Scientist Geoffrey Hinton has a new paper on how to represent part-whole hierarchies in neural networks. it should significantly improve the interpretability of the representations. https://arxiv.org/pdf/2102.12627.pdf

#MachineLearning #BigData #Analytics #DataScience #AI #IoT #IIoT #Python #biometrics #facerecognition #iris_recognition #IoT #IIoT #Industry40 #SmartFactory #IntelligentAutomation #SmartHome #SmartCities #Automation #5G #AR #VR #EdgeComputing #ML #RPA #WomenInTech #100DaysOfCode #Flutter #technology


کانال:
https://yangx.top/Machinelearning_Kartal

Great talk, I have listened twice. Happy birthday to you dear scientist Andrew Ng @andrewyng .

I completely agree with your comment. Most fields have been suffered because of fewer data. According to my little experience, It is hard to collect data for biometric recognition systems and for the structure of individual molecules. For sure there is a bunch of these applications which are not easy to collect more data. However, I would like to mention algorithm developments in terms of interpretability machine learning. We have great neural networks but we still cannot trust the existing methods in high-risk applications.



Again thank you scientist Andrew Ng. It is a great pleasure to watch your updates about AI.

Best Regards
Jalil Nourmohammadi Khiarak

#machinelearning #ai #datascience #deeplearning #deeplearning #artificialintelligence #neuralnetworks #neuralnetworks #data #bigdata #ml #thankyou #analytics #dataanalytics #algorithms #experience #biometrics #facerecognition #medicalimaging


https://www.youtube.com/watch?v=06-AZXmwHjo



کانال:
https://yangx.top/Machinelearning_Kartal

Facial extracted features

فارسی:
در مرحله‌ی قبل توضیح دادیم که مدل‌های Liveness Detector چگونه با یادگیری ماشین تصمیم می‌گیرند که یک چهره واقعی است یا جعلی. اکنون می‌رسیم به بخش مهم بعدی: ویژگی‌های استخراج‌شده (Extracted Features) از این مدل‌ها.

هنگام پردازش تصویر یا ویدیو، مدل‌ها به‌طور خودکار ویژگی‌هایی را استخراج می‌کنند که نشانه‌ای از زنده بودن هستند. این ویژگی‌ها ممکن است شامل موارد زیر باشند:

👁️ حرکات ریز چشم و پلک زدن

🙂 تغییرات ظریف در حالت چهره (مثل لبخند یا حرکت دهان)

💡 تغییر شدت نور روی پوست در طول زمان

🎥 اختلاف بین فریم‌های متوالی و تغییرات طبیعی پیکسل‌ها

گرچه ما دقیقاً نمی‌دانیم مدل چه الگوهایی را یاد می‌گیرد، اما می‌دانیم که این ویژگی‌ها به‌طور آماری تفاوت زیادی بین یک چهره زنده و چهره جعلی ایجاد می‌کنند. در نهایت، این ویژگی‌ها به‌عنوان ورودی به لایه‌های بعدی طبقه‌بند داده می‌شوند تا تصمیم نهایی گرفته شود. در واقع به صورت یک وکتور با سایز معمولا 128 در خروجی داریم.

این مرحله ستون فقرات سیستم تشخیص زنده بودن است؛ جایی که داده خام به سیگنال‌های معنادار برای امنیت تبدیل می‌شود.

#تشخیص_چهره #Liveness #ویژگی #یادگیری_ماشین #امنیت
📡 @Machinelearning_Kartal


تۆرکجه:
قاباقکی پوْستدا Liveness Detector مودل‌لرین نئجه اۆزون جانلی یا قوندارما اولدوغونو قرار وئردیینی آنلادیق. ایندی گله‌جک مهم مرحله‌یه: اوزللیک‌لرین آیریلماسی (Extracted Features).

مودل، تصویر یا ویدئونی ایشلرکن، زنده‌لیغی گؤسترن اوزللیک‌لری آوتوماتیک آیریر:

👁️ گؤز قیرپما و اؤز اؤزونه حرکت‌لر

🙂 اۆزده بالاجا دَییشیکلر (مثلاً گولومسه یا دؤشونمه)

💡 دری اوستونده ایشیقین طبیعتن اوزگرمه‌لری

🎥 سیرالی فریم‌لرده دوغال پیکسل فَرق‌لری

بیری‌باشا بیلمه‌ریک کی، مودل نه اوْیرنیر، آمما بو اوزللیک‌لر جانلی و قوندارما اۆز آراسیندا چوخ بؤیوک آماریق فَرق یارادیب. نئتیجه‌ده، بو اوزللیک‌لر طبقه‌بندین سون لایه‌لرینه واردیر و قرار وئرمک اوچون ایشلنیلیر.

بو مرحله جانیلیق سیستمین ان اساسی قورغوسودور؛ خام وئریلرین امنیت اوچون آنلاملی سیگنال‌لارا چئویرلده‌گی یئر.

#اۆز_تانیما #جانیلیق #اوزللیک #ML #امنلیک
📡 @Machinelearning_Kartal