Наиболее интересные новости из пяти почтовых рассылок. Новые технологии, идеи по применению и гипотезы.
- Пограничники и охрана территорий, сидят за огромным монитором, на котором изображения от IP-камер. Результативно следить за всеми картинками в течение 6-8 часов физически невозможно. Большой помощью в такой работе будет система распознавания и детектирования: людей, машин, предметов. Сюда же относятся домашние системы безопасности и обнаружение объектов в реальном времени с камер наблюдения.
- Управление шлагбаумом с помощью Arduino (аналог Raspberry Pi). Интересно, что будет, если подойти к шлагбауму с нарисованным на картоне номером?
- Вместо шлагбаума эмоции посетилелей, сотрудников, прохожих. Распознавание изображений лиц через мобильные приложения. Обнаружение и отслеживание предметов. Современные системы отслеживания объектов (object tracking) также используют нейросети (Regression Networks и т.д.).
- Робот-танк на Raspberry Pi с Intel Neural Computer Stick 2. Аналогичная разработка выглядит впечатляюще для 2016 года.
- Детектор дыма для пожарной сигнализации.
- Распознавание товаров на полках с помощью нейронных сетей на технологиях Keras и Tensorflow Object Detection API. Система автоматических рассчетов в магазине.
- Решение математических уравнений.
- Оценка местности: площадь домов, количество бассейнов, наличие автомобилей и т.д.
- Наблюдение за животными в доме и в дикой природе. Определение заболеваний растений для фермеров.
- Управление устройствами и процессами движением рук.
- Мод для автомобиля Tesla под названием Surveillance Detection Scout, с помощью которого автомобиль Tesla превращается в платформу видеонаблюдения на колесах. Он распознает номера машин на дороге и лица людей в реальном времени. Презентация технологии. В ней хакер объясняет, что систему можно использовать в различных целях: как для разведки, так и для контрразведки. Например, если система часто замечает один и тот же автомобильный номер или одного и того же человека, то хозяину отправляется сообщение о подозрительной активности.
- В московской компании Deep Systems сделали робо-мобиль еще в 2017 году. Последняя их разработка: автоматическая сегментация с помощью нейросетей хорошо обрабатывает волосы, помощь фотошоперу и разметчику баз данных.
- Автоматическая сегментация с помощью нейросетей По моему субъективному мнению, примерно в 8-10 раз быстрее ручной разметки. Для ускорения работы все следует сегментировать только нейросетями.
- Перевод изображения в текст и текст в изображение (с помощюь GAN-сетей, Generative Adversarial Network).
- Бесплатные веб-приложения для передачи стиля (neural style transfer): algorithmia.com, deepart.io, deepdreamgenerator.com. С помощью них сгенерировал картинки к статье.
- Теперь каждый может танцевать.
- Что такое Neuralink? Давно хотел узнать, над чем работает Илон Макс, но как-то руки не добегали.
- Реконструкция 3D объекта по видеокардам. Давняя задача, над которой работают много людей. Кстати, разметка у этих исследователей полуавтоматическая с помощью суперпикселей.
- Визуализация и симуляция атомарных структур с помощью CUDA. Красиво и полезно.
- Визуализация датасетов через Google FACETS, статья. Приложение работает только в браузере Chrome. Поэтому эту ссылку на Google Colab открывайте только в Chrome. Другие приложения для визуализации данных тут.
- В статье Satellite Imagery Analysis with Python приводится интересная идея: в бочках с нефтью (нефтехранилищах) верхняя крышка двигается вверх-вниз. Значит по положению крышки можно определить запасы нефти на нефтехранилище. На спутниковых снимках берутся бочки с нефтью и по теням от кромок бочек обучается нейронная сеть, которая затем делает оценку запасов нефти на нефтехранилище. Компания OrbitalInsight уже реализовала этот функционал.
- Десять хаков для более эффективной работы в Jupyter Notebook: 10 Simple hacks to speed up your Data Analysis in Python.
- Не совсем по теме нейросетей… но ответ на «Главный вопрос жизни, вселенной и всего такого» не 42 (в двоичной системе 101010), а 44 (101100 в двоичной системе). «Доказательство» находится в видео «Why do prime numbers make these spirals?». Ошибку +2 можно считать погрешностью глубокой нейронной сети Deep Thought из научно-фантастического рассказа Дугласа Адамса 1979 года.
Спасибо за внимание!
