Про блоги (easy)
Fourier Neural Operator

Маленький пост про FNO с объяснением ключевых концепций. 10 минут чтения.

Ссылка: https://zongyi-li.github.io/blog/2020/fourier-pde/

#dl #neuralop #pde

Учебные материалы
6.S898 Deep Learning (medium)

https://phillipi.github.io/6.s898/ - материалы про Deep Learning от MIT. Очень крутой курс в том смысле что он сильно выходит за существующие учебники и популярные материалы. Каждый год программа курса обновляется на 50%, поэтому есть смысл смотреть материалы предыдущих лет. Важная особенность курса — материалы в нём имеют очень авторскую точку зрения на многие аспекты DL.

2023 — https://phillipi.github.io/6.s898/
2022 — https://phillipi.github.io/6.s898/2022/index.html
2021 — https://phillipi.github.io/6.s898/2021/index.html

#dl #cource

Как изменились диффузионные модели за 2 года?

Материал подготовили эксперты ШАДа и исследователи Yandex Research по итогам открытого интенсива по компьютерному зрению.
Год: 2025

Читать статью

#ai #report

🔥 SpatialLM – это новый инструмент, представляющий собой 3D крупномасштабную языковую модель, разработанную для обработки точечных облаков и генерации структурированных 3D представлений.

Он сочетает в себе возможности обработки неструктурированных 3D геометрических данных с высокоуровневым семантическим пониманием, что открывает новые возможности для разработки в различных областях.

▪ Обработка 3D данных: SpatialLM способен анализировать точечные облака, полученные из монокулярных видео, RGBD изображений и LiDAR-датчиков, что делает его универсальным инструментом для работы с данными из разных источников.
▪ Структурированное представление сцен: Модель генерирует подробные 3D описания, включая распознавание архитектурных элементов (стены, двери, окна) и создание ориентированных ограничивающих рамок для объектов.
▪ Преимущества перед аналогами: В отличие от других методов, требующих специализированного оборудования для сбора данных, SpatialLM работает с широким спектром входных данных, что значительно снижает порог входа для разработчиков.
▪ Полезность для разработчиков: Интеграция SpatialLM позволяет ускорить разработку приложений в таких сферах, как робототехника, автономное вождение и анализ 3D сцен, благодаря возможности быстро и точно интерпретировать сложные пространственные данные.
▪ Современные технологии: Основанный на передовых языковых моделях (например, Llama и Qwen) и использующий SceneScript и TorchSparse, SpatialLM обеспечивает высокую производительность и точность, что делает его конкурентоспособным решением на рынке.
▪ Открытый исходный код: Благодаря открытости проекта, разработчики могут свободно адаптировать и улучшать SpatialLM под специфические задачи, что стимулирует инновации и развитие новых стартапов.

SpatialLM демонстрирует, как современные подходы к обработке 3D данных и глубокое обучение могут быть объединены для создания мощных инструментов, способных значительно расширить возможности современных приложений. Этот инструмент уже сегодня помогает разработчикам реализовывать сложные проекты, требующие точного пространственного понимания, и имеет все шансы стать важной частью экосистемы разработки в ближайшем будущем.

▪Project manycore-research.github.io/SpatialLM/
▪Code github.com/manycore-research/SpatialLM
▪Models https://huggingface.co/manycore-research