• Безопасность футбольных стадионов: некоторые неявные особенности


      Пример монтажа на стадионе ЦСКА

      Итальянские и английские футбольные фанаты считались самыми агрессивными. Но теперь они дома не бузят. Почему? Потому что их лишают пожизненно права посещения стадионов. Поэтому они бузят на евро, на ЧМ, во Франции. У нас тоже начинается такое: особо эмоциональные фанаты легко могут словить запрет на посещение арены на достаточно продолжительный срок.

      Начну с того, что если вы набедокурите, то сотрудники безопасности стадиона заботливо занесут ваши биометрические данные лица в систему видеонаблюдения согласно законному решению суда. Когда вы в следующий раз появитесь на стадионе, вас уверенно распознают и сообщат об этом сотрудникам безопасности. Вопрос с персональными данными и свободой договора (билет — это договор) решается элегантно: на стадии «набедокурил» на вас просто подают в суд и получают заключение, с которым уже можно действовать дальше.

      Вообще, есть два мифа про безопасность на стадионах:

      1. Что видеонаблюдение не помогает в предотвращении преступлений.
      2. И что биодетекторы — это прошлый век.
      Читать дальше →
    • Итоги развития компьютерного зрения за один год

      • Перевод
      Часть первая. Классификация/локализация, обнаружение объектов и слежение за объектом

      Этот фрагмент взят из недавней публикации, которую составила наша научно-исследовательская группа в области компьютерного зрения. В ближайшие месяцы мы опубликуем работы на разные темы исследований в области Искусственного Интеллекта  —  о его экономических, технологических и социальных приложениях — с целью предоставить образовательные ресурсы для тех, кто желает больше узнать об этой удивительной технологии и её текущем состоянии. Наш проект надеется внести свой вклад в растущую массу работ, которые обеспечивают всех исследователей информацией о самых современных разработках ИИ.

      Введение


      Компьютерным зрением обычно называют научную дисциплину, которая даёт машинам способность видеть, или более красочно, позволяя машинам визуально анализировать своё окружение и стимулы в нём. Этот процесс обычно включает в себя оценку одного или нескольких изображений или видео. Британская ассоциация машинного зрения (BMVA) определяет компьютерное зрение как «автоматическое извлечение, анализ и понимание полезной информации из изображения или их последовательности».

      Термин понимание интересно выделяется на фоне механического определения зрения — и демонстрирует одновременно и значимость, и сложность области компьютерного зрения. Истинное понимание нашего окружения достигается не только через визуальное представление. На самом деле визуальные сигналы проходят через оптический нерв в первичную зрительную кору и осмысливаются мозгом в сильно стилизованном смысле. Интерпретация этой сенсорной информации охватывает почти всю совокупность наших естественных встроенных программ и субъективного опыта, то есть как эволюция запрограммировала нас на выживание и что мы узнали о мире в течение жизни.
      Читать дальше →
    • Сравнительное тестирование Smart IDReader на 5 вычислительных комплексах с процессорами Эльбрус

        Smart IDReader — приложение, позволяющее распознавать удостоверяющие документы на различных платформах. Различные режимы распознавания позволяют извлекать данные держателя документа из видеопотока, фотографий или сканов документов.



        Сегодня мы решили рассказать вам о том как мы тестировали Smart IDReader на семействе вычислительных систем Российского производства — Эльбрус. На чем будем тестировать? Как работает распознавание документов на новой машине Эльбрус-8.4? Если интересно, идем под кат.

        Читать дальше →
      • Время отклика компьютеров: 1977−2017

        • Перевод
        У меня гнетущее чувство, что современные компьютеры по ощущениям медленнее, чем те компьютеры, которые я использовал в детстве. Я не доверяю такого рода ощущениям, потому что человеческое восприятие доказало свою ненадёжность в эмпирических исследованиях, так что я взял высокоскоростную камеру и измерил время отклика устройств, которые попали ко мне за последние несколько месяцев. Вот результаты:

        Компьютер Отклик
        (мс)
        Год Тактовая
        частота
        Кол-во
        транзисторов
        Apple 2e 30 1983 1 МГц 3,5 тыс.
        TI 99/4A 40 1981 3 МГц 8 тыс.
        Haswell-E 165 Гц 50 2014 3,5 ГГц 2 млрд
        Commodore Pet 4016 60 1977 1 МГц 3,5 тыс.
        SGI Indy 60 1993 0,1 ГГц 1,2 млн
        Haswell-E 120 Гц 60 2014 3,5 ГГц 2 млрд
        ThinkPad 13 ChromeOS 70 2017 2,3 ГГц 1 млрд
        iMac G4 OS 9 70 2002 0,8 ГГц 11 млн
        Haswell-E 60 Гц 80 2014 3,5 ГГц 2 млрд
        Mac Color Classic 90 1993 16 МГц 273 тыс.
        PowerSpec G405 Linux 60 Гц 90 2017 4,2 ГГц 2 млрд
        MacBook Pro 2014 100 2014 2,6 ГГц 700 млн
        ThinkPad 13 Linux chroot 100 2017 2,3 ГГц 1 млрд
        Lenovo X1 Carbon 4G Linux 110 2016 2,6 ГГц 1 млрд
        iMac G4 OS X 120 2002 0,8 ГГц 11 млн
        Haswell-E 24 Гц 140 2014 3,5 ГГц 2 млрд
        Lenovo X1 Carbon 4G Win 150 2016 2,6 ГГц 1 млрд
        Next Cube 150 1988 25 МГц 1,2 млн
        PowerSpec G405 Linux 170 2017 4,2 ГГц 2 млрд
        Пакет вокруг света 190
        PowerSpec G405 Win 200 2017 4,2 ГГц 2 млрд
        Symbolics 3620 300 1986 5 МГц 390 тыс.
        Читать дальше →
      • Сверточная сеть на python. Часть 3. Применение модели


