Mesterséges látás először, Index - Tudomány - Új típusú mesterséges szaruhártya adja vissza a vakok látását

Tíz beteg látását adta vissza a mesterséges szaruhártya Mesterséges látás először Facebook 10 Mesterséges látás valós időben? A YOLOv3 algoritmus Az autók önvezetése hatalmas nyomást gyakorol a mesterséges intelligencia-kutatókra. Meg kell oldaniuk a számítógépes látást egyszerre akár kamerával, ráadásul valós időben, késleltetés nélkül.

Facebook 9 Mesterséges látás valós időben? A YOLOv3 algoritmus Az autók önvezetése hatalmas nyomást gyakorol a mesterséges intelligencia-kutatókra.

Tíz beteg látását adta vissza a mesterséges szaruhártya

Meg kell oldaniuk a számítógépes látást egyszerre akár kamerával, ráadásul valós időben, késleltetés nélkül. Bármilyen jó ötletet szívesen vesznek. A YOLO egy jó ötlet.

Mesterséges látás először. Tartalom Mesterséges látás — Second Sight Magyar Transzhumanista Párt Olyan mesterséges szemet alkottak hongkongi kutatók, ami jobb, mint az igazi Elérhetőség Tíz beteg látását adta vissza a mesterséges szaruhártya Ez a mesterséges szem a tudósok szerint úgy mesterséges látás először, mint az igazi Ötvenszer jobb vagy százezerszer rosszabb látás Index - Tudomány - Új típusú mesterséges szaruhártya adja vissza a vakok látását Mesterséges látás először Az intelligens felismerőeszközök szerepe a vakok segítésében A dél-afrikai Jason Esterhuizen decemberében, 23 évesen szenvedett súlyos autóbalesetet, amit ugyan nagy szerencsével túlélt, de a szemei úgy roncsolódtak, hogy vakon ébredt a kórházban.

Akár van LIDAR az autón, akár nincs, kamerával így is, úgy is fel kell ismerni, meg kell tudni mondani, hogy a tőlünk x méterre lévő függőleges folt az út szélén egy szemeteskuka, vagy egy ember, aki álldogál, de mindjárt lelép a járdáról. Nem véletlen, hogy az önvezető autókban először az Nvidia Drive PX 2tavasz óta pedig a "túl lassú" Nvidia AI helyett a Tesla által házon belül fejlesztett, hússzor gyorsabb saját neuronprocesszoros hardvere dolgozik az autókban.

Látás- és hallásproblémákról biologikusan - Kérdezz-felelek élőben 8 (biologika, ujmedicina)

Ez az irdatlan teljesítmény azért kell, mert egyrészt a számítógépes látást mesterséges neuronhálózatokkal Deep Neural Net, DNN végezzük, és ezek eléggé lassúak bár grafikus kártyával gyorsíthatók, lásd fentmásrészt az objektumkeresésnek az a hagyományos módja, hogy egy nagyobb képet egy kisebb ablakkal végigpásztázunk, és minden "kisablakot" odaadunk a neuronhálónak feldolgozásra - ezer kisablak ezer felismerési ciklust jelent.

Majd néhány nagyobb ablakkal is végigmegyünk a képen, hátha a felismerendő objektum nagyobb, mint a pici ablakunk. Könnyű belátni, hogy ez a megközelítés nem teljesen ugyanaz, mint amit az élőlények csinálnak.

• Mesterséges látás először, Ha tetszett ez a cikk, kövess minket a Facebookon is!
• MTI
• Tíz beteg látását adta vissza a mesterséges szaruhártya
• Hat ember nyerte vissza látását műretinával [origo] A klinikai próbák első fázisában remekül vizsgázott egy szilícium-alapú mesterséges retina.
• Hat ember nyerte vissza látását műretinával
• Fejleszteni a látást születési könyvből
• A látás egyértelműsége, hogyan lehetne javítani

Nekünk nincs kisablakunk, sem ciklusunk. Ha elénk tárul egy kép, egyszerre mindent látunk rajta.

Mesterséges látás először.

Óriásit léphetne előre a számítógépes látás technológiája, ha ki lehetne iktatni a kisablakos-ciklusos nyekergést a képeken. Hogy mit értünk tömegjeleneten?

Érdemes megnézni a Látásromlás encephalopathiával hivatalos honlapján a beágyazott videót amelyből a fenti kép is mesterséges látás előszörhogy mi mindent ismer fel, milyen terepen lehet bevetni. A V3 összesen kilencezer!

Tíz beteg látását adta vissza a mesterséges szaruhártya [origo]MTI A szembe ültetett váz hatására a szaruhártyasejtek ismét növekedésnek indultak, így a kezeltek látása helyreállíthatóvá vált. Az új módszer a klinikai kipróbálás első szakaszában tíz svéd páciensnél bizonyult sikeresnek.

Kezdjük azzal, hogyan látunk mi, élőlények - hiszen ezt kell leutánoznunk. Egyszerű, mint a pofon: ha egyszerre, egy időben mindegyikhez odajut az infó, akkor egyszerre, egyidőben mindegyik el tudja végezni a feladatát.

Párhuzamosság, ugyebár. A YOLO ezt csak emulálni tudja, de elég ügyes módon teszi.

Igaz, nem százmillió, hanem csak 13 x 13, azaz kimeneti neuronnal dolgozik, ami rémesen kevésnek tűnhet, de valójában így is pompásan elvégzi a feladatát. Miért pont 13 x 13? Nos, a szerzők csak azt árulják el, miért páratlan szám.

Lentebb egy ábra a dokumentációból. Mint az ábrán látható, a kimeneti neuron alakjának semmi köze nincs a végleges felismerési eredményhez. Mindegyik kisablak önállóan képes a objektumtípus felismerésére, és mindegyikük ügyes keretrajzoló is egyben: maguk a neuronok dobják ki maguból a bounding boxot is, nincs külön detektálási lépés.

Nyilván az a neuron kap nagyobb prioritást a bal alsó kutya felismeréséhez, amelyik középpontosan közelebb van hozzá, mesterséges látás először elvileg és gyakorlatilag is mindegyik neuron mindent lát. Úgy kell őket lekorlátozni, hogy a tőlük távolabbi régiókra ne tegyenek javaslatot.

Ezekből aztán a legvalószínűbbeket tartjuk meg, a többi megy a kukába. Hogy milyen teljesítménnyel fut ez a villámgyorsnak kinevezett jószág egy nem túl friss, de azért memóriában erős konfiguráción, azaz Intel Core i5-ös processzoron, 32 GB RAM-mal, arról készítettem egy videót.

Egy képkocka feldolgozása két másodpercbe telik, tehát ezen a gépen a sebessége fél képkocka másodpercenként, ami még i9-es CPU esetén sem lenne több, mint 4 fps ez utóbbit nem mértem meg.