Michael Lubinsky's homepage

Programming, Math and Physics

View My GitHub Profile

Book: https://books.google.cz/books?id=xtC_EAAAQBAJ&printsec=frontcover&redir_esc=y#v=onepage&q&f=false

YOLO https://habr.com/ru/articles/865834/

http://cv-blog.ru/

https://arxiv.org/pdf/1812.01187.pdf . CNN training tricks for image classification

https://habr.com/ru/post/511372/ Deep Learning: как это работает? Часть 3 — архитектуры CNN

https://habr.com/ru/post/510560/ RetinaNet

Image formats: https://youtu.be/P1K0ZNGczsk

https://github.com/videoflow/videoflow

https://habr.com/ru/post/461365/ compvision

https://habr.com/ru/company/jetinfosystems/blog/498652/ Mask R-CNN etc https://habr.com/ru/company/mipt/blog/458190/ Вижу, значит существую: обзор Deep Learning в Computer Vision (часть 2)

https://habr.com/ru/post/481844/

https://habr.com/ru/company/mailru/blog/460307/

https://sahnimanas.github.io/post/anatomy-of-a-high-performance-convolution/ convolution https://www.dlology.com/blog/how-to-train-an-object-detection-model-easy-for-free/

Image processing without NN

https://www.linkedin.com/posts/adityaojas_opencv-deeplearning-innovation-activity-6690219835810484224-9rcO OpenCV Sudoku Solver

https://realpython.com/storing-images-in-python/

https://open.compscicenter.ru/archive/images/ . Все что нужно знать программисту об изображениях

https://rsipvision.com/ComputerVisionNews-2019May/

https://tryolabs.com/resources/introductory-guide-computer-vision/

https://www.tutorialspoint.com/dip/index.htm

https://habr.com/ru/post/449198/ . FFMpeg

FFmpeg – это библиотека для создания видеоприложений или даже утилит общего назначения, которая берет на себя всю тяжелую работу по обработке видео, выполняя все декодирование, кодирование, мультиплексирование и демультиплексирование для вас.

Задача: Full HD IP-камера в стандарте h.264 передает RTSP поток. Размер распакованного кадра 1920x1080 пикселей, частота 25 кадров в секунду. Нужно получать декодированные кадры в оперативную память и каждый 25 кадр сохранять на диск.

https://images.guide/ . https://imageoptim.com/ . Image compression

https://opensource.com/article/19/3/python-image-manipulation-tools

https://habr.com/hub/image_processing/

Нахождение объектов на картинках: https://habr.com/ru/company/joom/blog/445354/

https://habr.com/ru/post/448316/ Keras, Google GPU, deploying on Android, Google Colab, transfer learning

https://www.udemy.com/master-deep-learning-computer-visiontm-cnn-ssd-yolo-gans/learn/v4/ . UDEMY

https://www.matec-conferences.org/articles/matecconf/pdf/2018/14/matecconf_imet2018_01016.pdf Extract objects from video

https://en.wikipedia.org/wiki/Scale-invariant_feature_transform
https://people.eecs.berkeley.edu/~malik/cs294/lowe-ijcv04.pdf https://en.wikipedia.org/wiki/Scale-invariant_feature_transform

https://www.cs.ubc.ca/~lowe/525/papers/calonder_eccv10.pdf

https://github.com/Merwanedr/Vusion image analysis using AI

https://github.com/Merwanedr/Popbot . image transformation

OpenCV

https://habr.com/ru/company/intel/blog/452790/

conda install opencv

Basic camera test:

cat test.py

import numpy as np
import cv2

cap = cv2.VideoCapture(0)

while(True):
    # Capture frame-by-frame
    ret, frame = cap.read()

    # Our operations on the frame come here
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # Display the resulting frame
    cv2.imshow('frame',frame)
    cv2.imshow('gray',gray)
    if cv2.waitKey(20) & 0xFF == ord('q'):
        break

