Forwarded from Институт AIRI
Соревнование AIRI х ИППИ РАН на CVPR 2026 🚀
Открыт приём заявок на участие в челлендже по вычислительной фотографии NTIRE 2026 Low-Light Enhancement: Twilight Cowboy Challenge. Победители получат возможность подать свою работу и стать соавторами отчёта на воркшопе NTIRE в рамках конференции CVPR. Подробнее про соревнование — в карточках.
Регистрация и правила участия на сайте. Дедлайн для сдачи решения — 17 марта, результаты станут известны 19 марта.
Открыт приём заявок на участие в челлендже по вычислительной фотографии NTIRE 2026 Low-Light Enhancement: Twilight Cowboy Challenge. Победители получат возможность подать свою работу и стать соавторами отчёта на воркшопе NTIRE в рамках конференции CVPR. Подробнее про соревнование — в карточках.
Регистрация и правила участия на сайте. Дедлайн для сдачи решения — 17 марта, результаты станут известны 19 марта.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Нейродвиж
БЕСПЛАТНЫЕ курсы по нейросетям от Nvidia — компания решила поделиться знаниями, за которые обычно просят 90 долларов.
Внутри все самое важное: обработка видео, создание приложений, робототехника и многое другое. По окончании обучения выдаётся электронный сертификат.
Впитываем полезные знания — здесь.
Внутри все самое важное: обработка видео, создание приложений, робототехника и многое другое. По окончании обучения выдаётся электронный сертификат.
Впитываем полезные знания — здесь.
Forwarded from DeepSchool
Сделали алхимию, но про ML
Чтобы немного разбавить рабочую неделю, собрали игру, где можно комбинировать ML-концепции и открывать новые.
Данные + Код = Алгоритм
NumPy + Backprop = PyTorch
CNN + Датасет = ImageNet
200+ элементов: от базовых до ChatGPT и k8s!
Кто первым соберёт Шмидхубера, дайте о себе знать, подарим пиццу!
https://mlchemy.deepschool.ru
Чтобы немного разбавить рабочую неделю, собрали игру, где можно комбинировать ML-концепции и открывать новые.
Данные + Код = Алгоритм
NumPy + Backprop = PyTorch
CNN + Датасет = ImageNet
200+ элементов: от базовых до ChatGPT и k8s!
Кто первым соберёт Шмидхубера, дайте о себе знать, подарим пиццу!
https://mlchemy.deepschool.ru
MLchemy
MLchemy — Создай ML-вселенную
Комбинируй элементы и открывай новые ML-технологии!
🔥1
Forwarded from Запрети мне псевдолейблить
Фармим академические ачивки
Прямо сейчас проходят соревнования, хорошее место в которых позволит опубликовать свой work-note и выступить с воркшопом на конфах CVPR26 (тир A+ США) / CLEF (тир A в Германии). У этих челленджей сравнительно маленькая конкуренция и взять хорошее место на них даже проще, чем в соревнованиях для новичков каггла. Придется повозиться с данными, но зато можно увеличить свои шансы на поступление на пхд/магистратуру/стипендию/грант. Применимо это для любой страны, включая северную корею. Я бы лично решал, чтобы получить повышенную стипу.
1. AnimalCLEF26 @ CVPR & CLEF
Классифкационный трек, где нужно подумать как хендлить класс 'другое'.
В этом году надо отличить друг от друга: Евразийскую рысь, чашскую саламандру, греческих черепах и техасских рогатых ящериц. Причем последних в трейне нет, только в тесте. В прошлом году было 174 участника из которых только один кагл мастер. Не сильно ожидаю, что в этом году конкуренция будет больше, так что попасть в топ довольно изи.
2. PlantCLEF2026 @ LifeCLEF & CVPR-FGVC
Задача по мультиклассификации на 1000+ классов: в трейне даны снимки индивидуальных растений, а в тесте- один большой снимок, растения с которого надо распознать и перечислить. В прошлом году участвовало 38 участников, из которых только один кагл мастер. Причем тот же самый, что и в AnimalClef сореве
3. FathomNetCLEF2026 @ LifeCLEF & CVPR-FGVC
Соревнование по детекции на подводных снимках: надо по фото найти bbox-ы чего-то живого под водой. В прошлом году участвовало 79 человек и ноль кагл мастеров. Тут скорее задача в том, как файнтюниться под целевые класс на опенсорсном датасете.
По сравнению с прошлым годом случились потери:
Мало того, что BirdClef, за который традиционно дают очки рейтинга, так и не появился, так еще мы потеряли классификацию грибов (FungiClef) по фото и оценку разнообразия лесов (LifeClef) по спутниковым снимкам.
