Статьи по теме deep-learning

Публикации по теме 'deep-learning'

Понимание глубокого обучения

Как и мозг, сети ИИ состоят из нейронов — конечно, виртуальных нейронов. Когда эти нейроны взаимодействуют, они запускают нейроны следующего слоя. Во время машинного обучения некоторые нейронные связи усиливаются или ослабевают, чтобы компьютеры могли узнать, например, что собака — это собака. Когда процесс обучения достаточно интенсивен, компьютер может отличить собаку так же, как и человека. Переход от таких простых примеров к более широким концептуальным проектам — это..

Чтение статьи (CVPR’23): Адаптация с динамическим управлением экземплярами: подход без обратного подхода для…

Обобщение предметной области — важная тема в глубоком обучении, поскольку реальные данные открытого мира всегда намного сложнее, чем собранный фиксированный обучающий набор, независимо от того, насколько велик обучающий набор. Например, если модель автономного вождения обучается на наборе данных «нормальных» ситуаций, мы хотели бы, чтобы модель работала как можно стабильнее в «менее нормальных» сценариях, таких как ночь и дождливые дни, или в «экстремально нормальных» сценариях. например,..

Генеративный захват ИИ 2023!!!

Почему в 2023 году генеративный ИИ будет повсюду? Почему не раньше? Генеративный ИИ — это ветвь искусственного интеллекта, которая фокусируется на создании нового контента или данных с нуля, таких как текст, изображения, музыка, код и т. д. Генеративный ИИ революционизирует создание контента и инновации в нескольких областях благодаря своим расширенным возможностям. Есть некоторые факторы, способствующие росту генеративного ИИ в 2023 году, такие как глубокое обучение, доступность..

Как работают модели сегментации чего угодно, часть 6 (машинное обучение)

Модель Segment Anything (SAM) для приложений дистанционного зондирования: от нуля до одного выстрела (arXiv) Автор: Лукас Прадо Оско , Цюшэн Ву , Эдуардо Лопес де Лемос , Уэсли Нуньес Гонсалвес , Ана Паула Маркес Рамос , Джонатан Ли , Хосе Маркато Жуниор . Аннотация: Сегментация является важным этапом обработки изображений дистанционного зондирования. Целью данного исследования является продвижение применения модели Segment Anything Model (SAM), инновационной модели сегментации..

Работа с моделями долговременной кратковременной памяти, часть 4 (Машинное обучение, 2023 г.)

Планирование движения транспортного средства с учетом рисков с использованием байесовского прогнозирующего управления на основе модели LSTM (arXiv) Автор: Юфэй Хуан , Мохсен А. Джафари . Аннотация: Понимание вероятностной дорожной среды является жизненно важной задачей для планирования движения автономных транспортных средств. Чтобы принимать выполнимые решения по управлению, прогнозирование будущих траекторий соседних автомобилей необходимо для интеллектуальных транспортных средств,..

Читать популярные исследовательские работы Каждый специалист по обработке и анализу данных должен знать

ЕЖЕНЕДЕЛЬНЫЕ ПУБЛИКАЦИИ: https://papers.labml.ai/papers/weekly ЕЖЕДНЕВНЫЕ ЖУРНАЛЫ: https://papers.labml.ai/papers/daily/ ЕЖЕМЕСЯЧНЫЕ ПУБЛИКАЦИИ: https://papers.labml.ai/papers/monthly/ проверьте мой репозиторий для более подробной информации GitHub — achuthasubhash/Complete-Life-Cycle-of-a-Data-Science-Project… МОТИВАЦИЯ: Мотивация создать этот репозиторий, чтобы помочь будущим претендентам и помочь другим в области науки о данных… github.com..

Как далеко мы продвинулись с моделями скрытой диффузии, часть 3 (машинное обучение)

SDXL: улучшение моделей скрытой диффузии для синтеза изображений с высоким разрешением (arXiv) Автор: Дастин Поделл , Сион Инглиш , Кайл Лейси , Андреас Блаттманн , Тим Докхорн , Джонас Мюллер , Джо Пенна , Робин Ромбах . Аннотация: Мы представляем SDXL, модель скрытой диффузии для синтеза текста в изображение. По сравнению с предыдущими версиями Stable Diffusion SDXL использует в три раза большую магистраль UNet: увеличение параметров модели в основном связано с большим..