Be the only one, not the best one

NeurIPS 2019 Implementations

Papers with code: https://paperswithcode.com/conference/neurips-2019-12

#ArtificialIntelligence #DeepLearning #NeurIPS2019

This course uses pytorch instead of tensorflow.[
[](https://t.co/lahLZspADM?amp=1)https://www.youtube.com/playlist?list=PLoROMvodv4rOhcuXMZkNm7j3fVwBBY42z](https://www.youtube.com/playlist?list=PLoROMvodv4rOhcuXMZkNm7j3fVwBBY42z)

This is an attempt to modify Dive into Deep Learning, Berkeley STAT 157 (Spring 2019) textbook's code into PyTorch

GitHub, by SDS Data Science Group, IIT Roorkee: https://github.com/dsgiitr/d2l-pytorch

#datascience #deeplearning #pytorch

안녕하세요~ 질문하나 드립니다!

제가 현재 약 40만건의 데이터를 활용해서 가설 검정(5그룹간 평균차이분석)을 하려하는데요~ 샘플사이즈가 너무 커서 검정력이 너무 세질까봐 Gpower를 이용해서 표본을 추출하였습니다.

여기서 질문이 몇가지 있는데요.

1. 검정력
ANOVA나 Kruskal-wallis 모두 공식을 보았을때 n이 커지면 검정력이 높아질 것으로 보이는데 맞는지요?!

2. sample size
sample size를 추출할때 power, alpha, effect size(중간), 그룹의 수를 이용하는데, 제가 생각했을때는 power를 0.8로 지정하면 sample size가 너무 작아 표본을 대표할 수 없다고 생각이 들어 0.95로 설정하였습니다. 이것이 문제가 될까요? 혹시 문제가 된다면 어떤 값을 넣는것이 알맞을지 궁금합니다.

3. 표본의 대표성
총 40만건의 데이터 중 위의 설정한대로 추출하면 1700~1800(정확히 기억은 안납니다ㅠ)으로 그룹당 350?건 정도로 나타나는데요. 이렇게 샘플사이즈를 작게 책정하였을때 표본의 대표성이 떨어지는 문제가 발생할것으로 보이는데 이럴때는 어떻게 해야하나요?

4. 가설검정
다섯그룹의 평균차이검정을 실시하기위해 위의 샘플수를 추출한 뒤에 정규성검정을 시행하였는데 위배되었습니다. 따라서 비모수적인 방법을 사용하였는데요. 랜덤샘플링에 따라 결과가 어떻게 나타나는지 비교하기위해 10개의 데이터셋으로 샘플추출하여 분석하였는데요. 대부분의 경우 H0를 채택하였지만 간혹 H0를 기각하는 경우가 발생해서요. 이것도 표본의 대표성 문제인가요?!

답변주시면 감사드리겠습니다!

Animorphing into Mario (thanks stylegan2 lol)

relevant stylegan2 paper: https://www.profillic.com/paper/arxiv:1912.04958

Here's a small set of resources that I would like to share with the group.

1. Jupyter Notebooks (around 20) on pytorch - a set of tutorials: https://github.com/Tessellate-Imaging/Pytorch_Tutorial
Notebooks on
Crucial tensor functions
Data Loaders
Layers, activations, optimizers, initializers and losses
Classification examples and transfer learning

2. OpenSource Transfer learning library Monk: https://github.com/Tessellate-Imaging/monk_v1
Monk features
low-code
unified wrapper over major deep learning framework - keras, pytorch, gluoncv
syntax invariant wrapper
Enables
to create, manage and version control deep learning experiments
to compare experiments across training metrics
to quickly find best hyper-parameters
At present it only supports transfer learning, but we are working each day to incorporate
various object detection and segmentation algorithms
deployment pipelines to cloud and local platforms
acceleration libraries such as TensorRT
preprocessing and post processing libraries

3. Jupyter Notebooks blog series on Monk-Pytorch - Building classification applications: https://medium.com/@monkai.betasignup
American sign language classification
Leaf Disease Classification
Food Classification
Indoor Scene Classification
Fashion Classification

P.S - Inviting computer vision enthusiats to contribute to Monk tool.

Keep Learning!!!