Зато появились еще одно академическое соревнование не из Clef трека:
ACCIDENT @ CVPR
По видео надо найти где и когда в кадре случилась авария, а так же ее тип. Можно попасть на воркшоп CVPR и даже можно успеть сделать визу
Думайте, подписаться
Прямо сейчас проходят соревнования, хорошее место в которых позволит опубликовать свой work-note и выступить с воркшопом на конфах CVPR26 (тир A+ США) / CLEF (тир A в Германии). У этих челленджей сравнительно маленькая конкуренция и взять хорошее место на них даже проще, чем в соревнованиях для новичков каггла. Придется повозиться с данными, но зато можно увеличить свои шансы на поступление на пхд/магистратуру/стипендию/грант. Применимо это для любой страны, включая северную корею. Я бы лично решал, чтобы получить повышенную стипу.
1. AnimalCLEF26 @ CVPR & CLEF
Классифкационный трек, где нужно подумать как хендлить класс 'другое'.
В этом году надо отличить друг от друга: Евразийскую рысь, чашскую саламандру, греческих черепах и техасских рогатых ящериц. Причем последних в трейне нет, только в тесте. В прошлом году было 174 участника из которых только один кагл мастер. Не сильно ожидаю, что в этом году конкуренция будет больше, так что попасть в топ довольно изи.
2. PlantCLEF2026 @ LifeCLEF & CVPR-FGVC
Задача по мультиклассификации на 1000+ классов: в трейне даны снимки индивидуальных растений, а в тесте- один большой снимок, растения с которого надо распознать и перечислить. В прошлом году участвовало 38 участников, из которых только один кагл мастер. Причем тот же самый, что и в AnimalClef сореве
3. FathomNetCLEF2026 @ LifeCLEF & CVPR-FGVC
Соревнование по детекции на подводных снимках: надо по фото найти bbox-ы чего-то живого под водой. В прошлом году участвовало 79 человек и ноль кагл мастеров. Тут скорее задача в том, как файнтюниться под целевые класс на опенсорсном датасете.
По сравнению с прошлым годом случились потери:
Мало того, что BirdClef, за который традиционно дают очки рейтинга, так и не появился, так еще мы потеряли классификацию грибов (FungiClef) по фото и оценку разнообразия лесов (LifeClef) по спутниковым снимкам.
Зато появились еще одно академическое соревнование не из Clef трека:
ACCIDENT @ CVPR
По видео надо найти где и когда в кадре случилась авария, а так же ее тип. Можно попасть на воркшоп CVPR и даже можно успеть сделать визу
Думайте, подписаться
🔥3
Forwarded from Запрети мне псевдолейблить
Птицы все же вышли в этом году 🦅
Мы любим это соревнование, потому что оно решается псевдолейблингом
https://www.kaggle.com/competitions/birdclef-2026
Призовые как обычно первые 5 мест + приз жюри за лучший work note на CLEF 2026.
Тот случай, когда можно зафармить и медалек и статей на A-level конфе. Чтобы засабмитить work note даже не надо попадать в топ, приз выбирают из всех сабмишнов.
Мы любим это соревнование, потому что оно решается псевдолейблингом
https://www.kaggle.com/competitions/birdclef-2026
Призовые как обычно первые 5 мест + приз жюри за лучший work note на CLEF 2026.
Тот случай, когда можно зафармить и медалек и статей на A-level конфе. Чтобы засабмитить work note даже не надо попадать в топ, приз выбирают из всех сабмишнов.
Kaggle
BirdCLEF+ 2026
Acoustic Species Identification in the Pantanal, South America
Forwarded from ODS Events
Ждем тебя на CV-митапе 19 марта в Воронеже! 👋
Поговорим о следующих тематиках вечера:
🎥 Мультимодальный поиск по библиотеке видеоконтента.
Александр Соколов, руководитель группы компьютерного зрения компании ОККО
В своем докладе Александр расскажет о том, как среди десятков тысяч видео найти нужный кадр по его описанию, преобладающей цветовой палитре, по произнесённой фразе, её смыслу и даже по интонации.
📜 OCR + LLM: как мы учили нейросети читать метрические книги дореволюционной России
Ковалева Виктория, студентка 4 курса кафедры ИИЦТ
В докладе речь пойдет о нестандартном гибридном подходе к распознаванию рукописных текстов, сочетающем возможности OCR и LLM. На примере сложного источника — метрических книг XIX века — будет показано, как современные модели справляются с дореформенной кириллицей. Доклад будет полезен как опытным CV/NLP-инженерам, так и студентам, только начинающим погружаться в тему.
