Тема исследования

Сжатие

1. Предварительная фильтрация (с использованием предикторов);
2. Компрессия (с помощью DEFLATE).

• интерпретация изображений;
• калибровка камеры по эталону;
• устранение оптических искажений;
• определение сходства;
• анализ перемещения объекта;
• определение формы объекта и слежение за объектом;
• 3D-реконструкция;
• сегментация объекта;
• распознавание жестов.

1. Google:
   
   1. Google self-driving car — в беспилотных автомобилях Google OpenCV используется для разработки прототипа распознавания окружающей обстановки;
      (сегодня построенная система основывается преимущественно на LIDAR — в связи с трудностями распознавания при плохом освещении)
   2. Google Glass — в этих очках 3D-реконструкция изображения построена на OpenCV;
   3. Google Mobile;
   
   
2. Робототехника и Arduino;
3. Промышленное производство — иногда какой-нибудь завод делает на OpenCV систему подсчета деталей или что-то вроде того.

• Добавлена поддержка процессоров Intel Core седьмого поколения (Kabylake);
• Улучшена работа Media RAW Accelerator для обеспечения гибкости и производительности;
• Добавлены новые возможности при кодировании AVC/H.264 для видеоконференций и облачных игровых сервисов;
• Добавлены новые VPP-фильтры и улучшены существующие;
• Внедрена новая версия API c улучшениями в управлении памятью и функционалом запроса платформы;
• Внедрена поддержка Windows Redstone Preview.

Что такое вообще ResNets?

>> pct = imread('DC_OS.jpg');

• Обзор вычислительных архитектур и текущие возможности ГП Intel
• Реализацию аппаратного ускорения с помощью FFmpeg
• Реализацию аппаратного ускорения с помощью Intel Media SDK или аналогичного компонента Intel Media Server Studio (в зависимости от целевой платформы)

Продолжаю рассказывать про жизнь Inception architecture — архитеткуры Гугла для convnets.
(первая часть — вот тут)
Итак, проходит год, мужики публикуют успехи развития со времени GoogLeNet.
Вот страшная картинка как выглядит финальная сеть:

Что же за ужас там происходит?

Ускорение операций в 2.5 раза по сравнению с Pillow и в 10 по сравнению с ImageMagick

Pillow-SIMD — это «форк-последователь» библиотеки работы с изображениями Pillow (которая сама является форком библиотеки PIL, ныне покойной). «Последователь» означает, что проект не становится самостоятельным, а будет обновляться вместе с Pillow и иметь ту же нумерацию версий, только с суффиксом. Я надеюсь более-менее оперативно выпускать версии Pillow-SIMD сразу после выхода версий Pillow.

Почему SIMD

Есть несколько способов улучшения производительности обработки изображений (да и всех остальных вещей, наверное, тоже).

1. Можно использовать более хорошие алгоритмы, которые дают такой же результат.
2. Можно сделать более быструю реализацию существующего алгоритма.
3. Можно подключить больше вычислительных ресурсов для решения той же задачи: дополнительные ядра CPU, GPU.

1. Определить объёмы выработки породы.
2. Подсчитать объём склада продукции.
3. Получить поверхность для уточнения уровня гидроотвала.
4. Получить 3D-модель всей территории.

У меня тут синхронизируется VM надолго, поэтому есть время рассказать про то, что я недавно читал.
Например, про GoogLeNet.
GoogLeNet — это первая инкарнация так называемой Inception architecture, которая референс всем понятно на что:

(кстати, ссылка на него идет первой в списке референсов статьи, чуваки жгут)

Она выиграла ImageNet recognition challenge в 2014-м году с результатом 6.67% top 5 error. Напомню, top 5 error — метрика, в которой алгоритм может выдать 5 вариантов класса картинки и ошибка засчитывается, если среди всех этих вариантов нет правильного. Всего в тестовом датасете 150K картинок и 1000 категорий, то есть задача крайне нетривиальна.

Чтобы понять зачем, как и почему устроен GoogLeNet, как обычно, немного контекста.