MIT lecture series on deep learning in 2019
MIT lecture series on deep learning:Basics: https://www.youtube.com/watch?v=O5xeyoRL95U&list=PLrAXtmErZgOeiKm4sgNOknGvNjby9efdf
MIT lecture series on deep learning: State of the Art:https://www.youtube.com/watch?v=53YvP6gdD7U&list=PLrAXtmErZgOeiKm4sgNOknGvNjby9efdf
MIT lecture series on deep learning: Introduction to Deep RL: https://www.youtube.com/watch?v=zR11FLZ-O9M&list=PLrAXtmErZgOeiKm4sgNOknGvNjby9efdf

Find The Most Updated and Free Artificial Intelligence, Machine Learning, Data Science, Deep Learning, Mathematics, Python Programming Resources
https://www.marktechpost.com/free-resources/

안녕하세요 ! 매주 금요일 밤마다 따끈따끈하고 재밌는 논문으로 찾아오는..

딥러닝논문읽기모임의 25번째, 2019년 마지막 유튜브 영상이 업로드 되어 공유합니다!!!!!

이번주 논문은 요즘 GAN에 대해 연구가 활발히 이루어 짐에 따라 여러 도메인 분야에서 활용이 되고 있는데요 실제로 활용이 될때는 여러가지 제약사항이 발생하게 됩니다. 그 중 대표적으로 데이터의 부족이 하나의 큰 이슈중 하나 일텐대요,

이러한 문제를 해결하고자 Single natural Image 데이터를 활용해 generative에 성공한 논문인 ‘singan’을 리뷰해 보았습니다!

이미지처리 팀의 고진호님이 친절하고 자세한 설명 진행해 주시고, 모임회원님들과 발표를 완성해 보았습니다!

매주 유익한 논문리뷰가 이어질 예정이니 관심 가져주시면 감사하겠습니다. 링크 ->

[https://youtu.be/pgYIuA4O95E](https://www.youtube.com/watch?v=pgYIuA4O95E)

Introduction to Reinforcement Learning

By DeepMind : https://youtube.com/watch?v=2pWv7GOvuf0&list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ

#ArtificialIntelligence #DeepLearning #ReinforcementLearning

안녕하세요 SLAM공부 김기섭입니다.

#

다들 카메라 많이 쓰시나요, 라이다 많이 쓰시나요?

개인적으로 라이다는 3차원 거리정보가 명확하게 나오고

시간에 따라 (가시광선의 정도에 따라) 해당 장소에서 얻어지는 데이터가 크게 달라지지 않기때문에 (== visual appearance change 에 robust하다)

localization 이나 SLAM에서 place recognition 을 위해 카메라 기반보다 유리하다고 생각하는데요,

#

하지만 카메라에서 얻을 수 있는 영상정보의 장점이 분명 있기 때문에,

카메라를 쓰면서 라이다의 이점을 얻을 수 있다면 참 좋겠다고 생각하고 있었는데요,

관련 논문을 하나 소개해드리려고 합니다.

https://arxiv.org/pdf/1909.07267.pdf

Place Recognition for Stereo Visual Odometry using LiDAR Descriptors

ICRA20 submit 이라고 하고

코드도 있네요 https://github.com/jiawei-mo/3d_place_recognition



#

아이디어는 간단합니다.

스테레오 카메라의 경우 3차원 포인트클라우드를 direct로 얻을 수 있기 때문에,

이렇게 얻어진 point cloud 를 기존 개발된 lidar place recognition 의 input으로 넣어주면

카메라로도 place recognition 잘 할 수 있지 않을까? 라는 논문입니다.

#

아이디어는 간단한데 실험을 풍부하게 많이 해주었구요,

이미지에서 Place Recognition 으로 많이 쓰이는 NetVLAD보다

lidar 를 위해 개발되었던 방법들이 (특히 계절이 다른 두 시퀀스 사이에서) 더 성능이 좋음을 보고하고 있습니다.

appearance 보다 structure 가 일단은 장소 인식에 더 Robust 하다고 볼 수 있겠네요.

하지만 이미지 appearance도 분명 장점이 있는 만큼 카메라 기반에서 appearance와 structure 를 융합하는 시도가 다음 연구 추세가 될거같기도 하네요.

어서 누가 해줬으면 좋겠습니다!

