیش فرض فعال build کرده که اگر کاربر ویندوز هستید و حال build کردن را ندارید خیلی راحت استفاده کنید.
https://software.intel.com/en-us/articles/intel-optimization-for-tensorflow-installation-guide#Anaconda_main_win

با این دستور قاعدتا باید بتونید با کوندا نصبش کنید:
conda install tensorflow-mkl

البته این توضیحات برای وقتیه که هنوز از تنسرفلو 1 استفاده میکنید به دلایلی؛ معمولا تو نسخه های جدید روی AVX دیگه prebuild داده میشه و به همین دلیل روی یه سری CPUها نصب نمیشه و باید خودتون بیلد کنید.

در کل رو CPU میرزه بیلد کنید

بزرگوارن کسی دیتاستهای زیرو قبلا درخواست داده که الان داشته باشه؟

CASIA_MFSD
Replay attack
MSU_MFSD

#خبر

🔹محققان دانشگاه کمبریج یک اپ موبایل مبتنی بر هوش مصنوعی به نام «COVID19 Sounds» را توسعه داده‌اند که می‌تواند با دریافت برخی سوابق پزشکی و تنها با استفاده از صدای کاربر با دقت ۸۹ درصد ابتلا به کرونا را به سرعت تشخیص دهد.
🔹لازم است کاربران اطلاعاتی در مورد سوابق پزشکی، وضعیت سیگار کشیدن و برخی مشخصات دیگر را وارد این برنامه کرده و صدای خود اعم از صدای سرفه و خواندن چند جمله کوتاه را ضبط کنند. این اپلیکیشن با استفاده از هوش مصنوعی، از روی این داده‌ها و خصوصا صدای کاربران می‌تواند ابتلا به کرونا را با دقت بالایی تشخیص دهد.

————————-
مجموعه دانش بنیان شناسا ( داده پویان آلما):
http://shenasa.ai
http://shenasa-ai.ir
@shenasa_ai

Most brain like ANNs.
اخیرا در آزمایشگاه‌های علوم اعصاب، به پیاده سازی و آموزش شبکه‌های یادگیری عمیقی پرداخته می‌شود که می‌توانند همانند انسان رفتار کنند و تصاویر را ببینند؛ از این رو مرجعی برای مقایسه و معرفی برترین مدل‌های منتشر شده در نظر گرفته شده است.
http://www.brain-score.org/#about

آزمایشگاه decarlo یکی از پیشروهای این حوزه می‌باشد و مدل‌های CORnet را منتشر کرده‌اند.
https://github.com/dicarlolab/CORnet

#fun
This is the situation of some of the journals.

ASR2K: Speech Recognition for Around 2000 Languages Without Audio!!!

https://medium.com/syncedreview/cmus-asr2k-pipeline-recognizes-speech-in-1909-languages-without-audio-5b1b9ec71bf0

https://github.com/xinjli/asr2k

نمونه ویدیو از کورس opencv
ضبط کورس تمام شده و به زودی و پس از تکمیل تدوین منتشر خواهد شد...

ویدیوهای کورس CS25 دانشگاه استنفورد با موضوع Transformer را که قبلا معرفی کردم در یک فایل زیپ برای دانلود راحت تر قرار دادم:

https://drive.google.com/file/d/1LcPNOz3Qo5uz8vOUNZ3wqjg1Rxdg-rrO/view?usp=sharing

پاسخ یان لکان در سوالی که پرسیده بود:
"مهم ترین پیشرفت ها (ایده های جدید) در هوش مصنوعی در ده سال گذشته چیست؟"

1. Self-Supervised Learning
2. ResNets (not intellectually deep, but useful)
3. Gating -> Attention -> Dynamic connection graphs.
4. Differentiable memory.
5. Permutation-equivariant modules, e.g. multihead self-attention -> Transformers.

https://twitter.com/ylecun/status/1570430703619153921

موافقید؟

اسلایدهای ترنسفورمر در ارائه ی Lucas Beyer از محققان GoogleAI Brain

https://docs.google.com/presentation/d/1ZXFIhYczos679r70Yu8vV9uO6B1J0ztzeDxbnBxD1S0/edit#slide=id.g13dd67c5ab8_0_9

بزرگوارن کسی قبلا دیتاستهای زیرو درخواست داده؟

دوستانی که دیتاست های agreement دارو درخواست دادند حتما درجریانند که حتی با ایمیل دانشگاهی معتبر و توضیحات کامل گاهی اعطای دسترسی تا چندماه ممکنه طول بکشه.

فلذا دوستانی که قبلا دسترسی گرفتند ممنون میشم لطف کنند...

CASIA_MFSD
Replay attack
MSU_MFSD

تمامی این دیتاست ها مربوط به face anti spoofing، یعنی شناسایی واقعی بودن چهره ی یک فرد پشت وبکم است، که مثلا به جای فرد دیگر در سامانه های مبتنی بر بایومتریک چهره آنلاین، مثل بانکداری الکترونیک، بورس و ... لاگین نکنند...

Lightweight Python library for adding real-time multi-object tracking to any detector.
https://github.com/tryolabs/norfair

Yolo7+Nofair demo:
https://huggingface.co/spaces/tryolabs/norfair-demo

@cvision