Historia editorial · Página 16
Archivo de noticias sobre IA
Noticias, explicadores y notas técnicas publicadas a lo largo de la historia editorial de RICLAB, ordenadas desde las más recientes.
Archivo de noticias sobre IA
Página 16 / 18
CUDA 7.5 con OpenCV 3.1 (C++) y MongoDB sobre QT 5 en Linux - Detección de peatones
Esta será uno de los tutoriales más extensos que haya realizado, en la cual abarcaré un gran número de temas enfocados en el análisis y procesamiento de datos de imágenes o vídeo en tiempo real. Este proyecto se divide en dos grandes etapas: la de adquisición y almacenaje de los datos en una BD identificando la cantidad de peatones, y la segunda en la visualización de los datos mediante gráficas. Descripción Los sistemas de detección de personas o peatones se han comenzado a utilizar ampliame
Non-Maximum Suppression en la detección de objetos
En esta entrada explicaremos lo importante que es la Non-Maximum Suppression, cuya traducción sería "supresión no máxima". Cuando se utiliza HOG para la clasificación de objetos, casi siempre existe detección de múltiples cuadros delimitadores que rodean el objeto que se desea detectar (en palabras simples, detecta el objeto varias veces). Por ejemplo, si echamos un vistazo a la imagen de Isidora Jiménez en la parte superior de este post, claramente se ha encontrado la cara de Isidora Jiménez
Optimización Numérica en Redes Neuronales: Loss Functions y Stochastic Gradient Descent
Análisis técnico de la minimización del error en modelos supervisados mediante funciones de pérdida. Se aborda la formulación matemática de Cross-Entropy, la mecánica de Gradient Descent y su implementación vectorizada en Python para garantizar convergencia en superficies no convexas.
CUDA 7.5 con OpenCV 3.1 (C++) sobre QT 5 en Linux - Flujo Óptico en Video
Este método de visión por ordenador ignora por completo y tiene cero interés en la identificación de los objetos observados. Funciona mediante el análisis del movimiento individual de píxeles. Es útil para el seguimiento, análisis en 3D, medición de altitud y medición de la velocidad. Este método tiene la ventaja de que puede trabajar con cámaras de baja resolución, mientras que los algoritmos más simples requieren capacidad de procesamiento mínima. El flujo óptico es un campo vectorial que mue
TPU (Tensor Processing Unit), lo nuevo de Google
Machine learning —una rama de la inteligencia artificial (IA) que estudia el reconocimiento de patrones y el aprendizaje computacional— está en la base de muchos de los productos de Google, desde la búsqueda por voz en Mapas hasta el reconocimiento de imágenes. Sin embargo, Google también sostiene que "un gran software brilla más con un gran hardware". Es por esto que, en los últimos años, la compañía ha trabajado en un ASIC (circuito integrado de aplicación específica) llamado Tensor Processi
CUDA 7.5 con OpenCV 3.1 (C++) sobre QT 5 en Linux - Remover Fondo en Video
En el siguiente tutorial removeremos el fondo estático de un vídeo, mostrando solo el movimiento de los objetos. Introducción La remoción de fondo es el método de eliminación de píxeles que no se mueven, al centrarse sólo en los objetos que lo hacen. A grandes rasgos, el método funciona así: 1. Capturar dos frames (fotogramas). 2. Comparar los colores de los píxeles en cada fotograma. 3. Si los colores son los mismos, reemplazar con otro. 4. Mantener el nuevo píxel. Aquí está un ejemplo
Nvidia presenta la nueva GeForce GTX 1080
El mercado de PC está en declive, pero hay un mercado que aún deja buenos márgenes de ganancia para los fabricantes: los jugadores. Pascal y GeForce GTX 1080 representan años de trabajo de miles de ingenieros bajo un presupuesto multimillonario. Y los resultados prometen. El rendimiento gráfico es superior a un SLI de gráficas GTX 980 e incluso más rápido —un 20 % aproximadamente según la gráfica promocional mostrada en el evento— que la tarjeta gráfica más potente del mundo hoy en día, la GTX
CNN Architectures: Evolución de Profundidad y Feature Extraction
Análisis técnico de la transición desde filtros manuales a aprendizaje jerárquico profundo. Evaluación del impacto de la profundidad en AlexNet, VGG y la reciente introducción de Residual Learning (ResNet) en ILSVRC 2015.