Компания Singularis временно не ведёт блог на Хабре
Большой дайджест о новинках в области дронов и наземных беспилотников: грузовые-дроны с двигателем от Лады, автобусы без водителя, беспилотные авианосцы и беспилотные квадрокоптеры для мониторинга ветряков. Рассказываем о продуктах, которые уже введены в регулярную эксплуатацию.
Представьте, что вы решили сконструировать воздушный шар. И пусть даже не в натуральную величину, а уменьшенную модель – но главное, чтобы летала!!! С чего начать, как подступиться к этой задаче?
Раз задача инженерная, начать нужно с математики и физики. В нашем случае с того, чтобы разобраться, почему воздушный шар летает, и какие силы при этом на него действуют.
В первой части мы писали о доставке больших партий грузов между городами. Теперь посмотрим, как автоматизируется доставка заказа до конечного клиента в городе. Для беспилотников это принципиально разные задачи. Маневрировать среди прохожих — далеко не то же самое, что ехать по шоссе. В городах нужны другие технологии.
Компьютерное зрение (Computer Vision или CV) — технология, которая позволяет производить обнаружение, отслеживание и классификацию объектов. Первые попытки научить машины «видеть» совершались еще в 60-х годах прошлого века.
Рассказываем о том, в каких сферах применяется компьютерное зрение сегодня, и где ждать технологию в ближайшем будущем.
В этой статье разберём три технологических прорыва 2020–2021 годов: генератор текстов на нейросетях GPT-3, экологически чистый «зелёный» водород и алгоритм AlphaFold 2, который решил сложную задачу биологии.
Транспорту будущего не нужны водители, пилоты, машинисты. Не нужны и операторы дистанционных пультов управления. На планете много мест, где транспорт уже перевозит грузы и людей самостоятельно.
Рассказываем о последних достижениях и трендах в мире грузовых беспилотников.
К 2025 году искусственный интеллект заменит 85 миллионов рабочих мест, в том числе — творческих. Нейронные сети уже умеют рисовать картины, писать сценарии и создавать музыку, а их произведения продают на аукционах за огромные деньги.
В этой статье разберёмся, на что ещё способны нейросети, как у них получается так хорошо подражать людям и где они смогут заменить человека. И обязательно попробуем сгенерировать что-нибудь сами.
Возможно ли превратить координаты на изображении в конкретные географические координаты? Несмотря на то, что это звучит несколько необычно, такая конвертация вполне возможна.
Сегодня я расскажу о том, как можно спроецировать координаты с плоского изображения на карту. Эта короткая статья будет своеобразным продолжением первой статьи, в которой я рассказывал о базовых возможностях Mask R-CNN.
Home Assistant — это популярная система умного дома, которая автоматизирует привычные бытовые процессы и работает на YAML файлах. В этой статье я расскажу, как настроить Home Assistant (далее HA), и что конкретно я использую в повседневной жизни. Это поможет вам избежать ошибок и быстрее продвинуться в изучении HA.
На Хабре уже есть статьи о HA (раз, два, три), но здесь я хочу рассказать об установке и настройке системы от начала до конца. От первого запуска сервера до полноценно работающей системы, которую потом можно улучшать и дорабатывать для себя.
Продолжая тему конкурсов по машинному обучению на хабре, хотим познакомить читателей еще с двумя платформами. Они конечно не такие огромные как kaggle, но внимания определенно заслуживают.
Лично мне kaggle не слишком нравится по нескольким причинам:
К счастью, соревнования по машинному обучению проводятся и на других платформах, и о паре таких соревнований и пойдет речь.
Привет, Хабр!
Сегодня я хочу рассказать о второй части проекта сервиса для идентификации и классификации произведений искусства. Напомню, что мы решали две основные задачи:
Сегодня мы рассмотрим применение сверточной нейронной сети для классификации изображений по стилю и жанру.
Поможем Даше разобраться в современном искусстве?
Привет, Хабр! Сегодня я хочу рассказать о том, как глубокое обучение помогает нам лучше разобраться в искусстве. Статья разбита на части в соответствии с задачами, которые мы решали:
Все это должно было стать частью сервиса БД Артхив и его мобильных приложений.
Задача идентификации картин состояла в том, чтобы по изображению, приходящему от мобильного приложения, найти в базе данных соответствующую картину, затратив на это менее одной секунды. Обработка целиком в мобильном устройстве была исключена на этапе предпроектного исследования. Кроме того, оказалось, что невозможно трудно гарантированно выполнить на мобильном устройстве отделение картины от фона в реальных условиях съемки. Поэтому мы решили, что наш сервис будет принимать на вход фотографию с мобильного телефона целиком, со всеми искажениями, шумами и возможным частичным перекрытием.
Поможем Даше найти эти картины в базе из более чем 200 000 изображений?
При решении задач моделирования движения объектов в трехмерном пространстве практически всегда требуется использование операций пространственных преобразований, связанных с умножением матриц преобразований и векторов. Для задачи N тел эта операция используется многократно для задания поворота и смещения тела относительно начала координат. Матрица пространственного преобразования имеет размерность 4х4, а размерность вектора, к которому применяется преобразование, соответственно 4x1. Рассмотрим оптимизацию выполнения такой операции с большим числом матриц и векторов под архитектуру Intel® Xeon Phi™.
