OpenCV/Обработка и распознавание изображений

Преобразование цветовой температуры (K) в RGB: алгоритм и пример кода

Если вы не знаете, что такое цветовая температура,
начните отсюда.

Работая над инструментом «Цветовая температура» для
PhotoDemon, я целый вечер пытался определить простой и понятный алгоритм преобразования между значениями температуры (в Кельвинах) и RGB. Я думал, что такой алгоритм будет просто найти, ведь во многих фоторедакторах есть инструменты для коррекции цветовой температуры, а в каждой современной камере, включая смартфоны, есть регулировка баланса белого на основе условий освещения.

Источник

Обучение и тестирование нейронных сетей на PyTorch с помощью Ignite

Привет, Хабр, в этой статье я расскажу про библиотеку ignite, с помощью которой можно легко обучать и тестировать нейронные сети, используя фреймворк PyTorch.

С помощью ignite можно писать циклы для обучения сети буквально в несколько строк, добавлять из коробки расчет стандартных метрик, сохранять модель и т.д. Ну, а для тех кто переехал с TF на PyTorch, можно сказать, что библиотека ignite — Keras для PyTorch.

В статье будет детально разобран пример обучения нейронной сети для задачи классификации, используя ignite

Источник

Xception: компактная глубокая нейронная сеть

В последние несколько лет нейронные сети пробрались во все отрасли машинного обучения, но самый большой фурор они бесспорно произвели в области компьютерного зрения. В рамках соревнований
ImageNet было представлено множество различных архитектур свёрточных сетей, которые затем разошлись по фреймворкам и библиотекам.



Чтобы улучшить качество распознавания своих сетей, исследователи старались добавлять в сети больше слоёв, однако со временем пришло понимание, что иногда ограничения производительности попросту не позволяют обучать и использовать настолько глубокие сети. Это стало мотивацией для использования depthwise separable convolutions и создания архитектуры Xception.

Если вы хотите узнать, что это такое, и посмотреть, как использовать такую сеть на практике, чтобы научиться отличать котов от собак, добро пожаловать под кат.

Источник

Обнаружение лиц на видео с помощью Movidius Neural Compute Stick

Не так давно в свет вышло устройство
Movidius Neural Compute Stick (NCS), представляющее собой аппаратный ускоритель для нейронных сетей с USB интерфейсом. Меня заинтересовала потенциальная возможность применения устройства в области робототехники, поэтому я приобрел его и задумал запустить какую-нибудь нейросеть. Однако большинство существующих примеров для NCS решают задачу классификации изображений, а мне хотелось попробовать кое-что другое, а именно обнаружение лиц. В этой публикации я хотел бы поделиться опытом, полученным в ходе такого эксперимента.

Весь код можно найти
на GitHub.



Источник

Знакомые лица: алгоритмы создания «типичного» портрета

Автор: Андрей Сорокин, Senior Developer DataArt

В конце прошлого года мы завершили R&D-проект, посвященный методам машинного зрения в обработке изображений. В результате мы создали ряд усредненных портретов IT-специалистов, работающих с разными технологиями. В этой статье я расскажу об изображениях «типичных» Java и .NET-программистов, подходящих для этого фреймворках и оптимизации процесса.

Тема машинного зрения меня интересует еще с аспирантуры — моя кандидатская была посвящена распознаванию рукописных текстов. За последние несколько лет произошли существенные изменения в методологии и программном обеспечении для машинного зрения, появились новые инструменты и фреймворки, которые хотелось попробовать. В этом проекте мы не претендовали на изобретение уникального решения — главный вклад мы внесли в оптимизацию обработки изображений.

Источник

Безопасность футбольных стадионов: некоторые неявные особенности

Пример монтажа на стадионе ЦСКА

Итальянские и английские футбольные фанаты считались самыми агрессивными. Но теперь они дома не бузят. Почему? Потому что их лишают пожизненно права посещения стадионов. Поэтому они бузят на евро, на ЧМ, во Франции. У нас тоже начинается такое: особо эмоциональные фанаты легко могут словить запрет на посещение арены на достаточно продолжительный срок.

Начну с того, что если вы набедокурите, то сотрудники безопасности стадиона заботливо занесут ваши биометрические данные лица в систему видеонаблюдения согласно законному решению суда. Когда вы в следующий раз появитесь на стадионе, вас уверенно распознают и сообщат об этом сотрудникам безопасности. Вопрос с персональными данными и свободой договора (билет — это договор) решается элегантно: на стадии «набедокурил» на вас просто подают в суд и получают заключение, с которым уже можно действовать дальше.

Вообще, есть два мифа про безопасность на стадионах:

1. Что видеонаблюдение не помогает в предотвращении преступлений.