Приглашай друзей — будет очень весело! 🎉
Количество офлайн-мест ограничено, регистрация по ссылке
📍Где: г. Воронеж, ул. Плехановская, 11, ауд. 407, 18:00
Онлайн-трансляция будет доступна по ссылке для всех желающих.🔗
Поговорим о следующих тематиках вечера:
🎥 Мультимодальный поиск по библиотеке видеоконтента.
Александр Соколов, руководитель группы компьютерного зрения компании ОККО
В своем докладе Александр расскажет о том, как среди десятков тысяч видео найти нужный кадр по его описанию, преобладающей цветовой палитре, по произнесённой фразе, её смыслу и даже по интонации.
📜 OCR + LLM: как мы учили нейросети читать метрические книги дореволюционной России
Ковалева Виктория, студентка 4 курса кафедры ИИЦТ
В докладе речь пойдет о нестандартном гибридном подходе к распознаванию рукописных текстов, сочетающем возможности OCR и LLM. На примере сложного источника — метрических книг XIX века — будет показано, как современные модели справляются с дореформенной кириллицей. Доклад будет полезен как опытным CV/NLP-инженерам, так и студентам, только начинающим погружаться в тему.
Приглашай друзей — будет очень весело! 🎉
Количество офлайн-мест ограничено, регистрация по ссылке
📍Где: г. Воронеж, ул. Плехановская, 11, ауд. 407, 18:00
Онлайн-трансляция будет доступна по ссылке для всех желающих.🔗
Forwarded from DLS — новости
Как и обещали, выкладываем материалы, использованные при подготовке школьников к Всероссийской олимпиаде школьников по информатике (направление «ИИ») на прошедших сборах в ОЦ «Сириус».
Данные материалы можно использовать как при подготовке к олимпиадам (например, к олимпиаде DLS), так и просто для освежения знаний по ML & DL. Будем рады звездочкам
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1
Forwarded from эйай ньюз
Кстати тут Qualcomm сегодня анонсировали чип для часов, который может запускать 2B модели при скорости в 10 токенов в секунду. Это к вопросам "зачем такие маленькие модели?". Всего пару лет назад на часах запускались всего лишь модели на пару десятков миллионов параметров, а сейчас мы дошли до миллиардов.
@ai_newz
@ai_newz
Forwarded from Machinelearning
👀 Релиз SAM 3.1 - одной из самых сильных open-source моделей для компьютерного зрения.
Модель понимает, что происходит на изображении или видео, и умеет находить объекты по текстовому описанию. Можно буквально написать «человек в красной футболке» и она найдёт нужных людей.
Работает не только с картинками, но и с видео. Объект можно задать один раз, и дальше модель будет отслеживать его между кадрами.
Ключевая идея - open-vocabulary. Модель не ограничена фиксированными классами, как старые системы. Она оперирует огромным количеством понятий и может находить практически любые объекты.
Ещё важный момент можно комбинировать способы управления: текст, клики, рамки, маски. Это даёт гораздо больше контроля и точности.
Под капотом новая архитектура, где отдельно решаются задачи поиска объектов и их отслеживания. За счёт этого модель лучше различает похожие вещи и стабильнее работает на видео.
В репозитории уже есть всё для старта: готовые веса, код, примеры и ноутбуки.
По факту это уже не просто инструмент для разметки, а полноценный vision-движок, который можно встраивать в реальные продукты от аналитики видео до автоматизации разметки данных.
Теперь модель может отслеживать до 16 объектов за один проход.
С multiplexing все объекты обрабатываются одновременно:
• меньше лишних вычислений
• нет узких мест по памяти
Результат: скорость обработки видео увеличивается примерно в 2 раза
с 16 до 32 FPS на одном NVIDIA H100!
На новом бенчмарке SA-CO, который включает 270 тысяч уникальных концептов, SAM 3 достигает 75–80% от уровня человека.
https://github.com/facebookresearch/sam3
@ai_machinelearning_big_data
#ai #ml #llm #cv #python
Модель понимает, что происходит на изображении или видео, и умеет находить объекты по текстовому описанию. Можно буквально написать «человек в красной футболке» и она найдёт нужных людей.
Работает не только с картинками, но и с видео. Объект можно задать один раз, и дальше модель будет отслеживать его между кадрами.
Ключевая идея - open-vocabulary. Модель не ограничена фиксированными классами, как старые системы. Она оперирует огромным количеством понятий и может находить практически любые объекты.
Ещё важный момент можно комбинировать способы управления: текст, клики, рамки, маски. Это даёт гораздо больше контроля и точности.
