Apple придобива Xnor.ai, AI обучение на кучета, ImagineNet за трансфер на стилове, откриване на изрязани изображения с Fritz Pose Estimation и др.

Уважаеми читателю,

Само кратко напомняне, че скоро ще оттеглим Heartbeat Newsletter и ще изпратим първия брой на новия Fritz AI Newsletter. Като Heartbeat Newsletterабонат, автоматично ще бъдете добавени към тази нова поща.

За да сте в крак с всички най-нови новини от индустрията, уроци, код и много повече в областта на мобилния и периферния ML, можете да се абонирате за Deep Learning Weekly, който в бъдеще ще включва специална секция за мобилни/крайни устройства.

Благодаря за постоянната ви подкрепа и читателска аудитория.

Приятно четене,
Остин и екипът на Fritz AI

НОВИНИ

Как придобиването на Xnor.ai от Apple може да донесе усилването на Siri, което чакахме

Apple направи голям фурор миналата седмица, когато се появиха новини за придобиването на базираната в Сиатъл Xnor.ai, стартиране на AI на устройството, което стоеше зад системата за откриване на хора с камера Wyze, която разгледахме тук в предишни издания. Сега, когато тази новина е потвърдена, виждаме различни анализи за това какво означава това за бъдещето на Apple в AI. Тази статия в Macworld се фокусира върху Siri, но допълнителен анализ разглежда други устройства на Apple, които може да са узрели за AI на устройството (т.е. Apple Watch), „включително устройства, които все още не са сред продуктите на Apple“. Остава да видим, но това беше огромна новина за AI на устройството, която продължава да се вълнува в индустрията. ["Прочетете още"]

Притеснявате се за поверителността у дома? Има (край) AI за това

Виждаме все повече и повече пълнометражни парчета, изследващи възможностите на AI на ръба, а това скорошно парче от Wired подчертава и се фокусира конкретно върху поверителността, която както сме изследвали преди, е едно от основните предимства на преместване на ML inference върху крайни устройства като телефони, микроконтролери и т.н. Особено оценявам подхода, който тази част предприема по отношение на необходимата функционалност на моделите на устройството и как те могат да се различават от моделите, базирани на облак. ["Прочетете още"]

Facebook пуска PyTorch 1.4 с мобилно персонализиране и поддръжка на Java

В първата голяма актуализация, откакто PyTorch Mobile беше представен с PyTorch 1.3, тази версия включва няколко промени, специфични за мобилни устройства. Първо, разработчиците вече могат да персонализират скриптове за изграждане, за да помогнат за оптимизиране на размерите на библиотеките, което в ранните тестове успя да създаде версия на MobileNetV2, която е с до 50% по-малка. Освен това, 1.4 включва рамка за обучение на разпределен модел, както и поддръжка на Java за PyTorch извод за подобряване на функционалността на Android. ["Прочетете още"]

[TensorFlow] Автономно обучение на кучета с придружител

Чувствам това всяка сутрин, когато тръгвам за работа — поглеждам кучето си Horseface дълбоко в очите, казвам му, че го обичам, и след това го оставям за цял ден в офиса. В тази гостуваща публикация в блога на TensorFlow, създателите на Companion описват подробно своята работа, за да създадат AI спътник за нашите любими домашни любимци, които прекарват часове сами сами, гледайки вратата, за да се върнем. Наистина интересен случай на използване и процес, а последният раздел разглежда предизвикателствата и възможностите, свързани с преместването на това изживяване върху телефон или друго крайно устройство. ["Прочетете още"]

Следващият iPhone ще има усъвършенствана камера, която може да сканира 3D обекти, казва Barclays

Този нов доклад от анализаторите на Barclays semiconductor предлага няколко неща за тази възможна камера. Първата е технологията за 3D сканиране – според доклада, моделите „Pro“ на следващото поколение iPhone ще имат нови сензори за камера за 3D дълбочина на времето на полета, което вероятно ще направи изобразяването на AR сцена по-лесно и по-завладяващо. В допълнение, 3D камера за дълбочина също може да доведе до по-добри изображения като цяло. Второ, в доклада се посочва, че новите iPhone ще имат обновена система за разпознаване на лицето, въпреки че спецификите там са по-малко ясни. ["Прочетете още"]

12 идеи за базирани на ML приложения за 2020 г.

Това е хубав поглед върху някои конкретни случаи на използване на мобилен ML. Въпреки че съм по-малко запален по рамката на статията (X приложенията ще ви направят пари), оцених как тази част изследва както индустриалните вертикали, така и случаите на използване, базирани на задачи. Освен това включването на приложения от реалния свят помогна това да се почувства по-осезаемо. ["Прочетете още"]

КОД / БИБЛИОТЕКИ

[Проучване] ImagineNet: Рестайлинг на приложения с помощта на Neural Style Transfer

От резюмето: „Представихме графични потребителски интерфейси, обновени с ImagineNet, както и други техники за прехвърляне на стилове на 50 оценители и всички предпочетоха тези на ImagineNet. Ние показваме как ImagineNet може да се използва за преоформяне на (1) графичните активи на приложение, (2) приложение с предоставено от потребителя съдържание и (3) приложение с динамично генерирани GUI.“ [Изследване]

[GitHub] makeml-app / dribble-ios-app

Приложение за iOS, което отчита броя на докосванията на футболна топка с помощта на откриване на обекти. [Изследване]

ИЗУЧАВАНЕ НА

[Fritz AI] Откриване на изрязани лица в изображения чрез Fritz Pose Estimation API

Harshit Dwivedi продължава работата си по своето базирано на AI приложение AfterShoot. Тук той използва Fritz Pose Estimation API, за да идентифицира изрязани лица в снимки, за да филтрира тези изображения от персонализирана галерия. ["Научете повече"]

Въведение в RealityKit на iOS: Обекти, жестове и излъчване на лъчи

Anupam Chugh започва своята поредица за RealityKit, новата рамка за 3D изобразяване на Apple за iOS. ["Научете повече"]

Обучение на детектори на обекти без реални данни чрез рандомизация на домейн

Ние силно вярваме във възможностите за „генериране на синтетични данни“, особено за справяне с уникалните предизвикателства, които мобилното машинно обучение представлява. Тук Oliver Gyldenberg Hjermitslevg показва как е изградил и внедрил генератор на данни за откриване на обекти. Много интересни дискусии вътре. ["Научете повече"]

Бележка на редактора: Heartbeatе онлайн публикация и общност, ръководена от сътрудници, посветена на изследването на възникващата пресечна точка на разработката на мобилни приложения и машинното обучение. Поели сме ангажимент да подкрепяме и вдъхновяваме разработчици и инженери от всички сфери на живота.

Редакционно независим, Heartbeat е спонсориран и публикуван от Fritz AI, платформата за машинно обучение, която помага на разработчиците да учат устройствата да виждат, чуват, усещат и мислят. Ние плащаме на нашите сътрудници и не продаваме реклами.

Ако искате да допринесете, преминете към нашата покана за сътрудници. Можете също да се регистрирате, за да получавате нашите седмични бюлетини (Deep Learning Weekly и Heartbeat), да се присъедините към нас в Slack и следвайте Fritz AI в Twitter за най-новото в мобилното машинно обучение.