# When everything done, release the capture
cap.release()
cv2.destroyAllWindows()

https://www.pyimagesearch.com/2018/08/13/opencv-people-counter/ . People Counter

https://www.learnopencv.com

https://opencv-python-tutroals.readthedocs.io/en/latest/index.html

https://heartbeat.fritz.ai/opencv-python-cheat-sheet-from-importing-images-to-face-detection-52919da36433

https://medium.com/machine-learning-world/feature-extraction-and-similar-image-search-with-opencv-for-newbies-3c59796bf774

https://www.pyimagesearch.com/2019/03/11/liveness-detection-with-opencv/

https://stackoverflow.com/questions/42203898/python-opencv-blob-detection-or-circle-detection

https://makehardware.com/2016/05/19/blob-detection-with-python-and-opencv/

CNN

https://poloclub.github.io/cnn-explainer/

https://machinelearningmastery.com/deep-learning-for-computer-vision/ . Book

https://www.udemy.com/master-deep-learning-computer-visiontm-cnn-ssd-yolo-gans/learn/v4/

https://neurohive.io/en/

SyNet - fast inference - convolution calculation

https://habr.com/ru/post/448436/ n

https://habr.com/ru/post/477718/

https://machinelearningmastery.com/how-to-manually-scale-image-pixel-data-for-deep-learning/

https://www.jeremyjordan.me/

https://www.rsipvision.com/ComputerVisionNews-2019March/

https://habr.com/ru/company/mipt/blog/450732/ . Deep Learning for Computer Vision

Reviews: Object Detection with Deep Learning: A Review

https://arxiv.org/abs/1809.02165v2

https://arxiv.org/abs/1807.05511 .

https://habr.com/ru/post/459088/ Point Clouds

https://habr.com/ru/post/444172/

https://towardsdatascience.com/@sh.tsang

https://habr.com/ru/post/443734/ . BagNet bag of words

https://blog.nanonets.com/hyperparameter-optimization/ . Hyperparameter optimization

Real time object detection with tensorflow

https://www.edureka.co/blog/tensorflow-object-detection-tutorial/

https://medium.com/@madhawavidanapathirana/real-time-human-detection-in-computer-vision-part-2-c7eda27115c6

https://habr.com/ru/company/nixsolutions/blog/443236/ . Демистифицируем свёрточные нейросети

ResNet

ResNet — это сокращенное название для Residual Network (дословно — «остаточная сеть»)

Соединения быстрого доступа (shortcut connections) пропускают один или несколько слоев и выполняют сопоставление идентификаторов. Их выходы добавляются к выходам stacked layers. Используя ResNet, можно решить множество проблем, таких как:

ResNet относительно легко оптимизировать: «простые» сети (которые просто складывают слои) показывают большую ошибку обучения, когда глубина увеличивается. ResNet позволяет относительно легко увеличить точность благодаря увеличению глубины, чего с другими сетями добиться сложнее.

https://neurohive.io/ru/vidy-nejrosetej/resnet-34-50-101/

https://habr.com/ru/post/449864/

Segmentation

https://www.analyticsvidhya.com/blog/2019/04/introduction-image-segmentation-techniques-python/

Segmentation = classify every pixel on picture.

The Segmentaition does not require a lot of data because every pixel is used for back propagation. Number of classes on the picture is defined upfront (hyperparameter).

Similarity coefficient metrics: Jaccard Coefficient, Dice Coefficient, Cosine Coefficient. Jaccard Coefficient = intersection / union

Fully Convolutional Network (FCN) - no dense (aka fully connected)layer. FCN has less parameters and can take images of any size. Instead the dense layer FCN uses up-sampling to the original input size.

Diffferent types of upsampling to make the image of bigger size:

Added skip connection: ResNet (UNet, TernausNet )

https://neurohive.io/ru/vidy-nejrosetej/u-net-image-segmentation/ U-Net

https://www.youtube.com/watch?v=SEvUc46gUaQ . Deep Learning for the Segmentation, Classification, and Quantification

https://www.youtube.com/watch?v=r2KA99ThEH4 Deep Learning на пальцах 7 - Segmentation и Object Detection (Владимир Игловиков)

https://www.youtube.com/watch?v=MpZxV6DVsmM FastAI lesson 3 - image segmentation

Feature Pyramid Networks (FPN)

Detection

Predicts:

Detection metric is sofisticated: named mAP

confidence of class

NMS - non maximum supression

One-shot detectors (fast): YOLO, SSD, RetinaNet, SquueezeNet, DetectNet

Two-shot detectors (precize): R-CCN, Fast R-CNN, Faster R-CNN

R(egion)-CNN: https://www.youtube.com/watch?v=LFQPUYDUpvg -> Semen (ru)

R-CNN is slow because if ~2K regions then for every region we need to call CNN

Fast R-CNN: https://www.youtube.com/watch?v=LFQPUYDUpvg Full convolution: run convolution just once for entire picture. Only after that use regions. It speed up 25 times the R-CNN!