Под капотом новая архитектура, где отдельно решаются задачи поиска объектов и их отслеживания. За счёт этого модель лучше различает похожие вещи и стабильнее работает на видео.
В репозитории уже есть всё для старта: готовые веса, код, примеры и ноутбуки.
По факту это уже не просто инструмент для разметки, а полноценный vision-движок, который можно встраивать в реальные продукты от аналитики видео до автоматизации разметки данных.
Теперь модель может отслеживать до 16 объектов за один проход.
С multiplexing все объекты обрабатываются одновременно:
• меньше лишних вычислений
• нет узких мест по памяти
Результат: скорость обработки видео увеличивается примерно в 2 раза
с 16 до 32 FPS на одном NVIDIA H100!
На новом бенчмарке SA-CO, который включает 270 тысяч уникальных концептов, SAM 3 достигает 75–80% от уровня человека.
https://github.com/facebookresearch/sam3
@ai_machinelearning_big_data
#ai #ml #llm #cv #python
Forwarded from Эксплойт
This media is not supported in your browser
VIEW IN TELEGRAM
Создаём визуальные 3D-эффекты в пару кликов — нашли для вас сервис Casberry.
— Выбираем фигуру, закидываем свою 3D-модель или генерим простым промтом;
— Настраиваем ползунки частиц, геометрии и освещения;
— Получаем готовый код под React или Three.js, который можно вставить в фронт любого сайта или приложения;
— Если лень заморачиваться — есть готовая библиотека стильных эффектов;
— Бесплатно и даже без регистрации.
Разработчики, вам подарок — забираем.
@exploitex
— Выбираем фигуру, закидываем свою 3D-модель или генерим простым промтом;
— Настраиваем ползунки частиц, геометрии и освещения;
— Получаем готовый код под React или Three.js, который можно вставить в фронт любого сайта или приложения;
— Если лень заморачиваться — есть готовая библиотека стильных эффектов;
— Бесплатно и даже без регистрации.
Разработчики, вам подарок — забираем.
@exploitex
👍1
Forwarded from 🦒∵ girafe.ai
Дамы и господа, всем доброго дня!
Этой весной студентам и аспирантам МФТИ для записи доступны следующие курсы кафедры МОиЦГ.
Позже в документе появятся ссылки на чаты и формы записи на курсы.
Если вы хотите официально включить курс в свой (индивидуальный) учебный план, это все еще можно сделать.
Успехов в весеннем семестре!
P.S. Если вы не из МФТИ, записи все равно будут доступны, они открытые
Этой весной студентам и аспирантам МФТИ для записи доступны следующие курсы кафедры МОиЦГ.
Позже в документе появятся ссылки на чаты и формы записи на курсы.
Если вы хотите официально включить курс в свой (индивидуальный) учебный план, это все еще можно сделать.
Успехов в весеннем семестре!
P.S. Если вы не из МФТИ, записи все равно будут доступны, они открытые
Google Docs
Courses for MIPT students 26s
Курсы кафедры МОиЦГ для студентов МФТИ Весна 2026 Для участия в курсах необходимо вступить в чат курса и там записаться в форму (будут объявления в соответствующем чате). Курсы предоставляются студентам МФТИ, добавление других участников остаётся на усмотрение…
🔥1
Forwarded from Machinelearning
В ШАДе Яндекса научили нейросеть находить борщевик на спутниковых фото
За выявление сорняка отвечают технологии компьютерного зрения. Модель обучали в сервисах Yandex Cloud, для валидации использовался датасет из 10 тыс. спутниковых фото с очагами заражения. Качество распознавания оценивали по метрике IoU – получилось 0,75. Результат также проверяли эксперты
Волонтеры и специалисты уже пользуются сервисом: с его помощью выявили очаги заражения общей площадью 421 га в 17 регионах и ликвидировали один крупный. В дальнейшем Яндекс планирует научить искусственный интеллект распознавать другие инвазивные растения.
@ai_machinelearning_big_data
#news #ml #ai
За выявление сорняка отвечают технологии компьютерного зрения. Модель обучали в сервисах Yandex Cloud, для валидации использовался датасет из 10 тыс. спутниковых фото с очагами заражения. Качество распознавания оценивали по метрике IoU – получилось 0,75. Результат также проверяли эксперты
Волонтеры и специалисты уже пользуются сервисом: с его помощью выявили очаги заражения общей площадью 421 га в 17 регионах и ликвидировали один крупный. В дальнейшем Яндекс планирует научить искусственный интеллект распознавать другие инвазивные растения.
@ai_machinelearning_big_data
#news #ml #ai
🔥2