6DRepNet: 6D Rotation representation for unconstrained head pose estimation

Статейка о распознавании 3D позы головы в дикой природе. Основной трюк метода в "удобном для нейросети" 6D представлении матрицы поворота.

Есть репозиторий с кодом, весами и демкой для веб -камеры.

https://github.com/thohemp/6DRepNet


👉 @bigdata_1

You Only 👀 One Sequence

Rethinking Transformer in Vision through Object Detection

Github: https://paperswithcode.com/paper/you-only-look-at-one-sequence-rethinking

Dataset: https://paperswithcode.com/dataset/imagenet

Paper: https://arxiv.org/abs/2106.00666

👉 @bigdata_1

🌏 The FLORES-101 Evaluation Benchmark for Low-Resource and Multilingual Machine Translation

Github: https://github.com/facebookresearch/flores

Paper: https://ai.facebook.com/research/publications/the-flores-101-evaluation-benchmark-for-low-resource-and-multilingual-machine-translation

Facebook blog: https://ai.facebook.com/blog/the-flores-101-data-set-helping-build-better-translation-systems-around-the-world/

👉 @bigdata_1

Приложения искусственного интеллекта: возможности и сферы применения

С помощью компьютерных технологий и программных кодов нам удалось достичь невозможного  —  создать подобие человеческого интеллекта. Теперь искусственный разум все глубже проникает в нашу повседневную жизнь. Поговорим о будущем ИИ и его колоссальном потенциале.

👉 @bigdata_1

А мы уже приступили к подготовке HighLoad++ 2022 в Москве (24 и 25 ноября)!

Чтобы сделать по-настоящему крутую конференцию, Программный комитет московского HighLoad++ приглашает вас на встречи с активистами и докладчиками. После долгого перерыва мы снова проводим такие встречи оффлайн!

- 4 августа в 19:00 встречаемся в Петербурге, в офисе Selectel, ул. Цветочная, д. 19. Зарегистрироваться на встречу: https://bx.vc/939ktb

- 9 августа в 19:00 ждём вас в Москве, в офисе Авито на ул. Лесной, д. 7 (15 этаж). Регистрация здесь: https://bx.vc/8kxoeb

- Что будем делать:

— Расскажем, куда движется HighLoad++ сейчас. Вспомним, что было: краткий обзор топовых докладов и тем, посещаемость, интересы аудитории.
— Вместе с вами устроим мозгоштурм. Наметим то, что сейчас важнее всего раскрыть в рамках HighLoad++ 2022 — темы, технологии, проблемы.
— Пообщаемся на сопряженные темы: обсудим идеи, запитчим доклады, подумаем «друг об друга».
— А ещё напитки, закуски и общение — все благодаря нашим добрым друзьям-хостам.

Эффективное итерирование по строкам в Pandas DataFrame

Начиная заниматься машинным обучением, я следовал рекомендациям и создавал собственные характеристики, комбинируя несколько столбцов в наборе данных. И делал я это ужасно неэффективно, теряя по несколько минут на самые простые операции. Далее

👉 @bigdata_1

Битва 4 инструментов визуализации данных на языке Python

Визуализация данных играет решающую роль в аналитике, поскольку позволяет пользователям и клиентам просматривать огромные объемы данных, извлекая из них ценные идеи для бизнес-продвижения.

Пользователям Python предлагается большой выбор различных инструментов визуализации, включая Matplotlib, Seaborn и другие. Однако лишь некоторые из этих инструментов используют метод Python и включают интерактивные диаграммы. Конкретные примеры помогут увидеть различия между Matplotlib, Seaborn, Plotly и Pyecharts.

👉 @bigdata_1

DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification

Project: https://dynamicvit.ivg-research.xyz/

Github: https://github.com/raoyongming/DynamicViT

Paper: https://arxiv.org/abs/2106.02034

👉 @bigdata_1

NGBoost: Natural Gradient Boosting for Probabilistic Prediction

Github: https://github.com/stanfordmlgroup/ngboost

Slides: https://drive.google.com/file/d/183BWFAdFms81MKy6hSku8qI97OwS_JH_/view

Paper: https://arxiv.org/abs/2106.03823v1

👉 @bigdata_1

TFace: A trusty face recognition research platform

Github: https://github.com/Tencent/TFace

Paper: https://arxiv.org/abs/2106.05519v1

👉 @bigdata_1

Как выжать максимум из предобученных языковых моделей с GroupBERT

BERT — сегодня это одна из самых популярных и универсальных моделей ИИ. Однако из-за зависимости от операций слоя dense, точность и гибкость этой модели сопряжены с высокими вычислительными затратами. Далее

👉 @bigdata_1

Microsoft's FLAML - Fast and Lightweight AutoML

Github: https://github.com/microsoft/FLAML

Code: https://github.com/microsoft/FLAML/tree/main/notebook/

Paper: https://arxiv.org/abs/2106.04815v1

👉 @bigdata_1

Graph Transformer Networks: Learning Meta-path Graphs to Improve GNNs

Github: https://github.com/seongjunyun/Graph_Transformer_Networks

Paper: https://arxiv.org/abs/2106.06218v1

Dataset: https://github.com/Jhy1993/HAN

👉 @bigdata_1

Алгоритм MIT для беспилотников предсказывает траектории объектов

https://news.mit.edu/2022/machine-learning-anticipating-behavior-cars-0421

👉 @bigdata_1

A Bayesian Analysis of Lego Prices in Python with PyMC3

https://austinrochford.com/posts/2021-06-10-lego-pymc3.html

Lego Price Analysis: https://austinrochford.com/posts/2021-06-03-vader-meditation.html

👉 @bigdata_1

Facebook's Reverse engineering generative models from a single deepfake image

Github: https://github.com/vishal3477/Reverse_Engineering_GMs

Paper: https://arxiv.org/abs/2106.07873

Facebook's blog: https://ai.facebook.com/blog/reverse-engineering-generative-model-from-a-single-deepfake-image/

Dataset: https://drive.google.com/drive/folders/1ZKQ3t7_Hip9DO6uwljZL4rYAn5viSRhu?usp=sharing

👉 @bigdata_1

Краткое руководство по созданию наборов данных с помощью Python

Если вам когда-нибудь приходилось собирать данные о своих пользователях, вы знаете, насколько это сложно. Так почему бы не попытаться создать свой собственный набор данных?

В этой статье я опишу простой процесс сбора пользовательских данных, который можно реализовать менее чем за час. Это позволит вам легко собирать и хранить пользовательские данные.

👉 @bigdata_1

Pysentimiento: A Python toolkit for Sentiment Analysis and Social NLP tasks

Github: https://github.com/pysentimiento/pysentimiento

Paper: https://arxiv.org/abs/2106.09462

English model: https://huggingface.co/finiteautomata/bertweet-base-sentiment-analysis

👉 @bigdata_1

Advancing computer vision research with new Detectron2 Mask R-CNN baselines

Facebook Ai: https://ai.facebook.com/blog/advancing-computer-vision-research-with-new-detectron2-mask-r-cnn-baselines/

Code: https://github.com/facebookresearch/detectron2/blob/master/MODEL_ZOO.md#new-baselines-using-large-scale-jitter-and-longer-training-schedule

Tensorflow implementation: https://github.com/tensorflow/tpu/tree/master/models/official/detectiona

👉 @bigdata_1

MASSIVE: датасет Amazon для многоязычного обучения моделей

https://www.amazon.science/blog/amazon-releases-51-language-dataset-for-language-understanding

👉 @bigdata_1