Faster R-CNN: the proposal regions generated by NN

https://petewarden.com/ ML on embedded devices

https://www.youtube.com/watch?v=DclyqYN99og&list=PLlb7e2G7aSpQc4CW-9BI9L_jZVyUbbSWX Введение в анализ изображений lectures

https://www.youtube.com/watch?v=azkzDWi8X64&list=PLlb7e2G7aSpQ4C5ykr2Ce1mfxM01l6_HV Анализ изображений и видео, часть 2

https://www.datasciencecentral.com/profiles/blogs/off-the-beaten-path-using-deep-forests-to-outperform-cnns-and-rnn

https://www.udemy.com/master-deep-learning-computer-visiontm-cnn-ssd-yolo-gans/learn/v4/t/lecture/12583888?start=0

https://medium.freecodecamp.org/how-to-build-the-best-image-classifier-3c72010b3d55 . PyTorch

License Plate Detection

https://sod.pixlab.io/articles/license-plate-detection.html https://news.ycombinator.com/item?id=19276977

https://habr.com/ru/post/439330/ . - uses MASK R_CNN

Tools

https://github.com/opencv/cvat Image and Video annotator http://www.robots.ox.ac.uk/~vgg/software/via/ . Image Annotator

https://github.com/Slava/label-tool . Image labelling

https://factordaily.com/indian-data-labellers-powering-the-global-ai-race/ . Image labelling

https://idealo.github.io/imageatm/

https://github.com/albu/albumentations . Augmentation

https://arxiv.org/abs/1603.07285 convolution arithmetics

https://paperswithcode.com/sota software with code

https://medium.com/@jonathan_hui/object-detection-series-24d03a12f904

https://medium.com/@jonathan_hui/object-detection-speed-and-accuracy-comparison-faster-r-cnn-r-fcn-ssd-and-yolo-5425656ae359

https://lilianweng.github.io/lil-log/2018/12/27/object-detection-part-4.html

https://lilianweng.github.io/lil-log/2017/12/31/object-recognition-for-dummies-part-3.html

https://youngjoongkwon.com/2018/11/10/object-detection-r-cnn-fast-r-cnn-faster-r-cnn-mask-r-cnn-yolo-and-ssd/

Udacity and Udemy and FastAI

https://www.udacity.com/course/introduction-to-computer-vision--ud810 . Free course

https://www.udemy.com/computer-vision-a-z/learn/v4/overview

https://www.udemy.com/master-computer-vision-with-opencv-in-python/learn/v4/overview

https://www.udemy.com/master-deep-learning-computer-visiontm-cnn-ssd-yolo-gans/learn/v4/overview

https://course.fast.ai/ Practical Deep Learning for Coders, v3

https://www.youtube.com/channel/UCX7Y2qWriXpqocG97SFW2OQ

https://habr.com/ru/company/mailru/blog/439226/ . Scala MXNet Docker

https://habr.com/ru/post/441006/ image processing with skikit-image

How to Recognise multiple objects in the same image? Detecting multiple objects in the same image boils is essentially a “segmentation problem”. Two popular algorithms are YOLO (You Only Look Once), and SSD(Single Shot Multibox Detector) https://arxiv.org/abs/1512.02325 https://github.com/tensorflow/models/tree/master/object_detection%22Object%20Detection%20API%22 https://becominghuman.ai/tensorflow-object-detection-api-tutorial-training-and-evaluating-custom-object-detector-ed2594afcf73 https://github.com/thtrieu/darkflow

http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review

MobileNet

https://hackernoon.com/tf-serving-keras-mobilenetv2-632b8d92983c https://towardsdatascience.com/review-mobilenetv1-depthwise-separable-convolution-light-weight-model-a382df364b69

https://towardsdatascience.com/evolution-of-object-detection-and-localization-algorithms-e241021d8bad

https://medium.com/ilenze-com/object-detection-using-deep-learning-for-advanced-users-part-1-183bbbb08b19 Traditional methods of detection involved using a block-wise orientation histogram(SIFT or HOG) feature which could not achieve high accuracy in standard datasets such as PASCAL VOC.

