Всем привет! Это завершающая статья в серии по эволюции архитектур нейронных сетей в компьютерном зрении. Она будет полезна тем, кто только погружается в сферу и пробует систематизировать свои знания, поэтому я осознанно не погружаю читателей в глубокие расчеты и вычисления. Посмотрим на R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN, SSD, RetinaNet, EfficientDet, YOLO.
Если вы только что вылезли из-под камня или вернулись с Марса, то вам нужно срочно знать: Grok, чат-бот Илона Маска, теперь стал доступен бесплатно. Это не просто новость, а настоящий прорыв в мире техники и общения с искусственным интеллектом. Давайте разберёмся, почему Grok – это ваш новый лучший друг и как вы можете использовать его на полную катушку.
Привет, Хабр! Я Дмитрий Новожилов, техлид в онлайн-кинотеатре KION. Сейчас в России 53 млн человек смотрят онлайн-кинотеатры, но принцип их работы остается загадкой не только для зрителей, но (иногда) и для разработчиков. И это действительно проблема. Если вы не говорите с людьми на одном языке, не оперируете одинаковыми терминами, то бывает довольно сложно не просто сформулировать задачу, а даже передать смысл разработки того или иного узла.
Чтобы быстро погружать членов своей команды в нашу профессиональную сферу, я подготовил много разных обзорных материалов о внешнем и внутреннем устройстве видеосервисов. В процессе я понял, что они могут быть полезны широкому кругу читателей. Иногда смотреть кино еще интереснее, если вы понимаете, что происходит по ту сторону экрана.
Итак, это первый текст из запланированного цикла. В нем я крупными мазками расскажу основные этапы, через которые изображение проходит от «стекла до стекла»: от камеры у кинооператора на съемочной площадке до вашего смартфона или телевизора.
Сразу оговорюсь, я не претендую на истину в последней инстанции. Есть много реализаций для любых из ниже описанных систем. Но существуют индустриальные стандарты, от которых я отталкиваюсь. Это как у транспортных средств: в них обязательно должны быть движитель и двигатель. Двигатель у автомобиля — его мотор, а движитель — колеса. Так и у онлайн-кинотеатров есть пять основных элементов, через которые проходит видеоряд. Одни из них интегрированы так, что их сложно рассмотреть раздельно, а вот другие выделяются достаточно четко. Про каждый из них мы поговорим в этом цикле статей. Но начнем с того, откуда вообще в онлайн-кинотеатрах берется контент.
Сразу скажу – камеры с большим разрешением не решат ваших проблем, если вы решили строить систему распознавания лиц. Увы, в большинстве случаев результат станет только хуже, а заплатите вы больше!
Сегодняшний релиз хочется начать с небольшой истории семейства моделей Kandinsky. В прошлом году на конференции AI Journey 2023 наша команда представила две модели: Kandinsky 3.0 для генерации изображений и первую российскую модель генерации видео по тексту Kandinsky Video. В этом году в апреле и мае вышли в свет улучшенные версии этих моделей: Kandinsky 3.1 с повышенным качеством изображений и Kandinsky Video 1.1 с улучшенными визуальным качеством и временной связностью кадров на видео.
С тех пор прогресс в области генеративных моделей привел к созданию множества интересных решений для задач генерации, связывающих текст, видео и аудио модальности. Сегодня наша команда исследователей и учёных из Лаборатории Sber AI Research при поддержке учёных Лаборатории FusionBrain Института AIRI представляет Kandinsky 4.0 — нейросеть нового поколения для создания реалистичных видеороликов по текстовому описанию или стартовому кадру, а также аудио сопровождения для сгенерированного видеоролика. Теперь модель генерирует видеоряд продолжительностью до 12 секунд в разрешении HD (1280x720) по любому текстовому описанию или произвольному стартовому кадру. С помощью модели можно создавать видео с разным соотношением сторон под любые пользовательские и продуктовые потребности.
В этой статье мы подробно рассмотрим структуру, функционал и процесс обучения нашей новой модели.
Приветствую всех читающих!
Меня зовут Антон Антонов, я инженер по искусственному интеллекту, работаю в Институте искусственного интеллекта AIRI в команде, которая занимается Embodied AI — областью, связывающей робототехнику, компьютерное зрение и большие языковые модели.
Недавно наша группа получила приятное известие: нашу статью с описанием модели того, как люди кликают и тапают на картинки, приняли на грядущий NeurIPS! Она будет полезна, чтобы тестировать модели интерактивной сегментации, которые помогают автоматизировать и ускорить процесс разметки изображений человеком.
Ниже я хотел бы подробнее рассказать о нашей разработке.
Привет, Хабр! Меня зовут Владислав, я CV Engineer в компании YADRO. В этой статье я расскажу, как мы разрабатывали и обучали алгоритм детекции документов для нашего планшета Kvadra_T. Я подробно описал нюансы задачи и весь наш путь — от классического подхода до генерации недостающих датасетов и обучения на них нашей собственной нейросети. Постарался сделать историю интересной как для новичков в теме, так и для более опытных читателей. Режим детекции, кстати, уже доступен в kvadraOS.
