Air Force recruiting breaks Guinness World Records title with virtual pastime during pandemic
去年，当世界关闭，人们在 COVID-19 大流行期间把自己关在家里时，肩负着激励和吸引下一代人重任的空军人员发现了展示美国空中力量和主宰像素空间的新方法。令他们惊讶的是，他们的招募工作为空军赢得了最大的在线拼图吉尼斯世界纪录称号。
摘要：神经网络（NN）擅长解决监督学习领域的一些复杂的非线性问题。这些网络的一个突出应用是图像分类。过去几十年的大量改进提高了这些图像分类器的能力。然而，神经网络仍然是解决图像分类和其他复杂任务的黑匣子。进行的许多实验研究了神经网络如何解决这些复杂的问题。本文拆解了特定材料分类器的神经网络解决方案，结合了卷积层。使用多种技术来研究该问题的解决方案。这些技术专门关注哪些像素对神经网络做出的决策有贡献，以及每个神经元对决策的贡献。本次调查的目的是了解神经网络的决策过程，并利用这些知识对材料分类算法提出改进建议。
摘要：神经网络（NN）擅长解决监督学习领域的一些复杂的非线性问题。这些网络的一个突出应用是图像分类。过去几十年的大量改进提高了这些图像分类器的能力。然而，神经网络仍然是解决图像分类和其他复杂任务的黑匣子。进行的许多实验研究了神经网络如何解决这些复杂的问题。本文拆解了特定材料分类器的神经网络解决方案，结合了卷积层。使用多种技术来研究该问题的解决方案。这些技术专门关注哪些像素对神经网络做出的决策有贡献，以及每个神经元对决策的贡献。本次调查的目的是了解神经网络的决策过程，并利用这些知识对材料分类算法提出改进建议。
#110 – Jitendra Malik: Computer Vision
Jitendra Malik 是伯克利大学的教授，也是计算机视觉领域的开创性人物之一，无论是深度学习革命之前还是之后。他的文章被引用超过 180,000 次，并指导了许多世界级的计算机科学研究人员。通过支持我们的赞助商来支持这个播客：- BetterHelp：http://betterhelp.com/lex- ExpressVPN：https://www.expressvpn.com/lexpod如果您想获取有关此播客的更多信息，请访问 https://lexfridman.com/ai 或在 Twitter、LinkedIn、Facebook、Medium 或 YouTube 上与 @le
摘要：强大的计算平台与深度学习架构的结合带来了解决许多传统计算机视觉问题的新方法，以便自动解释大型且复杂的地理空间数据。随着数据的广泛获取和无人机系统的使用越来越多，此类任务尤为重要。本文档介绍了一个工作流程，利用 CNN 和 GPU 对 UAS 图像进行自动像素级分割，以加快图像处理速度。在多核 GPU 上探索基于 GPU 的计算和并行化，以减少开发时间，减少对大量模型训练的需求，并促进任务关键信息的利用。比较不同系统（单、虚拟、多 GPU）之间的 VGG-16 模型训练时间，以研究每个平台的功能。 CNN 结果显示，应用于地面实况数据时，准确率为 88%。将 VGG-16 模型与 GPU
计算机视觉中 GAN 的第三篇文章系列 - 我们遇到了一些最先进的训练概念，例如 Wasserstein 距离，在 GAN 训练中采用了博弈论方面，并研究了增量/渐进式生成训练以达到百万像素分辨率。
摘要：尺度或空间分辨率在解释遥感图像或其他地理空间相关数据的空间结构中起着关键作用。这些数据是在不同的空间尺度上提供的。确定最佳样本或像素大小可以有利于需要不同分辨率的多个数据集的信息提取的地理空间模型和环境算法。为了解决这个问题，对空间分辨率的多个比例因子进行了分析，以确定地理空间数据集的最佳样本大小。在 ERDC-GRL 的 NET-CMO 项目下，开发并实施了一种新方法，用于确定具有不同和异构空间结构的图像的最佳像素大小。局部空间色散的应用被研究为在重采样图像空间中优化的三维函数。图像被重新采样到逐渐变粗的空间分辨率并堆叠以创建一个图像空间，在该图像空间内映射像素级色散最大值。计算与局部
PUBLICATION NOTICE: Spatial Downscaling Disease Risk Using Random Forests Machine Learning
链接：http://dx.doi.org/10.21079/11681/35618报告编号：ERDC/GRL TN-20-1标题：使用随机森林机器学习空间降尺度疾病风险 作者：Sean P. Griffin 已批准公开发布；分发不受限制 2020 年 2 月目的：对于国防部 (DoD) 以及更广泛的国内和国际公共卫生界来说，蚊媒疾病都是一个重大的公共卫生问题。需要彻底掌握这些疾病的空间分布、模式和决定因素，才能真正了解它们对公共卫生造成的威胁（Pages et al. 2010）。这些信息即使有，通常也只是在次国家到区域范围内。当疾病表现出较高的局部变异时，此类数据无法满足战术级应用（Rytk