https://github.com/bobquest33/dlib_obj_count . The Shelf Detector System For Retail Stores Using Object Detection; Dlib is a modern C++ toolkit containing machine learning algorithms

https://habr.com/ru/post/440608/ detect empty space on parking place OpenCV, TensorFlow, Keras

«http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html>

https://www.rsipvision.com/category/rsip-vision-learns/

https://www.rsipvision.com/computer-vision-news/

https://www.toptal.com/machine-learning/machine-learning-video-analysis

https://hackernoon.com/a-comprehensive-design-guide-for-image-classification-cnns-46091260fb92

https://www.zerotosingularity.com/blog/fast-ai-part-1-course-1-annotated-notes/

https://medium.com/@hiromi_suenaga/deep-learning-2-part-1-lesson-1-602f73869197

https://sod.pixlab.io/

https://habr.com/company/binarydistrict/blog/354524/

https://blog.paperspace.com

Image processing

«https://www.liip.ch/en/blog/numbers-recognition-mnist-on-an-iphone-with-coreml-from-a-to-z> . CoreML

https://openmv.io/

Hardware accelerators TCU, NPU, …

https://habr.com/ru/post/455353/

https://habr.com/ru/company/advantech/blog/481862/ Jetson NVidia Maxwell GPU

https://www.analyticsvidhya.com/blog/2017/10/image-skilltest/

https://habr.com/company/intel/blog/415811/ NN for image processing

https://habr.com/company/intel/blog/417809/

https://habr.com/post/416777/ . CNN explained

https://heartbeat.fritz.ai/the-5-computer-vision-techniques-that-will-change-how-you-see-the-world-1ee19334354b

https://towardsdatascience.com/real-time-object-detection-api-using-tensorflow-and-opencv-47b505d745c4

https://towardsdatascience.com/is-google-tensorflow-object-detection-api-the-easiest-way-to-implement-image-recognition-a8bd1f500ea0

https://habrahabr.ru/post/354092/ Object recognition - разработать прототип системы, в реальном времени обнаруживающей сотрудников без касок

https://medium.com/@jonathan_hui/what-do-we-learn-from-region-based-object-detectors-faster-r-cnn-r-fcn-fpn-7e354377a7c9

https://habr.com/ru/post/446872/ . Raspberry Pi and OpenCV https://medium.com/ml-everything/how-to-actually-easily-detect-objects-with-deep-learning-on-raspberry-pi-4fd40af84fee

https://medium.com/ml-everything/offline-object-detection-and-tracking-on-a-raspberry-pi-fddb3bde130

Real-time object detection and tracking

https://github.com/RedisGears/EdgeRealtimeVideoAnalytics using Redis Streams, RedisGears, RedisAI and RedisTimeSeries for Realtime Video Analytics (i.e. counting people)

https://trackingjs.com/

https://habr.com/ru/post/454132/

https://zoneminder.com/

https://www.youtube.com/watch?v=MyAOtvwTkT0 . TensorFlow Object API

https://habr.com/ru/company/dataart/blog/350120/

https://www.pyimagesearch.com/2017/09/18/real-time-object-detection-with-deep-learning-and-opencv/

https://www.pyimagesearch.com/2018/07/30/opencv-object-tracking/

https://www.pyimagesearch.com/2018/10/29/multi-object-tracking-with-dlib/

https://www.pyimagesearch.com/2018/08/06/tracking-multiple-objects-with-opencv/

https://heartbeat.fritz.ai/detecting-objects-in-videos-and-camera-feeds-using-keras-opencv-and-imageai-c869fe1ebcdb

https://www.learnopencv.com/object-tracking-using-opencv-cpp-python/

OpenCV обзавелся поддержкой YOLO внутри себя.

