Случайны выбор дневника Раскрыть/свернуть полный список возможностей


Найдено 435 сообщений
Cообщения с меткой

cnn - Самое интересное в блогах

Следующие 30  »
pmos_nmos

Это Израиль - Аэропорт имени Бен-Гуриона — самый безопасный и надежный в мире!

Пятница, 29 Июля 2016 г. 15:08 (ссылка)


Не отличающийся особой любовью к Израилю телеканал CNN признал, что аэропорт имени Бен-Гуриона — самый безопасный и надежный в мире.



bezop153 (700x434, 290Kb)



Телеканал сообщает, что аэропорт защищен несколькими "слоями безопасности", которые лишь частично видимы для 16 миллионов пассажиров, обслуживаемых здесь ежегодно.



Ни один самолет, вылетавший из этого аэропорта, не был угнан. Последняя террористическая атака в Бен-Гурионе произошла в 1972 году, когда члены японской террористической организации "Красная Армия" убили 26 человек.



Мониторинг безопасности начинается с Центра Операций Безопасности Аэропорта. Это – небольшое помещение, в котором работают 24 часа в сутки, в нем ведется наблюдение за всеми полетами в израильском воздушном пространстве, включая транзитные и полеты в непосредственной близости от Израиля.



Читать далее...
Метки:   Комментарии (1)КомментироватьВ цитатник или сообщество
rss_rss_hh_new

Эволюция нейросетей для распознавания изображений в Google: Inception-v3

Вторник, 31 Мая 2016 г. 09:03 (ссылка)


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:

image

Что же за ужас там происходит?

Читать дальше →

https://habrahabr.ru/post/302242/

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
rss_rss_hh_new

[Перевод] На что смотрит свёрточная нейросеть, когда видит непристойное фото

Среда, 20 Апреля 2016 г. 22:04 (ссылка)





На прошлой неделе в компании Clarifai мы формально анонсировали нашу модель распознавания непристойного контента (NSFW, Not Safe for Work).



Предупреждение и отказ от ответственности. Эта статья содержит изображения обнажённых тел в научных целях. Мы просим не читать дальше тех, кому не исполнилось 18 лет или кого оскорбляет нагота.






Автоматическое выявление обнажённых фотографий было центральной проблемой компьютерного зрения на протяжении более двух десятилетий, и из-за своей богатой истории и чётко поставленной задачи она стала отличным примером того, как развивалась технология. Я использую проблему детектирования непристойности для пояснения, как обучение современных свёрточных сетей отличается от исследований, проводившихся в прошлом.



В далёком 1996 году...







Одна из первых работ в этой области имела простое и понятное название: «Поиск обнажённых людей», авторы Маргарет Флек и др. Она была опубликована в середине 90-х и представляет собой хороший пример того, чем занимались специалисты по компьютерному зрению до массового распространения свёрточных сетей. В части 2 научной статьи они приводят обобщённое описание техники:



Алгоритм:


  • Сначала найти изображения с большими областями пикселов телесного цвета.

  • Затем в этих областях найти удлинённые области и сгруппировать их в возможные человеческие конечности или объединённые группы конечностей, используя специализированные модули группировки, которые вмещают значительный объём информации о структуре объекта.



Обнаружение кожи осуществлялось путём фильтрации цветового пространства, а группировка регионов кожи происходило с помощью моделирования человеческой фигуры как «набора почти цилиндрических частей, где индивидуальные очертания частей и соединения между частями ограничены геометрией скелета (раздел 2). Более понятной методы разработки такого алгоритма становятся, если изучить иллюстрацию 1 в научной статье, где авторы показали некоторые правила группировки, составленные вручную.







В научной статье говорится о «точности распознавания 60% и полноте (recall) 52% на неконтролируемой выборке из 138 изображений обнажённых людей». Авторы также показывают примеры корректно распознанных изображений и ложных срабатываний с визуализацией тех областей, которые обрабатывал алгоритм.