2. И что биодетекторы — это прошлый век.

Источник

Итоги развития компьютерного зрения за один год

Часть первая. Классификация/локализация, обнаружение объектов и слежение за объектом

Этот фрагмент взят из недавней публикации, которую составила наша научно-исследовательская группа в области компьютерного зрения. В ближайшие месяцы мы опубликуем работы на разные темы исследований в области Искусственного Интеллекта  —  о его экономических, технологических и социальных приложениях — с целью предоставить образовательные ресурсы для тех, кто желает больше узнать об этой удивительной технологии и её текущем состоянии. Наш проект надеется внести свой вклад в растущую массу работ, которые обеспечивают всех исследователей информацией о самых современных разработках ИИ.

Полная публикация доступна бесплатно на нашем веб-сайте:
www.themtank.org.

Введение

Компьютерным зрением обычно называют научную дисциплину, которая даёт машинам способность видеть, или более красочно, позволяя машинам визуально анализировать своё окружение и стимулы в нём. Этот процесс обычно включает в себя оценку одного или нескольких изображений или видео. Британская ассоциация машинного зрения (BMVA)
определяет компьютерное зрение как
«автоматическое извлечение, анализ и понимание полезной информации из изображения или их последовательности».

Термин
понимание интересно выделяется на фоне механического определения зрения — и демонстрирует одновременно и значимость, и сложность области компьютерного зрения. Истинное понимание нашего окружения достигается не только через визуальное представление. На самом деле визуальные сигналы проходят через оптический нерв в первичную зрительную кору и осмысливаются мозгом в сильно стилизованном смысле. Интерпретация этой сенсорной информации охватывает почти всю совокупность наших естественных встроенных программ и субъективного опыта, то есть как эволюция запрограммировала нас на выживание и что мы узнали о мире в течение жизни.

Источник

Сравнительное тестирование Smart IDReader на 5-ти вычислительных комплексах с процессорами Эльбрус

Smart IDReader — приложение, позволяющее распознавать удостоверяющие документы на различных платформах. Различные режимы распознавания позволяют извлекать данные держателя документа из видеопотока, фотографий или сканов документов.

Сегодня мы решили рассказать вам о том как мы тестировали Smart IDReader на семействе вычислительных систем Российского производства — Эльбрус. На чем будем тестировать? Как работает распознавание документов на новой машине Эльбрус-8.4? Если интересно, идем под кат.

Источник

Время отклика компьютеров: 1977−2017

У меня гнетущее чувство, что современные компьютеры по ощущениям медленнее, чем те компьютеры, которые я использовал в детстве. Я не доверяю такого рода ощущениям, потому что человеческое восприятие доказало свою ненадёжность в эмпирических исследованиях, так что я взял высокоскоростную камеру и измерил время отклика устройств, которые попали ко мне за последние несколько месяцев. Вот результаты:

Компьютер Отклик

(мс) Год Тактовая

частота Кол-во

транзисторов Apple 2e 30 1983 1 МГц 3,5 тыс. TI 99/4A 40 1981 3 МГц 8 тыс. Haswell-E
165 Гц 50 2014 3,5 ГГц 2 млрд Commodore Pet 4016 60 1977 1 МГц 3,5 тыс. SGI Indy 60 1993 0,1 ГГц 1,2 млн Haswell-E
120 Гц 60 2014 3,5 ГГц 2 млрд ThinkPad 13
ChromeOS 70 2017 2,3 ГГц 1 млрд iMac G4
OS 9 70 2002 0,8 ГГц 11 млн Haswell-E
60 Гц 80 2014 3,5 ГГц 2 млрд Mac Color Classic 90 1993 16 МГц 273 тыс. PowerSpec G405
Linux
60 Гц 90 2017 4,2 ГГц 2 млрд MacBook Pro 2014 100 2014 2,6 ГГц 700 млн ThinkPad 13
Linux chroot 100 2017 2,3 ГГц 1 млрд Lenovo X1 Carbon 4G
Linux 110 2016 2,6 ГГц 1 млрд iMac G4
OS X 120 2002 0,8 ГГц 11 млн Haswell-E
24 Гц 140 2014 3,5 ГГц 2 млрд Lenovo X1 Carbon 4G
Win 150 2016 2,6 ГГц 1 млрд Next Cube 150 1988 25 МГц 1,2 млн PowerSpec G405
Linux 170 2017 4,2 ГГц 2 млрд Пакет вокруг света 190 PowerSpec G405
Win 200 2017 4,2 ГГц 2 млрд Symbolics 3620 300 1986 5 МГц 390 тыс.