BOOSTING Tracker

MIL Tracker

KCF Tracker - Kernelized Correlation Filters

TLD - Tracking, learning and detection

MEDIANFLOW Tracker

GOTURN tracker

MOSSE tracker - Minimum Output Sum of Squared Error

CSRT tracker - Discriminative Correlation Filter with Channel and Spatial Reliability (DCF-CSR)

YOLO

https://medium.com/paperspace/tutorial-on-implementing-yolo-v3-from-scratch-in-pytorch-part-1-a0054d38ec78

https://medium.com/@jonathan_hui/real-time-object-detection-with-yolo-yolov2-28b1b93e2088

http://www.emaraic.com/blog/yolov3-custom-object-detector

https://pjreddie.com/darknet/yolo/

https://pythonprogramming.net/video-tensorflow-object-detection-api-tutorial/

https://aws.amazon.com/rekognition/

https://www.microsoft.com/developerblog/2017/04/10/end-end-object-detection-box/

https://towardsdatascience.com/feature-extraction-and-similar-image-search-with-opencv-for-newbies-3c59796bf774

https://software.intel.com/en-us/articles/visualising-cnn-models-using-pytorch

https://towardsdatascience.com/object-detection-with-10-lines-of-code-d6cb4d86f606

https://github.com/TensorImage/TensorImage

https://mlwhiz.com/blog/2018/09/22/object_detection/

https://github.com/symisc/sod Embedded computer vision and ML library

https://www.youtube.com/watch?v=XVvfcj_F_uc

https://habr.com/post/430906/ . Compiling OpenCV for RusberryPi under Ubuntu cross-compilation to ARM

https://habr.com/ru/post/432444/ Распознавание номеров. Практическое пособие. Часть 1

https://github.com/OlafenwaMoses/ImageAI

https://towardsdatascience.com/evolution-of-object-detection-and-localization-algorithms-e241021d8bad

https://towardsdatascience.com/using-object-detection-for-complex-image-classification-scenarios-part-1-779c87d1eecb

https://www.pyimagesearch.com/2018/10/22/object-tracking-with-dlib/

https://arxiv.org/abs/1809.02165v1

https://blog.nanonets.com/real-time-object-detection-for-drones/

https://www.embedded-vision.com/industry-analysis/books

https://towardsdatascience.com/building-an-image-classifier-running-on-raspberry-pi-a7a45153acc8

https://habr.com/post/429400/ . запускаем SqueezeNet v.1.1 на Raspberry Zero в realtime (part2)

https://habr.com/post/428021/ запускаем SqueezeNet v.1.1 на Raspberry Zero в realtime (part1)

https://www.pyimagesearch.com/2018/12/31/keras-conv2d-and-convolutional-layers/

https://www.youtube.com/channel/UCp0a6npOi89ksgks3ej7FPw/videos on Raspberry Pi 3

https://github.com/tensorflow/models/tree/master/research/object_detection

https://habr.com/ru/post/439122/ разделим 128х128 одноцветной картинки на четыре части и случайным образом будем помещать в эти четверти эллипс и, например, треугольник; задача состоит в том, что бы обучить сеть отличать, например четырехугольный полигон от эллипса. Мы не будем детектить на одной картинке треугольник и четырехугольник, мы будем детектить их отдельно, в разных трейн, на фоне помехи в виде эллипса.

https://heartbeat.fritz.ai/detecting-objects-in-videos-and-camera-feeds-using-keras-opencv-and-imageai-c869fe1ebcdb

https://towardsdatascience.com/wtf-is-image-classification-8e78a8235acb

http://www.themtank.org/a-year-in-computer-vision . covers year 2016

https://habr.com/ru/post/346140/ russian translation of part 1

SSD: Single Shot MultiBox Detector использует единую нейронную сеть, которая выполняет все необходимые вычисления и устраняет необходимость в ресурсоёмких методах предыдущего поколения. Он демонстрирует «75,1% mAP, превосходя сравнимую самую современную модель Faster R-CNN».