#

이상입니다

감사합니다~

State of the art in deblurring and generating realistic high-resolution facial images

https://www.profillic.com/paper/arxiv:1912.10427

(An adversarial network comprising a generator and two discriminators is proposed)

안녕하세요! 지난번에 이어 Detectron2에서 custom dataset을 활용하여 object detection 알고리즘을 학습시켜보는 간단한 튜토리얼을 공유합니다[1].
이번에도 AIHub에서 제공하는 보행자 데이터셋[2]을 이용하였습니다. Detectron2 프레임워크 자체가 인터페이스가 너무 잘 되어 있어서 custom dataset을 활용하기 정말 간편합니다.(Detectron2에서 제공하는 cDatasetCatalog에 데이터셋을 간편하게 등록하기만 하면 됩니다. 자세한 내용은 주피터 노트북 튜토리얼을 참고하세요!)
+ AIHub에 오늘 접속해보니 보행자 데이터셋이 추가 업데이트되었네요. bbox annotation가 추가되었고 (구체적인 통계는 아직 모르겠습니다), depth map과 instance segmentation을 위한 polygon annotation이 추가되었습니다. 데이터 퀄리티는 확인해 봐야 알겠지만 (bbox는 확실히 꼼꼼하고 좋았습니다), 시도해볼 것들이 많아졌군요!
다음 시간에는 detectron2를 활용해 다양한 모델을 커스터마이징 하는 방법을 공유하도록 하겠습니다.
오늘도 즐거운 하루 보내세요!
REFERENCES
[1] http://bit.ly/2EGDgQm
[2] http://aihub.or.kr/aidata/136

크리스 마스 선물이 속속 도착 중인데요. 이번은 Tf를 무료로 배울수 있는 10곳의 멋진 사이트를 소개 합니다

TF 2020 gogo!!

https://analyticsindiamag.com/10-free-resources-to-learn-tensorflow-in-2020

Hi all, I just published a tutorial on how to tune dlib shape/landmark predictor hyperparameters to balance:

1. Speed

2. Accuracy

3. Model size

You can find the full tutorial here:

https://www.pyimagesearch.com/2019/12/23/tuning-dlib-shape-predictor-hyperparameters-to-balance-speed-accuracy-and-model-size/

I hope you enjoy it! And if you liked it, please do give it a share. Thank you!

OpenCV 4.2.0이 정식 릴리즈되었습니다. 이번 릴리즈에서 드디어 CUDA를 이용하여 DNN 모듈을 실행할 수 있게 되었네요. 대박입니다!!! 잠깐 살펴보니 ResNet, VGG16 SSD, YOLO v3 등은 약 10배 빨라지네요. 이참에 컴퓨터 포맷하고 CUDA, OpenCV, TensorFlow 등등을 새로 깔끔하게 설치해야겠네요.

OpenCV 4.2.0의 전체 변경 사항은 아래 ChangeLog를 참고하시구요..

[https://github.com/opencv/opencv/wiki/ChangeLog#version420](https://github.com/opencv/opencv/wiki/ChangeLog#version420)

OpenCV 4.2.0 다운로드는 아직 OpenCV 홈페이지에는 게시되지 않았습니다. 대신 OpenCV Github에서 다운받을 수 있습니다.

[https://github.com/opencv/opencv/releases](https://github.com/opencv/opencv/releases)

[https://github.com/opencv/opencv_contrib/releases](https://github.com/opencv/opencv_contrib/releases)

OpenCV에서 CUDA를 사용하려면 소스 코드를 직접 빌드해야 합니다. DNN에서 CUDA 백엔드를 사용하려면 WITH_CUDA, WITH_CUDNN, OPENCV_DNN_CUDA 옵션을 설정해야 합니다. 조만간 직접 빌드를 해보구요, 빌드 방법을 공유해보도록 하겠습니다.

GAN that can fix ambient lighting in low-quality flash-lit images!

https://www.profillic.com/paper/arxiv:1912.08813

Naver D2 테크톡 영상중에

슬램관련 좋은것들이 있네요

Depth estimation: Do we need to throw old things away?

https://www.youtube.com/watch?v=qs_aI40WrX8

Visual Geometry with Deep Learning

https://youtu.be/87DcC8ksRHs

Knowledge of probability is a prerequisite for developing a good understanding of data science and machine learning. To help students learn basic probability concepts, Prof. Anand Seetharam from SUNY Binghamton has created this playlist

https://m.youtube.com/playlist?feature=share&list=PLXDX4vxbgW0CxCkGLQN_2R360ETWJMHi7

State of the art in image processing using GANs

https://www.profillic.com/paper/arxiv:1912.07116

XGBoost: An Intuitive Explanation

Ashutosh Nayak : https://towardsdatascience.com/xgboost-an-intuitive-explanation-88eb32a48eff

