El artículo «Cascade of encoder-decoder CNNs with learned coordinates regressor for robust facial landmarks detection» (acceso libre por 50 días al paper aquí) aplica una cascada de dos redes enconder-decoder y una capa especial que aprende a extraer las coordenadas de cada landmark a partir de los heapmaps (un mapa de probabilidad de la posición por cada landmak) que son la salida de la cascada de redes. Esta nueva capa unida a una forma especial de entrenamiento obtienen el estado del arte en una base de datos complicada como WFLW (ver CHR2C).
El código para probar los modelos entrenados de detección de landmark faciales está disponible en github. Si usas el código y te ha parecido útil, por favor, coloca una estrella en github.
La noticia se puede encontrar aquí.
Máster Universitario en Visión Artificial de la URJC (MUVA):
(11ª Edición – En español y en Madrid).
El segundo plazo de preinscripción: 1 de junio hasta el 13 de julio. Puedes encontrar información sobre todo el proceso en nuestra web y en la web de la urjc.
¿Por qué elegir nuestro máster? La Inteligencia Artificial (IA) está revolucionando la informática y cuando se habla de IA muchas veces se trata de problemas de procesamiento de imágenes o sonidos (p.ej. #deepfakes o medir el recorrido de un jugador de fútbol). La Visión Artificial #computervision, consiste en la extracción automática de información de imáges y su uso en aplicaciones. Desde hace 6 o 7 años las redes de neuronas artificiales con el #deeplearning han vuelto para quedarse con impresionates éxitos (p.ej. #selfdrivingcars). En nuestro máster aprenderás estas técnicas de #machinelearning y #deeplearning aplicadas a imáges y herramientas software como #opencv o #tensorflow. Los profesores son investigadores en imagen médica, robótica, análisis facial, biometría, etc. con lo que recibirás una sólida formación teórica con mucho énfasis en la parte práctica programando en #python.
Se ha publicado en Pattern Recognition Letters este mes de mayo:
BEBLID: Boosted efficient binary local image descriptor. Iago Suárez, Ghesn Sfeir, José M. Buenaposada, Luis Baumela. Pattern Recognition Letters. Volume 133, May 2020, Pages 366-372.
Lo bueno es que es tan rápido como ORB y tiene mucho mejores resultados de matching en HPatches. El código está disponible y es compatible con los descriptores de OpenCV y es especialmente interesante en móviles.
Con la crisis sanitaria se han tenido que modificar las fechas y la matriculación para el curso 2020/21. Puedes obtener la nueva información aquí. En cualquier caso el primer período de pre-inscripción abierto el 18 de febrero ahora terminará el 8 de mayo de 2020.
El profesorado lo forman investigadores en el área de la Visión Artificial, Robótica, Imagen Médica, Análisis Facial, Análisis de Documentos, Biometría, etc.
Nuestro máster capacita no solo en las técnicas de procesamiento de imágenes necesarias y su programación (p.ej. OpenCV) sino también en otras trasversales como: Machine Learning en general y Deep Learning en particular o Python.
El lugar es el seminario 070 del Departamental II, Campus de Móstoles, URJC. El artículo está disponible en abierto.
¡¡Cancelado el seminario!! Siguiente seminario de Visión Artificial en la URJC, Campus de Móstoles impartido por Carlos Dorronsoro (Instituto de Óptica del CSIC). Más información aquí.
Siguiente seminario de Visión Artificial en la URJC, Campus de Móstoles. Más información aquí.
Siguiente seminario de Visión Artificial en la URJC, Campus de Móstoles. Más información aquí.