Главная проблема при составлении правил вручную — это то, что сложность модели ограничена терпением и воображением исследователей. В следующей части мы увидим, как свёрточная нейросеть, обученная для выполнения той же задачи, демонстрирует намного более сложное представление тех же данных.



Теперь в 2014 году...



Вместо изобретения формальных правил для описания, как должны быть представлены входные данные, исследователи в области глубинного обучения придумывают сетевые архитектуры и наборы данных, которые позволят системе ИИ освоить эти представления напрямую из данных. Однако из-за того, что исследователи не указывают точно, как должна реагировать сеть на заданные входные данные, возникает новая проблема: как понять, на что конкретно реагирует нейросеть?







Для понимания действий свёрточной нейросети нужно интерпретировать активность признака на различных уровнях. В остальной части статьи мы изучим раннюю версию нашей модели NSFW, подсвечивая активность с верхнего уровня вниз до уровня пиксельного пространства на входе. Это позволит увидеть, какие конкретно шаблоны на входе вызвали определённую активность на карте признаков (то есть почему, собственно, изображение помечено как "NSFW").



Чувствительность к заслону

Иллюстрация внизу показывает фотографии Лены Сёдерберг после применения скользящих окон 64х64 с шагом 3 нашей модели NSFW к обрезанным/заслонённым версиям исходного изображения.







Чтобы построить теплокарту слева, мы отправляли каждое окно в нашу свёрточную нейросеть и усредняли оценку "NSFW" для каждого пиксела. Когда нейросеть встречается с фрагментом, заполненным кожей, то склонна оценивать его как "NSFW", что приводит к появлению больших красных областей на теле Лены. Для создания теплокарты справа мы систематически заслоняли части исходного изображения и отмечали -1 как оценку "NSFW" (то есть оценку "SFW"). Когда большинство регионов NSFW закрыто, оценка "SFW" возрастает, и мы видим более высокие значения на теплокарте. Для ясности, вот примеры изображений, которые мы отдавали в свёрточную нейросеть для каждого из двух экспериментов вверху.







Одной из замечательных особенностей этих экспериментов является то, что их можно проводить даже если классификатор — абсолютный «чёрный ящик». Вот фрагмент кода, который воспроизводит эти результаты через наши API:



# NSFW occlusion experiment

from StringIO import StringIO

import matplotlib.pyplot as plt
import numpy as np
from PIL import Image, ImageDraw
import requests
import scipy.sparse as sp

from clarifai.client import ClarifaiApi

CLARIFAI_APP_ID = '...'
CLARIFAI_APP_SECRET = '...'
clarifai = ClarifaiApi(app_id=CLARIFAI_APP_ID,
app_secret=CLARIFAI_APP_SECRET,
base_url='https://api.clarifai.com')

def batch_request(imgs, bboxes):
"""use the API to tag a batch of occulded images"""
assert len(bboxes) < 128
#convert to image bytes
stringios = []
for img in imgs:
stringio = StringIO()
img.save(stringio, format='JPEG')
stringios.append(stringio)
#call api and parse response
output = []
response = clarifai.tag_images(stringios, model='nsfw-v1.0')
for result,bbox in zip(response['results'], bboxes):
nsfw_idx = result['result']['tag']['classes'].index("sfw")
nsfw_score = result['result']['tag']['probs'][nsfw_idx]
output.append((nsfw_score, bbox))
return output

def build_bboxes(img, boxsize=72, stride=25):
"""Generate all the bboxes used in the experiment"""
width = boxsize
height = boxsize
bboxes = []
for top in range(0, img.size[1], stride):
for left in range(0, img.size[0], stride):
bboxes.append((left, top, left+width, top+height))
return bboxes

def draw_occulsions(img, bboxes):
"""Overlay bboxes on the test image"""
images = []
for bbox in bboxes:
img2 = img.copy()
draw = ImageDraw.Draw(img2)
draw.rectangle(bbox, fill=True)
images.append(img2)
return images

