CycleGAN 特點為不要求訓練數據要成對,可學習不同 domain 之間的影像轉換。 可應用於語義標籤的街道轉換成寫實影像、衛星影像轉換成地圖影像、將場景從白天轉換成夜晚。
使用 DETR 進行物件偵測,可應用於工廠瑕疵檢測、醫療影像分析、生物影像分析、工安影像分析、口罩影像分析。
BERT 應用領域有 Question Answer 問答系統、閱讀理解、語意拆解、語意分析。
應用於人體姿勢偵測,可偵測出人的眼睛、鼻子、耳朵、脖子、肩部、手肘、手腕、髖關節、膝關節、腳踝的位置。
使用 DenseNet 進行股票資料的訓練和推論。
使用 DenseNet 進行 Sin 函數的訓練和推論。
Jupyter-Image-GAN-Compression-PyTorch 是將 GAN 模型做壓縮後,再進行風格轉換。壓縮後的模型,不僅減少計算量,降低模型的大小,還能夠保持一定的準確度。此解決方案可應用於馬與斑馬、鞋子的風格轉換。
使用一維的 Convolutional neural network 進行資料分析。
FaceNet 可應用於人臉分群、人臉分類,透過歐式距離來判斷人臉的相似度,而達到人臉辨識。
使用 Python 爬蟲的技術,從台灣證券交易下載個股數據資料,並且使用 XGBoost-Regression 對個股資料進行迴歸分析。
GPT-2 應用於自動產生一篇文章,也可輸入任一句話來自動產生一篇文章。
常見影像處理的簡易使用工具,包含有讀圖、存圖、轉灰階、二元化、連通找出物體等。
可訓練自訂的語音資料集,推論並輸出類別,不需上網,即可達成邊緣端語音轉文字的功能。
Pix2Pix 架構和 GAN 類似,但不在於產生仿真的影像,而是希望透過監督學習的方式,讓原影像輸出訓練學習的影像風格。例如 : 黑白轉換成彩色、邊緣圖轉換相片、地圖轉換成衛星地圖等各種應用。
此 APP是將一張低解析度(Low Resolution)的影像,利用 SRGAN 生成一張高解析度 (High Resolution),提高影像的解析度。
CycleGAN 是發表在 ICCV2017 image-to-image translation 的著名演算法,最大特點為不要求訓練數據要成對,只需要提供不同 domain 的影像就能成功訓練不同 domain 之間的影像轉換。 可應用於語義標籤的街道轉換成寫實影像、衛星影像轉換成地圖影像、將場景從白天轉換成夜晚。
AI 人體骨架偵測、跌倒偵測、人流計數。其中人體骨架偵測,可偵測出鼻子、眼睛、耳朵、脖子、肩部、手肘、手腕、髖關節、膝關節、腳踝的位置。
模型轉換,從 PyTorch 模型轉換到 ONNX 模型,或是從 Tensorflow 1.X 模型轉換到 ONNX 模型。
FaceNet 主要驗證人臉是否為同一個人,端對端學習,直接比對兩個人臉經過它的網路映射之後的歐氏距離。該模型沒有使用傳統 softmax 的方式進行分類學習,而是抽取某一層當作特徵,將人臉影像映射到一個歐幾里得多維空間的編碼方法,通過空間距離來表示人臉的相似度,同一個人的距離越小,反之不同人距離則越大,最後基於此編碼再做人臉辨識。
使用 UNet 進行影像分割,可以應用於醫療影像切割,範例為胸腔 CT 影像切割。
使用 XGBoost-Regression-Time-Series 進行時序性資料的迴歸分析。
使用 LSTM (Long Short-Term Memory) 進行時序性資料的分析。    
CSPNet 演算法優化深度學習網路結構,除了準確度是世界第一之外,還能在邊緣運算嵌入式系統上維持超高的推論速度,可應用在工廠瑕疵檢測、車流分析、人流分析、安全監控、醫療影像分析、生物影像分析、工安影像分析、口罩影像分析等領域,實在是非常厲害,台灣之光。
使用 XGBoost Classification 進行資料的分類。
此 APP 是一套結合多種影像標註工具的應用程式,主要包含有常見的LabelImg、Labelme 與立達軟體獨家開發的 Annotation 標註工具,支援 PASCAL VOC XML、YOLO、labelme、VIA JSON 等多種常見標註格式。
使用 MaskRCNN 演算法進行影像物件計數及分割,可應用於醫療影像分析、魚類影像分析、生物影像分析、先進駕駛輔助系統、自動駕駛車、工廠瑕疵檢測等。
使用 XGBoost Regression 進行資料的迴歸分析。
將 YOLOv4 演算法包裝成 APP 工具,不需寫程式即可進行 AI 訓練及推論,支援最新 RTX-3090-24G GPU 及 CUDA 11.0 。可以應用在工廠瑕疵檢測、醫療影像分析、生物影像分析、工安影像分析、口罩影像分析等。
CUDA, cuDNN, Terminal, Jupyter Lab, Spyder, labelImg, lableMe 等。
1 2 [3] 4 5 6