#MachineLearning #DataScience #RandomForest #Xgboost
#DecisionTree

지난 ROSCON 2019에서

SLAM toolbox 라는 것이 소개되었었네요

video: https://vimeo.com/378682207

slide: https://roscon.ros.org/2019/talks/roscon2019_slamtoolbox.pdf

code: https://github.com/SteveMacenski/slam_toolbox

abstract:

We introduce the SLAM Toolbox. It implements synchronous and asynchronous SLAM for massive indoor and changing environments as well as life-long mapping and localization modes. SLAM Toolbox brings several improvements over the existing solutions. This includes plugin optimizers with default Ceres, speed-ups in Karto's scan matcher, pose-graph manipulation tools, serialization, continued mapping on serialized SLAM graphs, pose-graph localization rolling window technique as a replacement for AMCL, and enables fully distributed mapping without the use of derived 2D occupancy image maps. This package was built for mapping of massive retail and warehouse applications, though likely effective out of those scopes. This talk will go over key points of SLAM Toolbox, demonstrations in production environments, and how to enable it in your application.

https://www.facebook.com/groups/847991005393886/permalink/1162345990625051/?sfnsn=mo아시는 분은 이미 아시겠지만 Nvidia의 StyleGAN v2 가 공개되었습니다. 전체적으로 generation 성능이 매우 개선되었습니다. 앞으로 발전이 더 기대가 되네요!

Video: [https://www.youtube.com/watch?v=c-NJtV9Jvp0](https://www.youtube.com/watch?v=c-NJtV9Jvp0)

Code: [https://github.com/NVlabs/stylegan2](https://github.com/NVlabs/stylegan2)

Paper: [https://arxiv.org/abs/1912.04958](https://arxiv.org/abs/1912.04958)

Recently, I came across this excellent machine learning playlist by Prof. Arti Ramesh from SUNY Binghamton. It contains videos on all topics covered in a machine learning course. I think folks here will like it.

https://m.youtube.com/channel/UCt8HFaRhijEKuKY7qzvdA3A

안녕하세요!
지난번에 이어 Detectron2에서 custom dataset을 활용하여 object detection 알고리즘을 학습시켜보는 간단한 튜토리얼을 공유합니다[1].

이번에도 AIHub에서 제공하는 보행자 데이터셋[2]을 이용하였습니다. Detectron2 프레임워크 자체가 인터페이스가 너무 잘 되어 있어서 custom dataset을 활용하기 정말 간편합니다.(Detectron2에서 제공하는 cDatasetCatalog에 데이터셋을 간편하게 등록하기만 하면 됩니다. 자세한 내용은 주피터 노트북 튜토리얼을 참고하세요!)

+ AIHub에 오늘 접속해보니 보행자 데이터셋이 추가 업데이트되었네요. bbox annotation가 추가되었고 (구체적인 통계는 아직 모르겠습니다), depth map과 instance segmentation을 위한 polygon annotation이 추가되었습니다. 데이터 퀄리티는 확인해 봐야 알겠지만 (bbox는 확실히 꼼꼼하고 좋았습니다), 시도해볼 것들이 많아졌군요!

다음 시간에는 detectron2를 활용해 다양한 모델을 커스터마이징 하는 방법을 공유하도록 하겠습니다.
오늘도 즐거운 하루 보내세요!

REFERENCES
[1] http://bit.ly/2EGDgQm
[2] http://aihub.or.kr/aidata/136

안녕하세요, Cognex Deep Learning Lab KOR (前 수아랩)에서 머신러닝 엔지니어로 일하고 있는 이호성이라고합니다.
자사의 기술블로그(http://research.sualab.com/) 에 전이 학습(Transfer Learning) 관련 글이 올라와서 홍보차 글을 올리게 되었습니다. 이번 글은 기홍도 연구원님이 작성해주셨습니다.

http://research.sualab.com/introduction/review/2019/12/19/transfer-learning-in-sualab.html

전이 학습(Transfer Learning)은 딥러닝을 공부하시는 분들은 다들 많이 들어보셨을 것이라 생각합니다. 소스(source)의 지식을 타겟(target)으로 전이시키는 과정을 의미하며 ImageNet으로 pretraining 한 model을 다른 task에 적용하는 것이 가장 대표적으로 쓰이는 예시입니다. 자세한 내용은 블로그 글에서 확인하실 수 있습니다.