YOLO9000: Better, Faster, Stronger, в которой используются системы обнаружения YOLOv2 и YOLO9000 (YOLO означает You Only Look Once). YOLOv2 — это сильно улучшенная модель YOLO от середины 2015 года, и она способна показать лучшие результаты на видео с очень высокой частотой кадров (до 90 FPS на изображениях низкого разрешения при использовании обычного GTX Titan X). Вдобавок к повышению скорости, система превосходит Faster RCNN с ResNet и SSD на определённых наборах данных для определения объектов.

Система Feature Pyramid Networks for Object Detection разработана в научно-исследовательском подразделении FAIR (Facebook Artificial Intelligence Research). В ней применяется «врождённая многомасштабная пирамидальная иерархия глубоких свёрточных нейросетей для конструирования пирамид признаков с минимальными дополнительными затратами». Это означает сохранение мощных репрезентаций без потери скорости и дополнительных затрат памяти. Разработчики добились рекордных показателей на наборе данных COCO (Common Objects in Context). В сочетании с базовой системой Faster R-CNN она превосходит результаты победителей 2016 года.

R-FCN: Object Detection via Region-based Fully Convolutional Networks. Ещё один метод, в котором разработчики отказались от применения ресурсоёмких подсетей для отдельных регионов изображения сотни раз на каждой картинке. Здесь детектор по регионам полностью свёрточный и производит совместные вычисления на всём изображении целиком. «При тестировании скорость работы составила 170 мс на одно изображение, что в 2,5–20 раз быстрее, чем у Faster R-CNN»

Code

https://github.com/kaszperro/slick-dnn Deep NN in pure python

https://github.com/Merwanedr/Vusion image analysis using AI

https://github.com/Merwanedr/Popbot . image transformation

https://github.com/Mybridge/amazing-machine-learning-opensource-2019

https://github.com/keras-team/keras/tree/master/examples Keras

https://github.com/Yorko/mlcourse.ai/tree/master/jupyter_russian

https://heartbeat.fritz.ai/classification-with-tensorflow-and-dense-neural-networks-8299327a818a

https://nextjournal.com/mpd/image-classification-with-keras

https://rowhanm.github.io/MiniCatsDogs Image classification with very few images: Data augmentation and Pseudo-labeling. (a variant of semi-supervised learning)

DataSets

ImageNet http://image-net.org/challenges/LSVRC/2013/ — это набор данных миллионов помеченных изображений с высоким разрешением, относящихся примерно к 22 тысячам категорий. Изображения были собраны из Интернета и помечены людьми с помощью краудсорсинга. Начиная с 2010 года в рамках конкурса визуальных объектов Pascal проводится ежегодный челлендж «Крупномасштабный конкурс визуального распознавания ImageNet» (ILSVRC2013). ILSVRC использует подмножество ImageNet из примерно 1000 изображений в каждой из 1000 категорий. Существует около 1,2 миллиона обучающих образов, 50 тыс. валидаций 150 тыс. тестовых изображений.

PASCAL VOC предоставляет стандартизированные наборы данных изображений для распознавания классов объектов, стандартному набору инструментов для доступа к наборам данных и аннотациям, позволяет оценивать и сравнивать методы, наконец, оценивает производительность при распознавании классов объектов.

https://gengo.ai/datasets/20-best-image-datasets-for-computer-vision/

http://cocodataset.org/

https://en.wikipedia.org/wiki/CIFAR-10 CIFAR

https://en.wikipedia.org/wiki/List_of_datasets_for_machine_learning_research

https://github.com/mpatacchiola/tensorbag

ImageNet

CNN

https://www.youtube.com/watch?v=tOgBz8lFz8Q . Deep Learning на пальцах 6 - Convolutional Neural Networks . sim0nsays

https://habr.com/ru/post/443734/

https://en.wikipedia.org/wiki/Convolutional_neural_network

https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-convolutional-neural-networks

https://www.analyticsvidhya.com/blog/2018/12/guide-convolutional-neural-network-cnn/

https://habr.com/ru/company/binarydistrict/blog/354524/

https://habr.com/ru/company/mailru/blog/311706/ . Review of topologies

https://habr.com/ru/post/436838/ Понимание сверточных нейронных сетей через визуализации в PyTorch

