This media is not supported in your browser
VIEW IN TELEGRAM
Sketch Generation with Drawing Process Guided by Vector Flow and Grayscale
This media is not supported in your browser
VIEW IN TELEGRAM
pi-GAN: Periodic Implicit Generative Adversarial Networks
for 3D-Aware Image Synthesis
for 3D-Aware Image Synthesis
This media is not supported in your browser
VIEW IN TELEGRAM
AI для творцов. Посмотрите, как вы можете использовать свой голос для создания фотореалистичных изображений. NVIDIA Jarvis + GauGAN
Запускается цикл онлайн лекций по искусственному интеллекту "Samsung AI Innovation Campus - Russia". Авторы вебинаров - специалисты Samsung Research Russia, Института системного программирования РАН и других компаний.
Первая лекция цикла - "Как эффективно проводить эксперименты: базовая структура проекта, процесс перебора гипотез, трюки для обучения нейросетей" от известного вам Романа Суворова, автора курса по NLP, ведущего инженера московского Центра ИИ Samsung.
Лекция состоится 23 декабря в 14 часов московского времени.
Первая лекция цикла - "Как эффективно проводить эксперименты: базовая структура проекта, процесс перебора гипотез, трюки для обучения нейросетей" от известного вам Романа Суворова, автора курса по NLP, ведущего инженера московского Центра ИИ Samsung.
Лекция состоится 23 декабря в 14 часов московского времени.
2.gif
20 MB
Learning to Recover 3D Scene Shape from a Single Image
This media is not supported in your browser
VIEW IN TELEGRAM
YolactEdge: Real-time Instance Segmentation on the Edge (Jetson AGX Xavier: 30 FPS, RTX 2080 Ti: 170 FPS)
This media is not supported in your browser
VIEW IN TELEGRAM
Real Multi Agent RL!)))))
This media is not supported in your browser
VIEW IN TELEGRAM
Watching transformers do their thing in 3D
"Развитие алгоритмов обучения с подкреплением
1 Введение
Разработка новых алгоритмов глубокого обучения с подкреплением, которые могут эффективно решать самые разнообразные задачи, как правило, требует огромного количества ручных усилий. Обучение разработке алгоритмов обучения
подкреплению или даже небольших субкомпонентов алгоритмов поможет облегчить эту
нагрузку и может привести к созданию более совершенных алгоритмов, чем исследователи могли бы разработать вручную. Тогда наша работа может перейти
от разработки этих алгоритмов вручную к разработке языка и
методов оптимизации для автоматической разработки этих алгоритмов.
Алгоритмы обучения с подкреплением можно рассматривать как процедуру, которая сопоставляет опыт агента
с политикой, которая получает высокую совокупную награду в течение обучения..."
1 Введение
Разработка новых алгоритмов глубокого обучения с подкреплением, которые могут эффективно решать самые разнообразные задачи, как правило, требует огромного количества ручных усилий. Обучение разработке алгоритмов обучения
подкреплению или даже небольших субкомпонентов алгоритмов поможет облегчить эту
нагрузку и может привести к созданию более совершенных алгоритмов, чем исследователи могли бы разработать вручную. Тогда наша работа может перейти
от разработки этих алгоритмов вручную к разработке языка и
методов оптимизации для автоматической разработки этих алгоритмов.
Алгоритмы обучения с подкреплением можно рассматривать как процедуру, которая сопоставляет опыт агента
с политикой, которая получает высокую совокупную награду в течение обучения..."
This media is not supported in your browser
VIEW IN TELEGRAM
Sparse Single Sweep LiDAR Point Cloud Segmentation via Learning Contextual Shape Priors from Scene Completion
This media is not supported in your browser
VIEW IN TELEGRAM
'da vinci drawing of building with wings and insect legs'
GAN prompting
CLIP x BigGAN
GAN prompting
CLIP x BigGAN
This media is not supported in your browser
VIEW IN TELEGRAM
"Player-AI Interaction: What Neural Network Games Reveal About AI as Play"
This media is not supported in your browser
VIEW IN TELEGRAM
Neural Geometric Level of Detail:
Real-time Rendering with Implicit 3D Surfaces
Real-time Rendering with Implicit 3D Surfaces
Forwarded from Graph Machine Learning
RoboGrammar: Graph Grammar for Terrain-Optimized Robot Design
(video) A recent work done at MIT for constructing different robot designs via graph grammar. Graph grammars were introduced in 1992 and defines a set of rules of transforming one graph to another. With this, a user can specify input robot components as well as the type of the terrain and graph grammar will produce possible robot designs. Next, a variation of A* algorithm is used to search for the optimal robot design for a given terrain. More on this in this article.
(video) A recent work done at MIT for constructing different robot designs via graph grammar. Graph grammars were introduced in 1992 and defines a set of rules of transforming one graph to another. With this, a user can specify input robot components as well as the type of the terrain and graph grammar will produce possible robot designs. Next, a variation of A* algorithm is used to search for the optimal robot design for a given terrain. More on this in this article.
YouTube
RoboGrammar: Graph Grammar for Terrain-Optimized Robot Design
ACM SIGGRAPH Asia 2020
https://cdfg.mit.edu/publications/robogrammar-graph-grammar-for-terrain-optimized-robot-design
https://cdfg.mit.edu/publications/robogrammar-graph-grammar-for-terrain-optimized-robot-design