#alexnet

[brittanysnow]

Maggie Sawyer, aka detective dimples (1/?)

[brittanysnow]

[brittanysnow]

Alex Danvers, a sunshine mixed with a little hurricane (7/?)

[brittanysnow]

Alex Danvers, a sunshine mixed with a little hurricane (8/?)

[doyouknowkrwp]

딥러닝의 커튼을 열다: AlexNet - ImageNet 우승으로 시작된 AI 혁명

2012년 9월, 세상이 깜짝 놀랐습니다. ImageNet Large-Scale Visual Recognition Challenge (ILSVRC)에서 한 팀이 오류율 15.3%를 달성했습니다. 그 전까지 최고 성적은 26.2%였습니다. 단순히 10% 정도의 개선이 아니라, 40% 이상의 엄청난 향상이었습니다. 2012년 AlexNet이 어떻게 ImageNet 대회를 압도적으로 제패하며 딥러닝 혁명을 촉발했는지 완벽 분석. ReLU, GPU 병렬 처리, Dropout 등 5가지 혁신 기술과 현대 AI까지 이어진 그 유산을 파헤칩니다. #AI발전사 #AlexKrizhevsky #AlexNet #CNN #Dropout #GeoffreyHinton #GPU #ILSVRC #ImageNet #NVIDIA #ReLU #기울기소실 #데이터증강 #딥러닝 #딥러닝역사 #딥러닝혁명 #신경망 #컴퓨터비전 #합성곱신경망 #활성화함수 Read the full article

[ginogirolimoni]

All’inizio fu AlexNet, una rete neurale convoluzionale, che il 30 settembre 2012 riuscì a battere un campione di soggetti umani nell’identificare correttamente alcune immagini di auto o di gatti: quella forma di IA chiamata ImageNet Large Scale Visual Recognition Challenge riuscì a riconoscere correttamente le immagini che le venivano sottoposte il 99% delle volte, mentre gli esseri umani si fermarono al 95%.

In precedenza i risultati della macchina erano stati molto più deludenti, ma la realizzazione di una AI che non aveva più bisogno dell’inserimento di dati corretti da parte dell’uomo prima del test, ma che se li andava a cercare da sola e che imparava dai suoi stessi errori, in pochi anni ha fatto si che raggiungesse e superasse l’uomo nel riconoscere immagini, volti, impronte digitali, pupille iridee, il timbro di una voce e, domani chissà, sarà in grado di fare una visita medica accurata, di sapere se abbiamo pagato il bollo o l’assicurazione dell’auto, se paghiamo le tasse, se siamo sotto l’effetto di stupefacenti o se abbiamo ingerito alcool, ed anche se abbiamo appena avuto un rapporto sessuale o se siamo eccitati.

In pratica la nostra privacy, o ciò che ne rimane, sparirà del tutto e chiunque controlli la IA, o la IA stessa senza alcun controllo umano, potrebbe orientare i nostri acquisti, le nostre opinioni, il nostre inclinazioni politiche, la moda, modificare il nostro comportamento, suscitare emozioni e sentimenti fittizi e orientare il nostro odio dovunque voglia.

Ma i primi prototipi di IA e quelle attuali, dove sono andati a pescare le immagini per correggere il loro riconoscimento? Dove pescano tutte le informazioni? AlexNet ha attinto largamente dai social più frequentati le immagini dei gatti pubblicati dagli utenti per battere gli umani. Quando postate un gatto su Tumblr pensateci, state dando alla IA le informazioni per poterci manipolare meglio.

(Liberamente tratto da Yuval Noah Harari, Nexus. Breve storia delle reti di informazione dall’età della pietra all’IA, Bompiani, Milano, 2024).

[altanai]

CNN Computer vision

This article explains popular CNN Architectures specific to object recognition. If you are new you should go through Computer vision basics first.

LeNet-5 architecture

One of the earliest CNN archietctures created by Yann LeCun in 1998. It was used for written digits recignition using MNIST database.

Starts with grayscalling images of 32x32x1 shape and applied with six 5×5 filters CONV…

View On WordPress

[ijtsrd]

Real Time Video Surveillance for Automated Weapon Detection

by Bhagyalakshmi. P | Indhumathi. P | Lakshmi. R | Dr. Bhavadharini "Real Time Video Surveillance for Automated Weapon Detection" 

Published in International Journal of Trend in Scientific Research and Development (ijtsrd), ISSN: 2456-6470, Volume-3 | Issue-3 , April 2019, 

URL: https://www.ijtsrd.com/papers/ijtsrd22791.pdf

Paper URL: https://www.ijtsrd.com/computer-science/other/22791/real-time-video-surveillance-for-automated-weapon-detection/bhagyalakshmi-p

ugc journal list, call for paper papers in journals, research papers

Closed circuit television systems CCTV play a vital role in evidence collection against crimes and criminals. The existing systems does not classify normal and abnormal events leading the police to become more reluctant to attend the crime scenes unless there was a visual verification, either by manned patrols or by electronic images from the surveillance cameras. The Proposed work is being used for surveillance, monitoring and classifications of weapons, live tracking and many more purposes. In this work, live surveillance videos is taken for monitoring and detecting the abnormal events based on real time image processing techniques. Operations of proposed project has three processing modules, first processing module is for object detection using Convolutional Neural Networks CNN and second processing module will handle the classification of weapons, monitoring and alarm operations will be carried out by the third processing module. CCTV will monitor circular area and it will automatically perform all operations and be controlled. Shape detection algorithms and object detection algorithms have been tested to find accuracy in detection and analysis the processing time before implementing in such environment and results provide optimal accuracy in matching weapons and objects type with name and shape in predefined database like ALEXNET. The proposed work drastically reduces the crime rate and it also provide a higher level security in certain areas and it will reduce the time required to catch the criminal.