Работы фрилансеров › Машинное обучение 24

#php #yii2

Демонстрационная программа для распознавания кошек и собак на изображенях. Свёрточные нейронные сети. Точность 85-90%. Интерфейс сделан на Tkinter.

На основе методов машинного обучения разработаны модели для автоматического поиска и удаления логотипа (WaterMark, водная печать).

Программа состоит из 3 частей:
Часть 1. Детекция, определение местоположения и вырезание логотипа с субпиксельной точностью.
… Часть 2. На основе 50-100+ экземплярах фото (объектах обучения) вычисляется обратное математическое преобразовании для каждого пиксела, при котором частотный спектр области под логотипом соответствует области вокруг логотипа. Тем самым удается на 90-99% уменьшить видимость ватермарка на исходном фото
Часть 3. Пакетное применение обученной модели удаления ватермарка для фотографий.

Результаты:
В данной работе Логотип был удален на 7433 фото.
Время преобразования: по 3-5 секунд на очистку одного фото (1600х1200, 1280х960).
Среднеквадратичное отклонение 0.3 градиента цвета.
Зрительный контроль > 93% фотографий распознать наличие логотипа не представляется возможным.
6% фото — только при увеличении контрастности на 300% логотип слегка виден
1% фото — при увеличении на месте удаленного ватермарка заметен небольшой пиксельный шум.

Цена 200-300$ - обучение модели 1-му виду логотипов
(в зависимости от сложности логотипа)
N x 0.02$ - автоматическая обработка 1-й фотографии

(Примеры в полном качестве высылаю по запросу)

Распознавание эмоций в наборе данных FER2013 с использованием сверточной нейронной сети (CNN).

Победитель - 71.161 % точности
Эта модель - 66.369 % точности

Простая однослойная нейронная сеть для распознавания рукописных однозначных цифр (0-9) из файлов изображений MNIST.

Нейронная сеть, генерирующая забавные новости на основе реальных новостей Украины с https://korrespondent.net/ukraine/
Для генерации новости напишите /newh боту

Консольное серверное приложение которое по видео (или c live камеры или видео файл)
оценивает в выбранной зоне уровень загрязнений.
Вся "грязь" классифицируется на 4 категории: грязь, мелкий мусор, крупный муссор, посторонние преметы. Все данные записываются в БД.
Python3.7 + OpenCV 4

Распознавание и классификация объектов на изображении. Сетка была обучена на малой выборке, можно увидеть погрешности. #neural-networks #машинное обучение #машинное зрение

Генерация НОВЫХ Покемонов используя GPT-2

В данном репозитории находятся два IPython Блокнота для тренировки и генерации изображений с помощью GPT-2. Эта нейронная сеть с 1.5 млрд параметров (против обычно используемых в таких случаях 100-300 млн) оказалась способна генерировать целые страницы связного текста.

… Картинки Покемонов были переведены в текст, и "скормлены" нейросети.

Кол-во эпох - 400 000.

Несколько лабораторных работ в рамках одного исследования. Был выполнен анализ данных, постановка задачи, которую предлагалась решить с помощью машинного обучения, подбор наилучшего алгоритма, визуализация результата и развёртывание обученной модели в облаке MS Azure. Тестирование работы развёрнутой модели через POST (json) API.
Работа была с творческим уклоном. Постановка бизнес задачи была выбрана исходя из данных в датасете и потенциального интереса для реального использования.