Une sélection d'articles sur l'apprentissage automatique: cas, guides et études pour mars 2020

Il semble qu'aucun article ne puisse se passer de mentionner le coronavirus, et cette collection ne fera pas exception.

Depuis fin janvier, le nombre de référentiels ouverts qui mentionnent COVID-19 est de plusieurs centaines . Vous pouvez y trouver des jeux de données, des modèles et des visualisations.

Il existe de nombreuses publications sur l'utilisation d'algorithmes d'apprentissage automatique pour lutter contre la propagation de COVID-19, mais peu d'entre elles vous permettent de vous familiariser avec le code source.

Ces documents n'ont pas été inclus dans la sélection, car ici, comme dans les deux numéros précédents, des publications ont été collectées pour abaisser le seuil d'entrée dans la sphère ML. Une plus grande attention est accordée aux outils qui résument le comportement de modèles complexes dans des API de haut niveau que vous pouvez commencer à appliquer maintenant.

Prédictions informatiques des structures protéiques associées à COVID-19

Google DeepMind a publié les résultats de son étude sur la prédiction de la structure des protéines virales. Pour cela, l'open source DNN AlphaFold a été utilisé . Ces informations peuvent être utiles pour développer de nouveaux médicaments. Cependant, comme DeepMind l'indique clairement sur son site Web, ces données n'ont pas été vérifiées expérimentalement, et on ne peut être sûr de l'exactitude des structures.

Apprentissage automatique pour déterminer COVID-19 par radiographie pulmonaire

L'un des créateurs de COVID-CXRexplique comment commencer à utiliser l'apprentissage automatique pour prédire les cas graves d'infection à coronavirus à l'aide d'une radiographie pulmonaire. À l'intérieur se trouve une instruction sur la façon de préparer un ensemble de données, d'effectuer un prétraitement et de conduire une formation sur le modèle. Une grande importance est accordée à l'explication des prédictions faites par le réseau neuronal. L'explication consiste en deux images associées. Les zones sont surlignées en vert ou en rouge pour indiquer ce qui a contribué aux prévisions.

5 jeux de données COVID-19 que vous pouvez utiliser dès maintenant.

Ici vous pouvez trouver des données sur les patients, des données de distribution géographique, et même une sélection de millions de tweets qui mentionnent le virus.

Autres documents non liés au coronavirus

Suivi du visage et des mains en temps réel

Google Research a introduit deux outils légers qui fonctionnent entièrement dans le navigateur. Ainsi, les données ne quittent pas l'appareil utilisateur, ce qui assure sa sécurité.

Facemesh dérive la géométrie tridimensionnelle approximative de la surface du visage de l'image ou du flux vidéo, ce qui signifie qu'il peut fonctionner avec une caméra ordinaire sans capteur de profondeur ( démo ).

Handpose reconnaît les mains dans le flux vidéo et, sur la base de 21 repères (articulations des doigts et des paumes), détermine l'emplacement des parties de la main ( démo ).

La poursuite du développement de ces outils nous permettra de reconnaître les émotions et les gestes, et éventuellement de changer la façon dont nous interagissons avec le contenu sur Internet.

Reconnaissance en temps réel d'objets de volume

La plupart des études de reconnaissance d'objets se concentrent sur la prévision d'objets bidimensionnels, tandis que la prévision 3D ouvre un large éventail d'applications, des véhicules sans pilote à la réalité augmentée.

Les créateurs du framework open source Mediapipe ont présenté le nouvel outil Objectron, qui calcule les boîtes de délimitation tridimensionnelles des objets en temps réel sur les appareils mobiles. Déjà maintenant, vous pouvez tester l' application mobile sur des modèles formés pour reconnaître les chaises et les chaussures .

Utilisation de BERT dans un navigateur utilisant Tensorflow.js

Basé sur le modèle Q&A de MobileBERT, les auteurs de l'article ont créé une extension pour Chrome, qui fonctionne comme une recherche de page, à la différence près que vous pouvez poser une question, et l'extension essaiera d'y trouver une réponse.

Par exemple, dans un article sur les crabes, les auteurs ont posé une question: «Comment les crabes se déplacent», et l'algorithme a mis en évidence un fragment du texte «Habituellement, les crabes se déplacent latéralement». Sur la page avec la recette de lasagne, les auteurs ont demandé combien de temps il fallait pour cuire, auquel ils ont reçu une réponse: 25 minutes.

Des exemples moins réussis sont également donnés, mais le potentiel d'utilisation de ce modèle est déjà visible.



C'est tout, merci d'avoir regardé!