تمام گامهای پیش نیاز تمرین سری 8 به همراه فایلهای مورد نیاز در آدرس

https://github.com/Alireza-Akhavan/iran-celeb

قرار داده شده است.

پوشه نهایی تصاویری است که تنها و تنها 1 چهره در آن مشاهده میشود و چهره تراز شده است. همچنین تمام تصاویر این پوشه نهایی در سایز 182*182 خواهند بود.

لطفا طبق گامهای نوشته شده پیش بروید و تمام ابهامات را در گروه درس بپرسید.

نرم افزار labelimg نسخه های build شده هم داره که نیاز به نصب پیش نیاز و پایتون نداره
برای ویندوز فایل exe است:
http://tzutalin.github.io/labelImg/

تمرین سری هشتم

یادداشت های کلاسی سه جلسه مربوط به چهره در سایت اضافه شدند.

تطبیق و بازشناسی چهره(1) :
شبکه‌های Siamese - معرفی Low Shot Learning، One Shot Learning و zero Shot Learning
تابع خطای triplet loss


تطبیق و بازشناسی چهره(2) :
تابع خطا Center loss - بررسی کد

تشخیص چهره :
بررسی دو روش کلاسیک haar-cascade و مبتنی بر یادگیری عمیق MTCNN


با تشکر از خانم ها برادران افتخاریان، یوسفی و سلیمیان

سلام، قرار بود 5 روز تاخیر مجاز داشته باشید که در نمرات بالا اعمال نشده.
لطفا برای اعمال نمره 5 روز تاخیر و اعلام تمارینی که قصد اعمال 25 نمره را روی آنها دارید در اسرع وقت به خانم قربانی پیام دهید.

مراحل انجام و معرفی انباره های کد(repository):

Face-landmarks-detection-benchmark
https://github.com/mrgloom/Face-landmarks-detection-benchmark

Face-Swap
https://github.com/mrgloom/Face-Swap

#face #github

#تحویل_پروژه


سلام.
لطفا تا قبل نهایت روز قبل از تحویل حضوری پروژه کدها به همراه داکیومنت های پروژه ی گروه خود را یک نفر به نمایندگی از هر گروه در github درس و در پوشه

contributed/Course-Project_winter96-097/

و در پوشه ای همنام پروژه push کنید.


لطفا برای نام فایلها از اسامی با معنی انگلیسی استفاده کنید.

همچنین داکیومنت برای استفاده توسط سایر اعضای کلاس قابل استفاده باشد. و همکلاسی هایتان بتوانند بدون کمک شما کدهای شما را اجرا نمایند.

نیازی به آپلود دیتاست های حجیم نیست. دیتاست ها را در روز تحویل پروژه به بنده تحویل بدهید تا آپلود کنم و بعد از آپلود توسط بنده لینک آن را اضافه کنید

متشکرم

2 گیگابایت اطلاعات گربه:
https://www.kaggle.com/crawford/cat-dataset

سلام
یک تابع ساده تنسرفلویی برای مینی پروژه یا تمرین سری 8 شما در گیت درس و آدرس
30-face-tensorflow
قرار گرفت

https://github.com/Alireza-Akhavan/class.vision/tree/master/30-face-tensorflow/face_project


فایل tes.py یک مثال ساده از ایجاد کذهای 128 تایی تصویر با شبکه هایی که خواندیم را نشان میدهد که برای انجام پروژه از مدل نوت بوک بسیار قوی تر و بهتر عمل میکند

ورودی این مدل 90 در 90 نیست. 160 در 160 است

سوالات امتحان دیروز،
بارم بندی امتحان از 20 بوده ولی در نهایت 4 نمره پایانی شما را تشکیل خواهد داد.

پاسخ نامه آزمون -اصلاح شده

پاسخ یکی از دانشجویان برای تمرین سری هشتم(بازشناسی چهره هنرپیشه های ایرانی) کلاس مباحث ویژه 1

http://blog.class.vision/winter-96-97-syllabus/

#آموزش #ویدیو
Euclidean Distance & Cosine Similarity

لینک ویدیو:

https://www.tgoop.com/cvision/626


در یادگیری ماشین برای مقایسه دو embedding یا encoding از یک معیار شباهت/عدم شباعت استفاده میکنیم.
که معمولا این معیار در بررسی شباهت داکیومنت، چهره و ... کاربرد دارد.
در اینجا به صورت خلاصه دو معیار فاصله اقلیدسی و شباهت Cosine مطرح میشود.

#face #document #similarity #distance
@cvision

#پروژه #اطلاعیه #نمرات_نهایی

روز ارائه پروژه چهارشنبه 30 خرداد 97 ساعت 13:25 الی 16:25 خواهد بود.

ترتیب ارائه گروه ها در روزهای آتی اعلام خواهد شد.

لطفا به موارد زیر دقت کنید.

- با توجه به محدودیت تایید نمرات در بازه 10 روز پس از امتحان، چهارشنبه نمرات نهایی شده و پس از آن امکان اعتراض،تجدید نظر و تغییر نمره نخواهد بود.
- لطفا برنامه ریزی کنید برای تحویل پروژه غیبت نداشته باشید.
- اگر در لیست بالا نیستید حتما به اینجانب اعلام کنید.
- اگر اعتراضی روی نمرات پورتال دارید حتما قبل از تاریخ ارائه با ذکر دلیل اعلام کنید.
- اگر به هر دلیلی از ارائه پشیمان شده اید اعلام کنید در زمان بندی ارائه ها در نظر گرفته نشوید.
- تمام کدها، دیتاست ها و مستندات پروژه در روز پروژه تحویل گرفته خواهد شد. لطفا همه را در یک پوشه و آماده کپی آماده کنید.
- حضور تمام اعضای تیم ضروری است و در صورت عدم حضور نمره ای به فرد غایب تعلق نخواهد گرفت.
- لطفا اعضای گروه تمام گام های مینی پروژه‌ها (تمرین 8) خود را از جمله دیتاست تمیز شده قبل از بریده شدن (تصاویر و فایل های txt) و کدهای قابل اجرای خود را در یک پوشه یکپارچه آمده کنند و به اینجانب تحویل دهند.
- در صورتی که مشکل خاصی دارید و در قسمتی از این بازه زمانی نمیتوانید حاضر شوید از قبل حتما اطلاع دهید.
- نمرات پروژه هر گروه پس از دفاع تمامی گروه ها و به نسبت کیفیت ارائه ها مشخص خواهد شد.

موفق و پیروز باشید.