def alpha_composite(img, heatmap):
"""Blend a PIL image and a numpy array corresponding to a heatmap in a nice way"""
if img.mode == 'RBG':
img.putalpha(100)
cmap = plt.get_cmap('jet')
rgba_img = cmap(heatmap)
rgba_img[:,:,:][:] = 0.7 #alpha overlay
rgba_img = Image.fromarray(np.uint8(cmap(heatmap)*255))
return Image.blend(img, rgba_img, 0.8)

def get_nsfw_occlude_mask(img, boxsize=64, stride=25):
"""generate bboxes and occluded images, call the API, blend the results together"""
bboxes = build_bboxes(img, boxsize=boxsize, stride=stride)
print 'api calls needed:{}'.format(len(bboxes))
scored_bboxes = []
batch_size = 125
for i in range(0, len(bboxes), batch_size):
bbox_batch = bboxes[i:i + batch_size]
occluded_images = draw_occulsions(img, bbox_batch)
results = batch_request(occluded_images, bbox_batch)
scored_bboxes.extend(results)
heatmap = np.zeros(img.size)
sparse_masks = []
for idx, (nsfw_score, bbox) in enumerate(scored_bboxes):
mask = np.zeros(img.size)
mask[bbox[0]:bbox[2], bbox[1]:bbox[3]] = nsfw_score
Asp = sp.csr_matrix(mask)
sparse_masks.append(Asp)
heatmap = heatmap + (mask - heatmap)/(idx+1)
return alpha_composite(img, 80*np.transpose(heatmap)), np.stack(sparse_masks)

#Download full Lena image
r = requests.get('https://clarifai-img.s3.amazonaws.com/blog/len_full.jpeg')
stringio = StringIO(r.content)
img = Image.open(stringio, 'r')
img.putalpha(1000)

#set boxsize and stride (warning! a low stride will lead to thousands of API calls)
boxsize= 64
stride= 48
blended, masks = get_nsfw_occlude_mask(img, boxsize=boxsize, stride=stride)

#viz
blended.show()


Хотя такие эксперименты позволяют легко увидеть результат работы классификатора, у них есть недостаток: сгенерированные визуализации часто довольно расплывчаты. Это мешает по-настоящему понять, что в реальности делает нейросеть и понять, что может пойти неправильно во время её обучения.



Развёртывающие нейронные сети (Deconvolutional Networks)

После обучения сети на заданном наборе данных нам бы хотелось взять изображение и класс, и спросить у нейросети что-нибудь вроде «Как мы можем изменить это изображение, чтобы оно лучше соответствовало заданному классу?». Для такого мы используем развёртывающую нейросеть, как описано в разделе 2 вышеупомянутой научной статьи Зайлера и Фергуса 2014-го года:



Развёртывающую нейросеть можно представить как свёрточную нейросеть, которая использует такие же компоненты (фильтрация, пулинг), но наоборот, так что вместо отображения пикселов для признаков она делает противоположное. Для изучения конкретной активации свёрточной нейросети, мы устанавливаем все остальные активации в этом слое на ноль и пропускаем карты признаков как входящие параметры к присоединённому слою развёртывающей нейросети. Потом мы успешно производим 1) анпулинг; 2) исправление и 3) фильтрацию, чтобы восстановить активность в нижнем слое, который породил выбранную активацию. Потом процедура повторяется до тех пор, пока мы не дойдём до исходного пиксельного слоя.



[…]



Процедура похожа на обратное распространение одной сильной активации (в отличие от обычных градиентов), например, вычисление , где — это элемент карты признаков с сильной активацией, а — исходное изображение.


Вот результат, полученный от развёрточной нейросети, которой дали задание показать необходимые изменения на фотографии Лены, чтобы она больше походила на порнографию (примечание: используемая здесь развёрточная нейросеть работает только с квадратными изображениями, так что мы дополнили фотографию Лены до квадрата):







Барбара — более пристойная версия Лены. Если верить нейросети, это можно исправить, добавив красного цвета на губы.







