IA sonoplasta produz sons para vídeos mudos
O modelo desenvolvido primeiro analisa trechos de vídeo para reconhecer a atividade representada, e depois sintetiza o som correspondente, mantendo a sincronização entre vídeo e áudio.
O modelo desenvolvido primeiro analisa trechos de vídeo para reconhecer a atividade representada, e depois sintetiza o som correspondente, mantendo a sincronização entre vídeo e áudio.
Padrões e fenômenos da natureza, em especial os dos seres vivos, têm fornecido uma série de inspirações para resolver problemas computacionais. No artigo, são apresentados três fenômenos biológicos e que soluções computacionais podem ser resolvidas com eles
Um algoritmo de aprendizagem por reforço foi usado para fazer a movimentação de moléculas individuais, se adaptando à natureza quântica e imprevisível da tarefa em tempo real.
Uma rede neural convolucional modificada foi treinada com pares de fotografias de rosto idênticas com a exceção da presença de sombra, alcançando um realismo inédito na tarefa de remover as sombras.
O modelo foi treinado para fazer o upscaling de imagens contendo 25% dos dados originais, o que implica em 1/4 do tempo necessário para sua aquisição, atingindo valor clínico comparável ao das imagens tradicionais.
O modelo foi desenhado para se beneficiar tanto dos dados de satélite processados por uma rede neural convolucional, quanto por modelos matemáticos, alcançando uma resolução maior de capacidade analítica, tanto espacial quanto temporal.
Um exame de imageamento mostra quais regiões do cérebro estão em atividade, e estes sinais foram usados por uma rede neural artificial para prever a pontuação em habilidade motora de médicos cirurgiões.
Como alguns atributos faciais estão correlacionados com problemas cardíacos, o algoritmo foi treinado para classificar as fotografias em função do estado de saúde do paciente, atingindo desempenho melhor que outros modelos não-clínicos disponíveis.
Neste artigo, apresento as características da linguagem Python que a tornam ideal para aplicações de machine learning, e que fundamentam seu sucesso nesta área.
Uma rede neural convolucional foi treinada para identificar e classificar galáxias em três tipos diferentes, a partir de imagens obtidas de um telescópio. Com isto, foi possível identificar mais de 80 mil novas galáxias, sendo mais da metade de difícil reconhecimento através de outras metodologias.