          Это заключительная часть статей о сверточных сетях. Перед прочтением рекомендую ознакомиться с первой и второй частями, в которых рассматриваются слои сети и принципы их работы, а также формулы, которые отвечают за обучение всей модели. Сегодня мы рассмотрим особенности и трудности, с которыми можно столкнуться при тестировании вручную написанной на python сверточной сети, применим написанную сеть к датасету MNIST и сравним полученные результаты с библиотекой tensorflow.
          Читать дальше →
          • +60
          • 9,8k
          • 8
        • Netflix подбирает оптимальные обложки фильмов для каждого зрителя

          • Перевод
          Из блога Netflix Technology

          Много лет основной целью системы персональных рекомендаций Netflix было выбрать правильные фильмы — и вовремя предложить их пользователям. С тысячами фильмов в каталоге и разносторонними предпочтениями клиентов на сотнях миллионов аккаунтов критически важно рекомендовать точные фильмы каждому из них. Но работа системы рекомендаций на этом не заканчивается. Что можно сказать о новом и незнакомом фильме, который вызовет ваш интерес? Как вас убедить, что он достоин просмотра? Очень важно ответить на эти вопросы, чтобы помочь людям открывать для себя новый контент, особенно незнакомые фильмы.

          Один из вариантов решения проблемы — принять в учёт картинки или обложки для фильмов. Если картинка выглядит убедительно, то она служит толчком и неким визуальным «доказательством», что фильм достоин просмотра. На ней может быть изображён известный вам актёр, захватывающий момент вроде автомобильной погони или драматическая сцена, передающая суть фильма или сериала. Если мы покажем идеальную обложку фильма на вашей домашней странице (как говорится, картинка стоит тысячи слов), то возможно, только возможно, вы решитесь выбрать этот фильм. Это просто ещё одна вещь, в которой Netflix отличается от традиционных медиа: у нас не один продукт, а более 100 млн разных продуктов, а каждый из пользователей получает персональные рекомендации и персональные обложки.


          Главная страница Netflix без обложек. Так исторически наши алгоритмы рекомендаций видели страницу
          Читать дальше →
          • +23
          • 6,2k
          • 6
        • AdBlock похитил этот баннер, но баннеры не зубы — отрастут

          Подробнее
          Реклама
        • Сверточная сеть на python. Часть 2. Вывод формул для обучения модели


            В прошлой статье мы рассмотрели концептуально все слои и функции, из которых будет состоять будущая модель. Сегодня мы выведем формулы, которые будут отвечать за обучение этой модели. Слои будем разбирать в обратном порядке — начиная с функции потерь и заканчивая сверточным слоем. Если возникнут трудности с пониманием формул, рекомендую ознакомиться с подробным объяснением (на картинках) метода обратного распространения ошибки, и также вспомнить о правиле дифференцирования сложной функции.
            Читать дальше →
          • Как рендерит кадр движок Metal Gear Solid V: Phantom Pain

            • Перевод

            Серия игр Metal Gear получила мировое признание после того, как почти два десятилетия назад Metal Gear Solid стала бестселлером на первой PlayStation.

            Игра познакомила многих игроков с жанром «тактического шпионского экшена» (tactical espionage action), название которого придумал создатель франшизы Хидео Кодзима.

            Но лично я впервые играл за Снейка не в этой части, а в Ghost Babel, спин-оффе для консоли GBC, менее известной, и тем не менее превосходной игре с впечатляющей глубиной.

            Последняя часть франшизы, Metal Gear Solid V: The Phantom Pain, была выпущена в 2015. Благодаря движку Fox Engine, созданному Kojima Productions, она подняла всю серию на новый уровень визуального качества.

            Представленный ниже анализ основан на PC-версии игры с максимальными настройками графики. Часть изложенной здесь информации уже стала достоянием публики после доклада «Photorealism Through the Eyes of a FOX» на GDC 2013.
            Читать дальше →
            • +45
            • 13,1k
            • 8
          • История победы на международном соревновании по распознаванию документов команды компании SmartEngines

              Привет, Хабр! Сегодня мы расскажем о том, как нашей команде из Smart Engines удалось победить на международном конкурсе по бинаризации документов DIBCO17, проводимом в рамках конференции ICDAR. Данный конкурс проводится регулярно и уже имеет солидную историю (он проводится 9 лет), за время которой было предложено множество невероятно интересных и безумных (в хорошем смысле) алгоритмов бинаризации. Несмотря на то, что в своих проектах по распознаванию документов при помощи мобильных устройств мы по возможности не используем подобные алгоритмы, команде показалось, что нам есть что предложить мировому сообществу, и в этом году мы впервые приняли решение участвовать в конкурсе.


              Читать дальше →
            • Рубрика «Читаем статьи за вас». Октябрь — Ноябрь 2017


                Привет, Хабр! По традиции, представляем вашему вниманию дюжину рецензий на научные статьи от членов сообщества Open Data Science из канала #article_essense. Хотите получать их раньше всех — вступайте в сообщество ODS!


                Статьи выбираются либо из личного интереса, либо из-за близости к проходящим сейчас соревнованиям. Напоминаем, что описания статей даются без изменений и именно в том виде, в котором авторы запостили их в канал #article_essence. Если вы хотите предложить свою статью или у вас есть какие-то пожелания — просто напишите в комментариях и мы постараемся всё учесть в дальнейшем.


                Статьи на сегодня:

                Читать дальше →
                • +61
                • 10,4k
                • 4
              Самое читаемое