Следующий кадр с Урсулой Андресс в роли Хани Райдер из фильма «Доктор Ноу» с Джеймсом Бондом, занял первое место в опросе 2003 года на «самый сексуальный момент в истории кинематографа».







Выдающийся результат вышеописанных экспериментов состоит в том, что нейросеть смогла понять, что красные губы и пупки — это индикаторы "NSFW". Скорее всего, это означает, что мы не включили достаточное количество изображений красных губ и пупков в наш обучающий набор данных "SFW". Если бы мы оценивали нашу модель только изучая точность/полноту и кривые ROC (показаны внизу, набор тестовых изображений: 428 271), мы бы никогда не обнаружили этот факт, потому что у нашей тестовой выборки такой же недостаток. Это показывает фундаментальную разницу между классифакторами на основе правил и современными исследованиями ИИ. Вместо переработки признаков вручную, мы перекраиваем набор данных, пока признак не улучшится.







В конце концов, для проверки надёжности, мы запустили развёрточную нейросеть на хардкорной порнографии, чтобы убедиться, что усвоенные признаки действительно соответствуют объектам, которые очевидно относятся к NSFW.







Здесь мы ясно видим, что свёрточная нейросеть правильно усвоила объекты «пенис», «анус», «влагалище», «сосок» и «ягодицы» — те объекты, которая наша модель должна распознавать. Более того, обнаруженные признаки гораздо более подробны и сложны, чем могут вручную описать исследователи, и это объясняет тот значительный успех, которого мы добились при использовании свёрточных нейросетей для распознавания непристойных фотографий.

Original source: habrahabr.ru (comments, light).

https://habrahabr.ru/post/282071/

Комментарии (0)КомментироватьВ цитатник или сообщество
ivapet

Телеканал CNN сравнил Путина с Макиавелли News Front InfoPolk.ru

Четверг, 14 Апреля 2016 г. 21:46 (ссылка)
infopolk.ru/1/E/2016/04/14/...9efd14bb02

Телеканал CNN сравнил Путина с Макиавелли


 

Телеканал CNN ответ Владимира Путина во время «Прямой линии» на каверзный вопрос 12-летней девочки Вари назвал достойным итальянского философа Макиавелли. Об этом в прямом эфире телеканала заявил корреспондент Мэтью Чанс ...

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
rss_rss_hh_new

Нейрореволюция в головах и сёлах

Четверг, 12 Февраля 2016 г. 03:51 (ссылка)


В последнее время всё чаще и чаще слышишь мнение, что сейчас происходит технологическая революция. Бытует мнение, что мир стремительно меняется.



На мой взгляд такое и правда происходит. И одна из главных движущих сил — новые алгоритмы обучения, позволяющие обрабатывать большие объёмы информации. Современные разработки в области компьютерного зрения и алгоритмов машинного обучения могут быстро принимать решения с точностью не хуже профессионалов.

Я работаю в области связанной с анализом изображений. Это одна из областей которую новые идеи затронули сильнее всего. Одна из таких идей — свёрточные нейронные сети. Четыре года назад с их помощью впервые начали выигрывать конкурсы по обработке изображений. Победы не остались незамеченными. Нейронными сетями, до тех пор стоящими на вторых ролях, стали заниматься и пользоваться десятки тысяч последователей. В результате, полтора-два года назад начался бум, породивший множество идей, алгоритмов, статей.

В своём рассказе я сделаю обзор тех идей, которые появились за последние пару лет и зацепили мою тематику. Почему происходящее — революция и чего от неё ждать.

Кто лишиться в ближайшие лет десять работы, а у кого будут новые перспективные вакансии.

Читать дальше →

https://habrahabr.ru/post/277069/

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
златослоВИКА

CNN: Исламская коалиция мобилизует 150 тыс. военных для наземной операции в Сирии

Вторник, 10 Февраля 2016 г. 00:04 (ссылка)

Это цитата сообщения нахапурик Оригинальное сообщение

0 - КГБ (100x97, 11Kb)
Для ведения наземной операции в Сирию будут направлены военные Саудовской Аравии, Марокко, Кувейта, Бахрейна, ОАЭ и Катара.