그동안 수아랩의 기술블로그에서는 Tutorial, 논문 리뷰 등의 주제로만 글을 작성하였었는데, 이번 글은 전이 학습 분야에 대한 소개는 물론, 수아랩이 전이 학습을 어떻게 사용하고 있는지, 앞으로 어떻게 연구를 진행할 지 등을 다루고 있으니 많은 관심 부탁드리겠습니다. 감사합니다!

글로벌 '딥페이크 식별 챌린지. '딥 페이크 감지 챌린지 (DFDC, Deepfake Detection Challenge)'

딥페이크 폐해를 막기 위해 페이스북, 마이크로소프트, AWS 그리고 13 개국 100개 파트너로 결성된 'AI 파트너십'이
총상금 100만 달러(약 11억8천만원),
(Kaggle)에서 진행, 내년 3월 31일까지.

'딥 페이크 감지 챌린지(DFDC, Deepfake Detection Challenge)' 행사 웹사이트
https://deepfakedetectionchallenge.ai/

캐글 진행 홈페이지
https://www.kaggle.com/c/deepfake-detection-challenge

관련 기사
http://www.aitimes.kr/news/articleView.html?idxno=14906

안녕하세요.
이번에 Tracking 관련해서 연구를 시작하게 되었는데, 라벨링 관련해서 궁금한게 있어 질문올립니다.
현재 비디오에서 annotation을 하는 중인데, 30만장이 넘는 데이터셋이라서 수작업은 불가능하다고 판단하고 다음과 같은 과정으로 annotation을 진행했습니다.
비디오에서 Object가 Translation과 Rotation만 일어나는 것을 확인
Unet으로 비디오 첫 프레임의 Object만 학습시킨뒤 나머지는 Prediction
전처리후 육안으로 걸러내면 annotation 완료

음.. 그런데, 수작업이 아니다보니 annotation된 데이터는 어느정도의 오차를(육안으로 5%정도) 가질수 밖에 없는데, 해당 오차를 가지고 있는 데이터셋으로 실험을 했을 때 이게 합당하느냐에 대한 질문을 받았습니다.

혹시 비디오 이미지에서 라벨링을 하시는 분들은 어떻게 하고 계신지, 그리고 이런 문제에 대해서 다루고 있는 논문같은게 있으면 공유를 부탁드립니다 ㅜㅜ
미리 감사드립니다 :)

돈이 있으시면 https://aws.amazon.com/ko/sagemaker/groundtruth/

이제 캐글은 국내 많은 이들의 관심사가 된 것 같습니다.

저희 그룹이 7,000명이 넘어가면서

"왜 캐글을 해야할까" 라는 질문을 항상 하곤 합니다.

아마 본 그룹에 계신분들도 가지고 이 질문을 가지고 계실 거 같네요!

각자마다 캐글을 해야하는 이유가 다를 것입니다.

이를 위한 현실적 조언을 해주는 여러 동영상을 소개 합니다.

우버 Uber Sr. Data Scientist Tech Lead Manager Jeong-Yoon Lee 박사님의 조언

https://youtu.be/vM6D4Q-a4QA

네이버 AI Research Engineer 송호연 (Chris Song)님의 조언

https://www.youtube.com/watch?v=8mjeJpHtLVQ

위 두 영상을 보며, 본 그룹의 개개인에게 캐글이 어떤 의미인지 고민해보시면 좋을 것 같군요!

각자가 원하는 방향은 다르지만,

킵고잉 공부 마인드는 같을 겁니다.

포기하지말고 킵고잉 합시다 가즈아!

The Complete Deep learning Masterpiece by Andrew Ng

Neural Networks and Deep Learning.

Improving Deep Neural Networks: Hyperparameter tuning.

Regularization, and Optimization.

Structuring Machine Learning Projects.

Convolutional Neural Networks.

Sequence Models.

Beautifully drawn notes by Tess Ferrandez:
https://www.slideshare.net/TessFerrandez/notes-from-coursera-deep-learning-courses-by-andrew-ng

You can Download the PDF here 👇🏼:
https://github.com/mukeshmithrakumar/Book_List/blob/master/Deep%20learning%20Masterpiece%20by%20Andrew%20Ng.pdf

Credit: Mahmoud Badry

Follow me for more AI and Data science posts :
https://www.facebook.com/adhiraiyan/

#artificialintelligence #datascience #machinelearning #deeplearning #technology

https://www.facebook.com/groups/1738168866424224/permalink/2482023208705449/?sfnsn=mo
State of the art in estimating 3D human pose and shape! https://www.profillic.com/paper/arxiv:1912.05656