Сижу через VPN. Зашел на whoer.net, он показывает что у меня в хроме включен WebRTC, но в качестве ip показывает 172… В общем не мой этой ip, а внутренний ip моего VPN клиента. Пользуюсь VPN только исключительно для защиты от властей нашей страны. VPN американский, так что более менее уверен в том, что они не сольют меня по запросу ФСБ.
QString очень удобная штука, в разы удобней std::string. В Qt'шном коде многие его используют, в том числе и я.
А std::string нужен для совместимости с другими библиотеками, либо для функций из std.
Бейте и минусуйте меня сколько угодно, но я не могу понять, зачем вступать в брак если ты 5 минут как больше не студентнота и у тебя нет ни карьеры, ни денег, ни достойного заработка на свадьбу.
Скажу даже больше — для годного инженера время, затраченное на сооружения будко-велосипеда, стоит дороже, чем цена аренды этой будки.
Viola-Jones не только для детекции лиц применяется, но и вообще для детекции разных объектов. Однако, именно в детекции лиц у него очень хороший показатель точность_детекци /вычислительные_затраты. Удачный алгоритм. Особенно хороша возможность многомасштабности.
RCNN достаточно тяжелая в сравнении с тем же V.-J. Да и сетка GoogLeNet его уже обошла, хотя смысл там тот же — сегментация объектов -> распознавание.
Под универсальностью мы с вами понимаем разные вещи. Действительно, если говорить о универсальности эвристических дескрипторов (т.е. тех, которые создаются вручную), то дескриптор, тщательно подобранный для определенной задачи, не будет также эффективен на другой задаче. Здесь я с вами согласен — за универсальность мы платим свою цену. К примеру, если мы возьмем тот же детектор углов Харриса, то он будет искать именно точки интереса, напоминающие углы, а LBP будет применяться в задачах, объекты которых имеют текстуру. Это ограниченный набор задач. В таком ракурсе универсальности можно говорить об обученной сети, которую пытаются применить для разных задач.
НО! Здесь я имею в виду универсальность в том плане, что CNN может быть одинаково эффективно обучена для выделения фич на разных задачах. Т.е. CNN это именно универсальный инструмент, как и другие методы машинного обучения. Из эвристических дескрипторов аналоги CNN в этом смысле это SURF или SIFT.
И я категорически не согласен с вашим утверждением, что эвристики разработаны «в результате биологической/социальной эволюции». Они разработаны именно людьми и именно с их позиции видения мира. Уже больше десяти лет назад было доказано, что CNN обладают способностью извлекать скрытые признаки, которые слабо заметны человеку.
Про то, что CNN могут работать хорошо только на малом количестве объектов я с вами не соглашусь также. В качестве примера можно взять распознавание лиц, когда обучение идет на ограниченном небольшом наборе данных (сотни тысяч), а верификация уже на сотнях миллионах данных (личностей, ранее не встречаемых в обучении).
Наглядное подтверждение моих слов это результаты конкурсов computer vision последних лет — все строчки топов занимают CNN или другие методы машинного обучения.
В методе Виолы-Джонса еще можно встретить, но в основном вы правы, эффективней и проще использовать CNN. Ведь в отличие от LBP и других «ручных» дескрипторов, CNN может использоваться как универсальный нелинейный экстрактор фич.
Отлично! Как я долго этого ждал! Полетать в Elite Dangerous в шлеме и с голосовым управлением, любуясь безмолвными красотами глубокого космоса — это просто фантастика.
А для скептиков, хочу заметить, что сносного 3d эффекта можно добиться и на телевизоре через обычные 3d очки. Правда не в каждой игре хорошо просчитывается глубина, но пару таких игр я встречал и скажу, что эффект удивительный и желания возвращаться к обычной плоской картинке не возникает.
Проект SixTrack симулирует 60 частиц, проходящих по кольцу БАК, симулируется от 100000 до миллиона циклов, что соответствует менее 10 секундам реального времени в ускорителе. Этого достаточно, чтобы проверить будет ли пучок сохранять траекторию на протяжении гораздо большего времени или существует риск потери стабильности пучка, что может привести к серьёзным проблемам в реальности, например, к остановки ускорителя или к выходу из строя некоторых детекторов.
Насколько я понял, после беглого прочтения оригинала, просчитывается фазовая плоскость всевозможных траекторий частиц при которых луч будет стабильным. Вы же описали это так, будто бы усилиями распределенных вычислений пытаются смоделировать 10 сек работы ускорителя с 60 частицами. Это разные вещи. Простите, но не смог пройти мимо. Ибо первая задача (в моем описание) решаема силами распределенных вычислений, а вторая (в вашем) — только силами суперкомпьютера.