https://youtu.be/whNAaM4NwKw . Лекция 6 - Frameworks . sim0nsays

CS231n Stanford class

http://cs231n.stanford.edu/

http://cs231n.github.io/ . Stanford class

https://medium.com/@geek_kid/making-your-first-cnn-part-3-6edd2476aaf1

https://www.pyimagesearch.com/2018/12/31/keras-conv2d-and-convolutional-layers/

https://www.youtube.com/watch?v=SQ67NBCLV98

https://towardsdatascience.com/the-4-convolutional-neural-network-models-that-can-classify-your-fashion-images-9fe7f3e5399d

https://towardsdatascience.com/types-of-convolutions-in-deep-learning-717013397f4d

https://www.liip.ch/en/blog/poke-zoo-or-making-deep-learning-tell-oryxes-apart-from-lamas-in-a-zoo-part-1-the-idea-and-concepts

https://towardsdatascience.com/deep-convolutional-neural-networks-ccf96f830178

https://blog.sicara.com/about-convolutional-layer-convolution-kernel-9a7325d34f7d

https://www.coursera.org/learn/convolutional-neural-networks/lecture/VgyWR/object-detection

https://medium.com/@ageitgey/machine-learning-is-fun-part-3-deep-learning-and-convolutional-neural-networks-f40359318721

https://www.youtube.com/watch?v=JB8T_zN7ZC0 Brandon Rohrer How convolutional neural networks work, in depth

https://medium.com/inbrowserai/simple-diagrams-of-convoluted-neural-networks-39c097d2925b

https://github.com/vdumoulin/conv_arithmetic

https://jameslittle.me/blog/2019/tensorflow-object-detection

https://arxiv.org/pdf/1707.07012.pdf NasNet

https://www.cbronline.com/news/google-ai-creates-novel-neural-network-nasnet NasNet

https://www.analyticsvidhya.com/blog/2018/11/implementation-faster-r-cnn-python-object-detection/

https://habr.com/company/sap/blog/415657/ TensorFlow Object Detection API

https://ai.googleblog.com/2017/11/automl-for-large-scale-image.html . AutoML

https://recurrentnull.wordpress.com/2017/12/14/practical-deep-learning-talk/

https://recurrentnull.wordpress.com/2018/02/06/deep-learning-concepts-and-frameworks-find-your-way-through-the-jungle-talk/

https://brohrer.github.io/blog.html

https://mapr.com/blog/deep-learning-tensorflow/

https://towardsdatascience.com/how-to-learn-deep-learning-in-6-months-e45e40ef7d48

https://www.bepec.in/deeplearning

https://www.asozykin.ru/courses/nnpython

https://news.ycombinator.com/item?id=17750791

https://github.com/fotisk07/Deep-Learning-Coursera

Mask R-CNN

https://habr.com/ru/post/483018/ Mask-R CNN от новичка до профессионала

https://www.pyimagesearch.com/2018/11/19/mask-r-cnn-with-opencv/

https://github.com/matterport/Mask_RCNN

https://habr.com/ru/post/451164/

https://www.reddit.com/r/MachineLearning/comments/d1oyxf/research_rotated_mask_rcnn/

https://medium.com/@ageitgey/snagging-parking-spaces-with-mask-r-cnn-and-python-955f2231c400

https://towardsdatascience.com/building-a-custom-mask-rcnn-model-with-tensorflow-object-detection-952f5b0c7ab4

https://habr.com/ru/company/yandex/blog/431108/

https://www.analyticsvidhya.com/blog/2018/07/building-mask-r-cnn-model-detecting-damage-cars-python/