Всем привет. Сегодняшний материал — продолжение цикла статей про ключевые события в развитии архитектур нейросетей. В прошлый раз я рассказал о классификации изображений. Сегодня речь пойдет про сегментацию. Статья охватывает FCN, U‑Net, SegNet, DeepLab, PSPNet, Mask R‑CMM и HRNet.
Наверняка многие из вас пользовались кассами самообслуживания в супермаркетах и пробовали отсканировать DataMatrix код «Честный знак» с упаковок мороженого, творога, молока, глазированных сырков и прочих продуктов в тонкой и гибкой упаковке. Согласитесь, редко получается сделать это с первого раза. А теперь представьте такую ситуацию на производстве, где нужно массово агрегировать всю продукцию с маркировкой, а она не распознаётся! Именно такую проблему мы и старались решить с помощью нейросети.
Можно ли оценить CRI без электронных приборов и спектрометров? Насколько точно это можно сделать?
Мы попытались создать "лакмусовую бумажку" для оценки освещения, используя разные пигменты.
Генерация документов, лиц и даже симуляция целых атак: как далеко можно зайти в создании и использовании синтетических данных?
В этой статье Артур Казукевич, Data Science Engineer в Data Light, расскажет, почему синтетика становится крупнейшей тенденцией в сфере ML, как такие данные можно использовать и какие ограничения для генерации существуют, а также поделится своим опытом.
Все мы время от времени сталкиваемся с необходимостью сделать презентацию, даже если наша работа, казалось бы, этого не предполагает. Часто это трудоёмкая задача, которая досадно надолго отвлекает от просмотра мемов действительно важных дел вроде написания кода и обучения моделей.
Мы решили проверить, насколько современные LLM и модели генерации изображений могут тут облегчить нам жизнь, учитывая, насколько мощно они продвинулись в последние годы. Для этого мы собрали MVP на базе GigaChat-Max и Kandinsky 3.1, принимающий на вход текстовый запрос и количество слайдов и генерирующий файл презентации в формате .pptx.
Как создать функционал поиска товара по фото буквально за считанные часы. Сравниваем альтернативные алгоритмы, разбираем сильные и слабые стороны каждого.
Всем привет, меня зовут Арсений, я Data Scientist в компании Raft, и сегодня я расскажу вам про Visual Language Models (VLM).
Большие языковые модели уже стали частью нашей жизни и мы применяем их, чтобы упростить современную рутину, а так же используем для решения бизнес задач. Недавно вышло новое поколение vision transformer моделей, которые заметно упростили анализ изображений, из какой бы сферы эти изображения не были.
Особенно заметным был сентябрьский релиз Llama-3.2-11b, и не только потому что это первая vision модель от Llama, сколько потому, что с ней вместе вышло целое семейство моделей, включая маленькие на 1B и 3B параметров. А как вы знаете, меньше, значит юзабельнее.
Если их пара. А если их пара десятков? А если несколько сотен? А если они еще и в разных форматах? Идея загонять все в видеоредактор отпала почти сразу. Но в начале — небольшая предыстория.
За каждым великим мужчиной стоит женщина, стоит и ворчит. (народная мудрость, отцензурировано)
Всем привет. В этом материале я расскажу как создавал беспслатный сервис оптимизации изображений FlashImg.ru
Привет, жители Хабра! Это Даша Фролова из команды спецпроектов МТС Диджитал. Сегодня поговорим о древних городах — и не цифровых, а вполне реальных.
Лидарное сканирование помогло обнаружить средневековые города, скрытые в горах вдоль Шелкового пути. Оказалось, что в горах Тянь-Шаня, которые всегда считались препятствием для торговли, существовали процветающие города — их роль в международной торговле прошлых столетий все это время оставалась незамеченной. Один из таких городов — Тугунбулак — поражает масштабами и архитектурой. В период расцвета он занимал площадь в 120 гектаров. Для сравнения: площадь Сиены, одного из главных городов Италии той эпохи, составляла 105 га. Что еще известно о Тугунбулаке и какой город обнаружили еще, рассказываю ниже.
Приветствую вас, дорогие читатели! В своей прошлой статье на Хабр я рассказывал, как стать разработчиком в области машинного обучения и нейронных сетей, а также какие вопросы об эволюции архитектур нейронных сетей часто задают на собеседованиях. Чтобы помочь вам разобраться в этой теме, я подготовил материал о ключевых событиях в развитии архитектур нейронных сетей — новшествах и особенностях, которые появлялись на каждом этапе. Вместе мы проследим логику инженерной мысли и поймем, как эти идеи повлияли на современное состояние технологий.
Так как материал довольно объемный, разбиваю его на три части: «Классификация изображений», «Сегментация изображений» и «Детекция объектов». Надеюсь, что этот сборник окажется полезным и вдохновит вас на дальнейшие исследования в области глубокого обучения.