При этом нужно как минимум найти имеющиеся работы по темам, прочесть, часть проверить руками на точность и воспроизводимость. В итоге, помимо работы, нужно в точности по Кэрролу, тратить минимум полчаса на чтение статей (штучек 5 ), просто чтобы не отстать.
Горький опыт из жизни — в одной из глав своей диссертации я решал одну нерешенную на тот момент задачу. Пока решал, был очень поглощен и перестал мониторить литературу. По итогу задачу решил и тут как гром среди ясного неба — парой месяцев до этого в одном из западных журналов выходит статья, где решается та же задача, даже название статьи почти как у меня. Обидно конечно было, но благо было лишь частью моей работы. Хотя знаю случаи, когда даже кандидатские по математике были запороты в связи с тем, что кто-то в это же время доказал эту же теорему.
Нет, я математик. В вычислительную биологию (в т.ч. биоинформатику) ведут две двери — со стороны математики и со стороны биологии. Вообще уже много встречал д.б.н, которые имеют к.ф-м.н.
Насчет "плохо" — тут проблема в завышенном ожидание, которое было у меня. Оказывается, что на пути к понимаю сути лежит еще столько нерешенных проблем. В итоге ты занимаешься не разгадкой сути жизни, а этими весьма посредственными, но необходимыми задачами. И чем больше их решаешь, тем больше понимаешь, как же мы далеки от понимания даже фундаментальных механизмов клеток. Я пришел в аспирантуру с амбициями по окончанию создать рабочую мат. модель клетки. Реальность оказалось другой — за 3 года смог смоделировать разве что несколько механизмов в клетке e.coli.
А позвольте узнать, вы сейчас заняты в академической сфере? Т.е. желаете сделать карьеру исследователя, или же просто это ваше хобби?
Так как создание моделей, и обкатка их в условиях виртуальной реальности будет происходить быстрее в разы, чем эксперименты на личинках дрозофил. Но и без этого конечно ни куда. :)
Только вот сейчас наоборот — созданию моделей как раз предшествуют сотни экспериментов in vitro. Другое дело, использовать уже созданную модель, дешевле, чем проводить новые эксперименты. Создать и использовать — совершенно разные вещи.
P.S. Сам выбрал для себя, профессию- генетик. Очень уж хочется понять суть биологии организма.
Узнаю себя в юности. Только реальность оказывается не такой радужной — вместо понимании сути биологии организма, годами возишься с пониманием динамики взаимодействия пары белков в одной из подзадач твоей основной задачи…
Биоинформатика это раздел вычислительной биологии. Не стоит мешать биоинформатику с другими ее разделами. Бионформатика это алгоритмы обработки массивов данных (днк/рнк/белки). Моделирование же развития организмов, к примеру, это уже математическая биология (биокибернетика). Моделирование белков — это уже молекулярное моделирование.
В свое время сам занимался выч. биологией. В последнии годы 99% молодежи устремилось именно в бионформатику, которая сейчас в моде и на конференциях 99% докладов студентов и аспирантов посвящены геном, геном, геном, геном, геном… В связи с этим, досадно видеть упадок интереса молодежи к классическому моделированию.
Поддерживаю.
Занимаюсь мат. моделированием и методами монте-карло. Приходится посещать соответствующие конференции по выч.мату. Последние годы слышу одно и тоже — нам нужна новая математика. Классическая математика, хорошо показавшая себя в теории, не очень хорошо ложиться на выч. модели.
А std::string нужен для совместимости с другими библиотеками, либо для функций из std.
Скажу даже больше — для годного инженера время, затраченное на сооружения будко-велосипеда, стоит дороже, чем цена аренды этой будки.
RCNN достаточно тяжелая в сравнении с тем же V.-J. Да и сетка GoogLeNet его уже обошла, хотя смысл там тот же — сегментация объектов -> распознавание.
Под универсальностью мы с вами понимаем разные вещи. Действительно, если говорить о универсальности эвристических дескрипторов (т.е. тех, которые создаются вручную), то дескриптор, тщательно подобранный для определенной задачи, не будет также эффективен на другой задаче. Здесь я с вами согласен — за универсальность мы платим свою цену. К примеру, если мы возьмем тот же детектор углов Харриса, то он будет искать именно точки интереса, напоминающие углы, а LBP будет применяться в задачах, объекты которых имеют текстуру. Это ограниченный набор задач. В таком ракурсе универсальности можно говорить об обученной сети, которую пытаются применить для разных задач.
НО! Здесь я имею в виду универсальность в том плане, что CNN может быть одинаково эффективно обучена для выделения фич на разных задачах. Т.е. CNN это именно универсальный инструмент, как и другие методы машинного обучения. Из эвристических дескрипторов аналоги CNN в этом смысле это SURF или SIFT.