Software for IP cameras

https://www.onvif.org/

https://habr.com/ru/company/ivideon/blog/458954/

https://securityrussia.com/blog/vms-vs-cms.html

https://habr.com/ru/company/intems/blog/322634/

https://habr.com/ru/company/ivideon/blog/454346/ Nobelic

Бесплатное программное обеспечение Herospeed. Herospeed VMS Клиент-серверное программное обеспечение, 256 каналов бесплатно. Скачать можно здесь. Поддерживаемые операционные системы — Windows и MacOS. Китай iSpy скачать можно здесь. Список поддерживаемых брендов камер. Поддерживаемая операционная система — Windows. Мобильные приложения для Android, iOS и Windows Phone. Подробная инструкция по настройке iSpy на нашем сайте. Kerberos. Программное обеспечение с открытым исходным кодом. Поддерживаемая операционная система — Linux. Бельгия motionEyes. Программное обеспечение с открытым исходным кодом. Поддерживаемые устройства. Поддерживаемая операционная система — Linux. ZoneMinder. ZoneMinder скачать можно здесь. Поддерживаемые операционные системы — Linux, Программное обеспечение с открытым исходным кодом. Veyesys. Rapidvms скачать можно здесь. Поддерживаемые операционные системы — Windows, Linux и MacOS. Китай Shinobi. Поддерживаемые операционные системы — Windows, Linux и MacOS. Список поддерживаемых брендов камер. Open Source OpenALPR, программное обеспечение с открытым исходным кодом, для распознавания автомобильных номеров. Поддерживаемые операционные системы — Debian, CentOS. Скачать здесь. Vargus. Программное обеспечение с открытым исходным кодом. Операционная система — Linux Valkka. Поддерживаемое оборудование. Поддерживаемая операционная система — Linux (Ubuntu). Open Source

Face detection

https://habr.com/ru/company/ivideon/blog/443906/

https://www.pyimagesearch.com/2019/03/11/liveness-detection-with-opencv/

https://habr.com/ru/company/mailru/blog/449120/

Intel RealSense D4(15/35) and other cameras

https://habr.com/ru/company/ivideon/blog/439870/

https://habr.com/company/intel/blog/430720/

https://habr.com/company/ivideon/blog/434308/ video monitoring

https://www.blog.google/perspectives/aparna-chennapragada/google-lens-one-year/

Intel OpenVino on Raspberry Pi

https://habr.com/company/intel/blog/434238/

https://habr.com/ru/post/436744/

https://software.intel.com/en-us/openvino-toolkit

CNN architectures

https://neurohive.io/ru/vidy-nejrosetej/

https://www.jeremyjordan.me/convnet-architectures/

https://neurohive.io/en/popular-networks/

https://habr.com/company/intel/blog/417809/ . NN architectures for image recognition

https://towardsdatascience.com/deep-convolutional-neural-networks-ccf96f830178

https://towardsdatascience.com/https-medium-com-piotr-skalski92-deep-dive-into-deep-networks-math-17660bc376ba

https://medium.com/@14prakash/image-classification-architectures-review-d8b95075998f

MobileNet
MobeleNet DepthWise
Res50
GoogleNet
SqueezeNet
ShuffleNet
YOLO v3

Object detection

https://en.wikipedia.org/wiki/Object_detection

https://mlwhiz.com/blog/2018/09/22/object_detection/

https://medium.com/@fractaldle/brief-overview-on-object-detection-algorithms-ec516929be93

http://users.cecs.anu.edu.au/~trumpf/theses/Jack_Henderson.pdf Object tracking

https://medium.com/zylapp/review-of-deep-learning-algorithms-for-object-detection-c1f3d437b852

https://www.learnopencv.com/training-yolov3-deep-learning-based-custom-object-detector/

https://www.rsipvision.com/ComputerVisionNews-2019January/

OCR (digits/characters) recognition

https://en.wikipedia.org/wiki/Optical_character_recognition

http://neuralnetworksanddeeplearning.com/chap1.html

https://stackabuse.com/pytesseract-simple-python-optical-character-recognition/

https://www.codingame.com/playgrounds/37409/handwritten-digit-recognition-using-scikit-learn

https://dev.to/frosnerd/handwritten-digit-recognition-using-convolutional-neural-networks-11g0

https://nextjournal.com/gkoehler/digit-recognition-with-keras

https://www.digitalocean.com/community/tutorials/how-to-build-a-neural-network-to-recognize-handwritten-digits-with-tensorflow

https://medium.com/stocard/recognizing-digits-of-loyalty-cards-using-cnn-and-tesseract-4-78c389dc6f03

https://towardsdatascience.com/scanned-digits-recognition-using-k-nearest-neighbor-k-nn-d1a1528f0dea

http://www.emaraic.com/blog/multi-digit-segmentation-and-recognition

https://wosaku.github.io/digits-recognition.html

https://docs.aws.amazon.com/rekognition/latest/dg/text-detection.html