Привет, офисные герои! Сегодня у нас был день, который начался с фруктов, бутербродов и искристого шампанского 🍾 — решили по-товарищески поздравить девчонок до официальных поздравлений. К 12:00 офис превратился в островок свободы: кто работал, кто смеялся до слёз, а кто просто наслаждался моментом. Шум стоял такой, что, казалось, стены дрожали, но кого это волнует, когда вокруг уже почти ни души? 😄

К 16:00 все разъехались, а я, как настоящий джентльмен, поехал за супругой. И тут... *бам!* Прилетает скриншот с камеры, которую я настроил на детектор поз (да, увлекаюсь машинным зрением — моделька сырая, но шлёт оповещения, хоть и с опозданием в стиле "вчерашний день" 🤖).

**И что же на фото?** Один наш коллега (работает меньше года, из другого отдела, и, простите, не девушка 👀) стоял за дверью и... записывал наш послепраздничный треп! То ли по чьему-то заказу, то ли обиделся, что его не позвали. А мы и не планировали — он же даже не в нашей "лиге"! 🚫

Теперь сидим в общем чате, гадаем: что делать с этим "офисным ниндзя"? Может, отправить его на курсы этикета? Или предложить войти в команду, но только после мастер-класса "Как не подслушивать"? 🤔

P.S. А вы сталкивались с такими "сюрпризами" на работе? Делитесь идеями — вдруг ваш совет станет решающим! 💬

#8марта #коллеги #прослушка #машинное зрение

Заявляется, что российские ученые разработали самый точный в мире метод распознавания неизвестных объектов на фото с помощью ИИ. Решение позволило снизить риск ошибки при обработке и анализе изображений более чем на 20%, что в перспективе поможет развить сферу беспилотных транспортных средств и медицинской диагностики. Метод создали в лаборатории научных исследований ИИ T-Bank AI Research.

Для оценки эффективности ученые провели испытания на популярных базах данных, где метод SDDE показал наилучшие результаты по сравнению со схожими алгоритмами, такими как Negative Correlation Learning и Adaptive Diversity Promoting.

Всем привет!

Стоит задача, создать программного обеспечения для электрических платформ-роверов.

Очень близко к роботам в Яндекс-доставке, но более массивные.

Нейронные сети с каждым днем захватывают все больше различных сфер и автоматизируют множество процессов. Одно из популярных направлений – распознавание изображений. Его используют в медицинской диагностике, в автомобильной сфере для распознавания знаков на дороге, для навигации и визуального восприятия окружающей среды в робототехнике, для обнаружения инцидентов в системах видеонаблюдения. Требуется постоянная модификация и улучшение методов для снижения ошибок. Ученые ПНИПУ разработали подсистему машинного зрения, которая обеспечивает надежное распознавание мелких и разноудаленных от камеры объектов. Предложенная схема поможет, например, обнаружить оружие или опасные предметы в толпе.

Машинное зрение – это способность компьютеров "видеть" и понимать изображения так же, как это делают люди. С его помощью компьютер распознает лица на фотографиях и определяет типы объектов (например, машина, дерево, человек).  Для решения задач обнаружения и идентификации используют нейронные сети. Но они могут выдавать ошибки, что отрицательно сказываются на точности всей системы.

У традиционной одноступенной схемы есть недостатки – игнорирование контекста при поиске объектов и отсутствие жесткой привязки размеров объекта на изображении к параметрам перспективы сцены (кадра). Из-за этого увеличивается количество неверных результатов. Также нейросетевая модель, обученная на универсальном наборе категорий, может неправильно распознавать объекты, если происходит изменение качества или ракурса изображения.