И я категорически не согласен с вашим утверждением, что эвристики разработаны «в результате биологической/социальной эволюции». Они разработаны именно людьми и именно с их позиции видения мира. Уже больше десяти лет назад было доказано, что CNN обладают способностью извлекать скрытые признаки, которые слабо заметны человеку.
Про то, что CNN могут работать хорошо только на малом количестве объектов я с вами не соглашусь также. В качестве примера можно взять распознавание лиц, когда обучение идет на ограниченном небольшом наборе данных (сотни тысяч), а верификация уже на сотнях миллионах данных (личностей, ранее не встречаемых в обучении).
Наглядное подтверждение моих слов это результаты конкурсов computer vision последних лет — все строчки топов занимают CNN или другие методы машинного обучения.
А для скептиков, хочу заметить, что сносного 3d эффекта можно добиться и на телевизоре через обычные 3d очки. Правда не в каждой игре хорошо просчитывается глубина, но пару таких игр я встречал и скажу, что эффект удивительный и желания возвращаться к обычной плоской картинке не возникает.
Не вижу связи. Я вот тоже программист, но у меня требования
Windows
Полный и монопольный доступ к моим данным (в том числе и физический).
Поэтому я предпочитаю свой NAS.
Это я к тому, что связь между «я программист, поэтому..» и вашими личными предпочтениями отсутствует.
Проект SixTrack симулирует 60 частиц, проходящих по кольцу БАК, симулируется от 100000 до миллиона циклов, что соответствует менее 10 секундам реального времени в ускорителе. Этого достаточно, чтобы проверить будет ли пучок сохранять траекторию на протяжении гораздо большего времени или существует риск потери стабильности пучка, что может привести к серьёзным проблемам в реальности, например, к остановки ускорителя или к выходу из строя некоторых детекторов.
Насколько я понял, после беглого прочтения оригинала, просчитывается фазовая плоскость всевозможных траекторий частиц при которых луч будет стабильным. Вы же описали это так, будто бы усилиями распределенных вычислений пытаются смоделировать 10 сек работы ускорителя с 60 частицами. Это разные вещи. Простите, но не смог пройти мимо. Ибо первая задача (в моем описание) решаема силами распределенных вычислений, а вторая (в вашем) — только силами суперкомпьютера.
Горький опыт из жизни — в одной из глав своей диссертации я решал одну нерешенную на тот момент задачу. Пока решал, был очень поглощен и перестал мониторить литературу. По итогу задачу решил и тут как гром среди ясного неба — парой месяцев до этого в одном из западных журналов выходит статья, где решается та же задача, даже название статьи почти как у меня. Обидно конечно было, но благо было лишь частью моей работы. Хотя знаю случаи, когда даже кандидатские по математике были запороты в связи с тем, что кто-то в это же время доказал эту же теорему.
Насчет "плохо" — тут проблема в завышенном ожидание, которое было у меня. Оказывается, что на пути к понимаю сути лежит еще столько нерешенных проблем. В итоге ты занимаешься не разгадкой сути жизни, а этими весьма посредственными, но необходимыми задачами. И чем больше их решаешь, тем больше понимаешь, как же мы далеки от понимания даже фундаментальных механизмов клеток. Я пришел в аспирантуру с амбициями по окончанию создать рабочую мат. модель клетки. Реальность оказалось другой — за 3 года смог смоделировать разве что несколько механизмов в клетке e.coli.
А позвольте узнать, вы сейчас заняты в академической сфере? Т.е. желаете сделать карьеру исследователя, или же просто это ваше хобби?
Только вот сейчас наоборот — созданию моделей как раз предшествуют сотни экспериментов in vitro. Другое дело, использовать уже созданную модель, дешевле, чем проводить новые эксперименты. Создать и использовать — совершенно разные вещи.
Узнаю себя в юности. Только реальность оказывается не такой радужной — вместо понимании сути биологии организма, годами возишься с пониманием динамики взаимодействия пары белков в одной из подзадач твоей основной задачи…
В свое время сам занимался выч. биологией. В последнии годы 99% молодежи устремилось именно в бионформатику, которая сейчас в моде и на конференциях 99% докладов студентов и аспирантов посвящены геном, геном, геном, геном, геном… В связи с этим, досадно видеть упадок интереса молодежи к классическому моделированию.
Занимаюсь мат. моделированием и методами монте-карло. Приходится посещать соответствующие конференции по выч.мату. Последние годы слышу одно и тоже — нам нужна новая математика. Классическая математика, хорошо показавшая себя в теории, не очень хорошо ложиться на выч. модели.