Как найти и посчитать тигров в море и дельфинов в лесу

Data Science/ML/AI

Тезисы

Делать социальные проекты — здорово, всегда понимаешь ради чего ты это делаешь. Но помимо мотивации есть проблемы которые непросто решить и о которых я хочу рассказать. Например:

  • как оптимизировать разбор десятков тысяч фотографий диких животных?
  • Можем ли мы узнать нужного тигра из тысячи? По словам, по глазам, по образу? И как делать ReID диких животных?
  • Что лучше: сотня маленьких детекторов/классификаторов или один огромный? И когда?
  • Фундаментальные модели (GLEE, SAM, Florence): благо или проклятие? И какие именно помогли нам?
  • Active learning с human in the loop всё ещё нужен? Как его применять в CV проектах?

Аудитория

Data-scientist, ML-engineer.


Уровень сложности

Any level.

Сбер
Леонид Верховцев

В машинном обучении (в компьютерном зрении в частности) с 2018 года. Начинал с проектов по поиску дефектов в рельсах и определения границ раздела сред по георадиолокационным данным. Делал решение по распознаванию русского жестового языка. Затем работал над детекцией и реидентификацией диких животных. В проектах было многое: организация краудсорс разметки, ETL процессы для собираемых данных, обучение, инференс моделей и вывод их в прод. В процессе собрал все возможные грабли и шишки, о которых любит рассказывать.

Другие спикеры секции Data Science/ML/AI

Еще на тему Data Science/ML/AI