Межправительственный военный блок стран Исламского мира мобилизует 150 тыс. военных для наземной операции в Сирии, сообщает CNN.
original (48) (660x370, 337Kb)
Военнослужащие из Марокко, Кувейта, Бахрейна, ОАЭ и Катара присоединятся к армии Саудовской Аравии. Также ожидается, что военных для участия в операции направит Малайзия, а позже прибудут силы Индонезии и Брунея.

Напомним, что 4 февраля представитель оборонного ведомства Саудовской Аравии заявил о готовности страны участвовать в наземной операции.

http://puls-planeta.ru/url?e=simple_click&blog...%2Flifenews.ru%2Fnews%2F184222
09.02.2016 в 01:00

ПОСТСКРИПТУМ: ,,Ну пойдет нефть сейчас повышаться в цене... А нам вже она по барабану - хоть канет в лету. Господи, где ж мы столько хоронить-то будем, в маленькой Сирии!"

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
Digitus_Impudicus

Рождение принца Кембриджского: Главное - не переусердствовать

Пятница, 25 Декабря 2015 г. 10:07 (ссылка)

Пожалуй, нет такого человека, который не слышал о рождении сына Кейт Мидлтон и принца Уильяма. Если кто-то не знает, то маленький принц появился на свет в понедельник, 22 июля, в 16:24 по времени Лондона . Сколько шума и хлопот было вокруг этого события, некоторые СМИ сообщали едва не посекундно, что происходит в родильной палате. Но - известно - всегда нужно следить за тем, чтобы не переусердствовать, что и постигло один из каналов.


CNN настолько подготовился к событию, что сюжеты для новостей были готовы ко всему. И все бы было хорошо, если бы новый стажер не перепутал видео и не пустил в эфир заготовку о смерти маленького принца, о чем возвестил журналист Джозеф Керл на своем микроблоге в Твиттере, поместив там еще и фотографию:


Возможно, новый работник и не виноват в том, что произошло, поскольку в первые дни работы мы учимся, но мЕНЕНДЖЕР CNN могли бы позаботиться о том, чтобы событие десятилетий запомнилась на их канале не как ужасная ошибка .

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
merlinwebdesigner

Путин не дал изолировать Россию

Вторник, 15 Декабря 2015 г. 11:57 (ссылка)


РАБОТА ВКС РФ В СИРИИ



3996605_Amerikanskoe_Tango_by_MerlinWebDesigner (250x250, 32Kb)



ИЗОЛЕНТЫ НЕ ХВАТАЕТ



Вмешательство России в Сирии имеет множество последствий. Она впервые вступила в военный конфликт за пределами своих границ, в Грузии и на Украине, двух бывших советских республиках со всем сложным наследием исторических, геополитических, этнических, лингвистических и экономических факторов, свою роль сыграли уникальные обстоятельства.



3996605_Read_More (223x52, 4Kb)


 

Share        Subscribe
Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
merlinwebdesigner

Ложь как аргумент в политике

Понедельник, 14 Декабря 2015 г. 16:46 (ссылка)


ЛОЖЬ О ПУТИНЕ И ЛЖЕЦЫ ЕЁ РАСПРОСТРАНЯЮЩИЕ



3996605_Obama6_by_MerlinWebDesigner (250x250, 29Kb)



Очередные порции лжи о Путине, рождаются практически каждую неделю или месяц, но они никогда не убеждают серьёзных людей вследствие своей убогости.



3996605_Read_More (223x52, 4Kb)


 



Share        Subscribe

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество

Следующие 30  »

<cnn - Самое интересное в блогах

Страницы: [1] 2 3 ..
.. 10

LiveInternet.Ru Ссылки: на главную|почта|знакомства|одноклассники|фото|открытки|тесты|чат
О проекте: помощь|контакты|разместить рекламу|версия для pda