Источник

Сверточная сеть на python. Часть 3. Применение модели

Это заключительная часть статей о сверточных сетях. Перед прочтением рекомендую ознакомиться с
первой и
второй частями, в которых рассматриваются слои сети и принципы их работы, а также формулы, которые отвечают за обучение всей модели. Сегодня мы рассмотрим особенности и трудности, с которыми можно столкнуться при тестировании вручную написанной на python сверточной сети, применим написанную сеть к датасету MNIST и сравним полученные результаты с библиотекой tensorflow.

Источник

Рубрика «Читаем статьи за вас». Октябрь — Ноябрь 2017

Привет, Хабр! По традиции, представляем вашему вниманию дюжину рецензий на научные статьи от членов сообщества Open Data Science из канала #article_essense. Хотите получать их раньше всех — вступайте в сообщество ODS!

Статьи выбираются либо из личного интереса, либо из-за близости к проходящим сейчас соревнованиям. Напоминаем, что описания статей даются без изменений и именно в том виде, в котором авторы запостили их в канал #article_essence. Если вы хотите предложить свою статью или у вас есть какие-то пожелания — просто напишите в комментариях и мы постараемся всё учесть в дальнейшем.

Статьи на сегодня:

Источник

Эволюция «img»: Gif без формата GIF

tl;dr

• GIF — это круто, но в плане качества и производительности они ужасны.


• Замена GIF на video хорошая идея, но есть недостатки: они не подгружаются предварительно, используют range запросы.


• Сегодня вы можете использовать img src =".mp4" в Safari Technology Preview.


• Предварительные результаты показывают, что mp4s в тегах отображаются в 20 раз быстрее и декодируются в 7 раз быстрее, чем GIF-эквивалент — в дополнение к тому, что размер файла равен 1/14!


• Фоновые CSS-видео и адаптивные видео теперь могут быть «вещью».


• Наконец, синемаграфы будут без недостатков GIF.


• Теперь мы ждем, когда другие браузеры пойдут следом: этот пост весит — 46 МБ на Chrome, и всего 2 МБ в Safari TP.

Особая благодарность: Эрику Портису, Джеку Ноблу, Джону Дэвису, Дорону Шерману и Йоаву Вайсу.

Источник

Капсульные сети от Хинтона

27 октября 2017 года появилась
статья доктора Джофри Хинтона с соавторами из Google Brain. Хинтон — более чем известный ученый в области машинного обучения. Он в свое время разработал математику обратного распространения ошибок, был научным руководителем Яна Лекуна — автора архитектуры сверточных сетей.

Хоть презентация была достаточно скромная, корректно говорить о революционном изменении подхода к искусственным нейронным сетям (ИНС). Назвали новый подход «капсульные сети». Пока в российском сегменте интернета мало информации о них, поэтому восполню этот пробел.

Источник

Можно ли запихнуть распознавание номеров в любой тамагочи?

Про распознавание номеров мы рассказываем на Хабре давным давно. Надеюсь даже интересно. Похоже настало время рассказать как это применяется, зачем это вообще нужно, куда это можно запихнуть. А самое главное — как это изменяется в последние годы с приходом новых алгоритмов машинного зрения.



Источник

Биороботы нашего времени — избавляемся от рутины вместе с Telegram. Реальный кейс без фантазий

В интернетах не прекращается хайп вокруг чат-ботов — в частности Telegram — благодаря шуму в СМИ, неоспоримых достоинствах платформы, политике продвижения, средствам разработки и т.д.

Смотришь новости: ну
жизни нет без чат-ботов!

Да если их не будет — поезда с рельс сойдут, упадут самолеты, погибнут люди от тоски, когда не смогут найти картинки с котиками.

Но давайте положим руку на сердце: когда последний раз вы что-то заказывали в интернет магазине
через чат-бот?

Кто все эти люди, которые заказывают разработку ботов для своих магазинов?

Типичный чат-бот магазина Vasya Limited:

>> автоматизирует поток водопад заявок из
5 человек в день.

>> сливает 4 из 5 заявок, кровью добытых через Яндекс-Директ

>> если повезет — человек найдет номер телефона и позвонит

>> но вероятней всего «Эээ — куда жать?»- закроет и уйдет гуглить дальше.

Чем занят владелец, когда продажи «автоматизированы»:

>> вносит заказы в excel таблицу

>> заполняет почтовые бланки на посылках

>> стоит в очереди на почте с кучей посылок (каждый день!)

>> вносит трек номера в excel таблицу, затем рассылает клиентам

Может хватит на ровном месте встраивать «технологии» туда, где действительно нужен человек, в то время как люди загружены рутиной для роботов?

Источник