#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.

اولین پروژه توسط آقای مدنی در گیت قرار گرفت:


https://github.com/Alireza-Akhavan/class.vision/tree/master/contributed/Course-Project_winter96-097/captcha_break

چجوری تو گیت آپ کنیم؟
اگر قبلا پروژه رو fork کردید پیام بعدی رو بخونید ( فک کنم ۳ نفر بیشتر نباشن ) در غیر این صورت :
۱ : پروژه رو fork کنید ( یه کپی از اون در repo خودتون ذخیره می کنید - دکمه مربوطه سمت راست بالای گیت درس هست )
۲ : حالا پروژه رو از گیت ریپازیتوری خودتون clone کنید و تغییرات لازم رو کامیت و push کنید
۳ : وارد صفحه ریپازیتوری خودتون در گیت بشید و روی compare کلیک کنید
۴ : compare across forks
۵ : pull request
۶ : منتظر تایید استاد بمانید :)

سلام، با توجه به نهایی شدن نمرات و قفل دانشکده، و همچنین بی نام بودن نظرسنجی، لطفا نظرات صادقانه خود را در نظرسنجی‌های بالا برایم ارسال کنید.
صمیمانه از همکاریتان سپاسگزارم.

با سلام و وقت بخیر
پس از برگزاری دوره ۶ هفته‌ای یادگیری عمیق با تنسورفلو در دانشگاه علم و صنعت ایران، با استفاده از تجربیات آن دوره، به فکر برگزاری کارگاه یکروزه یادگیری عمیق افتادیم. برای مرور مطالب ارائه شده در دوره قبلی به لینک زیر مراجعه کنید.

https://www.tgoop.com/cvision/407

با توجه به تجربیات دوره قبل، برای تنظیم محتوای کارگاه یکروزه نظرسنجی ساده‌ای ایجاد کرده‌ایم. همانطور که می‌دانید حجم مطالب موجود بسیار زیاد بوده و در یکروز باید مطالب مهم‌تر و کاربردی‌تر ارائه شوند. از شما خواهش می‌کنیم برای برگزاری هر چه بهتر این رویداد به لینک زیر مراجعه کرده و با صرف زمانی کمتر از ۲ دقیقه، نظرسنجی زیر را کامل کنید.

https://survey.porsline.ir/s/REvttkW/

اهم موارد اشاره شده در نظرسنجی بالا، پیشنهاد ابزار و محتوای کارگاه است.
در بخش ابزارها، تنسورفلو، پایتورچ و کراس به عنوان ابزارهای اصلی پیشنهاد شده‌اند. می‌توانید هر مبحث مشخص از هر ابزار یا سایر ابزارها را نیز پیشنهاد دهید.
در بخش مباحث یادگیری عمیق سه موضوع مهمتر Deep Computer Vision، Deep Sequence Modeling و Deep Generative Models ذکر شده‌اند. سایر مباحث مدنظر خودتان را هم می‌توانید وارد کنید.

همچنین از هم‌اکنون امکان ثبت‌نام برای این کارگاه ایجاد شده است. با استفاده از لینک زیر می‌توانید برای حضور در این رویداد یکروزه ثبت‌نام کنید.

https://evand.com/events/deeplearning

احیانا از دوستان کلاس اگر کسی خواست ثبت نام کنه، تعداد محدودی کد تخفیف به بنده دادند، اعلام کنه به من.

بلاگ درس با چند مطلب مفید به روز شد.

http://blog.class.vision/

اتصال مستقیم سرویس کولب (Google Colab) به درایو (Google Drive) از طریق فایل سیستم FUSE


کار با تصاویر توسط ImageMagick

محیط‌های مجازی پایتون (Python virtual environments)

آموزش مقدماتی فلسک (Flask)

دپلوی کردن و استفاده از مدل در عمل (Model deployment)


با تشکر از آقای ستاریان و خانم مهدیان برای به روز کردن بلاگ با پست های مفید🙏

#آموزش #سورس_کد
توضیح پروژه تشخیص محیط های مختلف دانشگاه شامل
زمین ورزش؛ بوفه، دانشکده کامپیوتر و ...
با Keras

آموزش:
چگونه یک مدل برای شناسایی مکان‌ها آموزش دادیم؟

کد:
https://github.com/mhsattarian/SRU-Place-Recognizer

Kears+Flask+Android app

نویسندگان ‌: محیا مهدیان و محمد حسن ستاریان

فرمول‌های یادگیری ژرف:

https://www.learnopencv.com/number-of-parameters-and-tensor-sizes-in-convolutional-neural-network/

#آموزش های مرحله به مرحله برای کسانی که تازه میخواهند تنسرفلو را شروع کنند.

https://www.tensorflow.org/tutorials/

#tensorflow

مرکز تحقیقات هوش مصنوعی پارت برگزار می کند:
«دوره تابستانه یادگیری عمیق»

مشاهده سرفصل ها، ارائه دهندگان و ثبت نام در :

https://evand.com/events/part-dlss

@partdpai

PyramidBox
پیاده سازی غیر رسمی تنسرفلو مقاله تشخیص چهره pyramdbox
این مقاله در تشخیص چهره چالش WiderFace بهترین نتیجه را دارد.

A Context-assisted Single Shot Face Detector in TensorFlow

This is an unofficial #Tensorflow re-implementation of #PyramidBox: A Context-assisted Single Shot Face Detector, which achieves superior performance among the state-of-the-art on the two common face #detection benchmarks, #FDDB and #WIDER FACE.

مقاله

پیاده سازی غیر رسمی

#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 شباهت 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

#cosine_similarity

معیار شباهت کسینوسی دو وکتور در پایتون

#مقاله #سورس_کد

برون یابی تصویر با شبکه های مولد تخاصمی

Painting Outside the Box: Image Outpainting
#keras Implemenation of image outpaint

https://www.tgoop.com/cvision/658

#outpaint #GAN #keras #stanford