在图像分割中，图像的每个像素都被分配一个类别。根据应用，类别可以是不同的细胞类型；或者任务可以是二进制的，如“癌细胞是或否？”。无论应用领域如何，首选的既定神经网络架构都是 U-Net。在这篇文章中，我们展示了如何预处理数据并在 Kaggle Carvana 图像分割数据上训练 U-Net 模型。
U.S. Recession Watch: The Six-Cycle Forecast (Intro)
站得太近通常不是一个好主意——无论是一个物体、一个你想解决的问题还是其他任何东西——这可能意味着看到所有的像素，但看不到任何图案。这就是为什么我们在相册、相框和节日贺卡上填充鸟瞰图和一览无余的远景。这就是为什么 […]
Gavin Miller 是 Adobe Research 的负责人。30 多年来，Adobe 一直致力于通过 Photoshop、Illustrator、Premiere、After Effects、InDesign、Audition 等处理图像、视频和音频的软件，为所有从事数字媒体工作的艺术家、设计师和创意人才提供支持。Adobe Research 致力于定义这些产品的未来发展，让创意人员的生活更轻松，自动执行繁琐的任务，并让他们有更多时间在创意空间而不是像素空间中工作。这是过去十年的尖端深度学习方法比其他任何应用程序都更能发光的地方。Gavin 是技术与创造力相结合的化身。在 Ado
Understanding Convolutional Neural Networks (CNN) with an example
完成 Coursera 深度学习专业课程 #4 后，我想写一个简短的总结来帮助大家理解/复习卷积神经网络 (CNN) 的概念。让我们通过一个例子来理解 CNN - 图 1。CNN 示例 - 来源：Coursera DL Specialization假设您有一个 32x32 的图像，其中包含从 0 到 10 的数字，具有 3 个通道 (RGB)。您将它通过第一个卷积层 (CL1) 中大小为 f 的过滤器。过滤器的输出图像的大小是多少？输出图像的大小通过以下公式计算：来源：Medium 在我们的例子中，假设填充为 0 且步幅为 1。上述公式得出图像的高度和宽度的输出大小均为 28x28。好吧，这是
Complexity of Linear Regression related to Neural Networks
Udacity 深度学习课程的作业 #1 让你了解到，逻辑多项式（线性）回归模型可能无法提供非 MNIST 数据集分类问题所需的最佳准确度。让我们将逻辑多项式模型视为一种算法，并尝试计算它的复杂度。这里要考虑的两个参数是 W - 权重矩阵和 b - 具有 1 层的偏差矩阵。想象一下，输入图像是 28x28 图像，输出是 10 类向量。输入图像将被拉伸为输入到每个单元的单个像素。这使得输入层尺寸为 28x28。参数 W 的尺寸变为 (28x28)x10，它被添加到 10x1 偏差矩阵中。参数总数为：28x28x10+10 = (N+1)*K，其中 N 是输入数，K 是输出数。另一种理解方式是 -
Искусственный интеллект теперь устраняет цифровой шум, глядя на фотографии с шумом (+видео)
如果您可以自动消除在弱光条件下拍摄的照片中的噪点和伪影，结果会怎样？或者您想去除照片库中图像的颗粒和像素化吗？
«Исцеляющая кисть» на основе ИИ успешно восстановит изображение (+видео)
Photoshop 的修复画笔工具可以使用附近的像素来修复图像或删除对象。但是如果周围没有足够的像素来填充间隙怎么办？
Stop Sitting On All That Data & Do Something With It ⚙️
请将您的数据提供给机器。人工智能正在将数据需求提升到一个新的水平。📈假设您可以访问 5,000 张被正确诊断患有某种特定类型癌症（A 型）的患者的 X 射线图像。今天，使用这些数据来训练机器人在新患者中检测出这种癌症出奇地容易。要构建这个机器人，您需要构建一个由神经网络驱动的图像分类器，而 5,000 张 X 射线图像将是您的训练数据集。您将再添加 5,000 张没有癌症的患者的 X 射线，这样分类器就会同时拥有健康和受影响的 X 射线的示例。本质上，这个图像分类器机器人会使用图像梯度在像素级别寻找常见模式，并使用一种广泛使用的机器学习算法（称为反向传播）将该模式与 A 型癌症相关联。请注意，
Высококачественное видео из интернета с минимальной буферизацией (+видео)
在观看 YouTube 视频时，我们都必须处理一些不愉快的事情，例如图片突然像素化或完全停止加载缓冲区。发生这种情况是由于特殊算法的特殊性，该算法将视频分成小块，并在观看时下载。
