कंप्यूटर दृष्टि में रुझान। ICCV 2019 पर प्रकाश डाला गया

कंप्यूटर दृष्टि में तंत्रिका नेटवर्क सक्रिय रूप से विकसित हो रहे हैं, कई कार्य अभी भी हल होने से दूर हैं। अपने क्षेत्र में ट्रेंड करने के लिए, ट्विटर पर प्रभावशाली लोगों का अनुसरण करें और arXiv.org पर संबंधित लेख पढ़ें। लेकिन हमें कंप्यूटर विज़न (ICCV) 2019 पर अंतर्राष्ट्रीय सम्मेलन में जाने का अवसर मिला। इस वर्ष यह दक्षिण कोरिया में आयोजित किया गया है। अब हम हबर के पाठकों के साथ साझा करना चाहते हैं जो हमने देखा और सीखा।

यैंडेक्स से हम में से कई थे: मानव रहित वाहन डेवलपर्स, शोधकर्ताओं, और सेवाओं में सीवी कार्यों में शामिल लोग पहुंचे। लेकिन अब हम अपनी टीम - मशीन इंटेलिजेंस लेबोरेटरी (Yandex MILAB) के बारे में थोड़ा व्यक्तिपरक दृष्टिकोण प्रस्तुत करना चाहते हैं। अन्य लोग संभवतः अपने कोण से सम्मेलन को देखते थे।


बहुत सारे वैज्ञानिक सम्मेलन हैं, लेकिन शीर्ष, तथाकथित ए * सम्मेलन उनसे बाहर खड़े हैं, जहां सबसे दिलचस्प और महत्वपूर्ण प्रौद्योगिकियों के बारे में लेख आमतौर पर प्रकाशित होते हैं। ए * सम्मेलनों की कोई सटीक सूची नहीं है, यहां एक उदाहरण और अधूरा है: न्यूरिप्स (पूर्व में एनआईपीएस), आईसीएमएल, एसआईजीआईआर, डब्ल्यूडब्ल्यूडब्ल्यू, डब्ल्यूएसडीएम, केडीडी, एसीएल, सीवीपीआर, आईसीसीवी, ईयूवी। सीवी के विषय में अंतिम तीन विशेषज्ञ हैं।

ICCV नज़र में: पोस्टर, ट्यूटोरियल, कार्यशालाएँ, खड़ा है

सम्मेलन में 1075 पत्रों को स्वीकार किया गया, प्रतिभागी 7,500 थे। रूस से 103 लोग आए थे, यैंडेक्स, स्कोलटेक, सैमसंग एआई सेंटर मॉस्को और समारा विश्वविद्यालय के कर्मचारियों के लेख थे। इस साल, कई शीर्ष शोधकर्ताओं ने ICCV का दौरा नहीं किया, लेकिन यहां, उदाहरण के लिए, एलेक्सी (एलोशा) एफ्रोस, जो हमेशा बहुत सारे लोगों को इकट्ठा करता है:




ऐसे सभी सम्मेलनों में, लेख पोस्टर (प्रारूप के बारे में अधिक ) के रूप में प्रस्तुत किए जाते हैं, और सबसे अच्छी भी छोटी रिपोर्ट के रूप में प्रस्तुत की जाती हैं।


ट्यूटोरियल पर आप किसी विषय क्षेत्र में खुद को विसर्जित कर सकते हैं, यह एक विश्वविद्यालय में एक व्याख्यान जैसा दिखता है। यह एक व्यक्ति द्वारा पढ़ा जाता है, आमतौर पर विशिष्ट कार्यों के बारे में बात किए बिना। उदाहरण कूल ट्यूटोरियल ( माइकल ब्राउन, अंडरस्टैंडिंग कलर और इन-कैमरा इमेज प्रोसेसिंग पाइपलाइन फॉर कंप्यूटर विजन ):



कार्यशालाओं में, इसके विपरीत, वे लेखों के बारे में बात करते हैं। आमतौर पर यह कुछ संकीर्ण विषय में काम करता है, प्रयोगशाला के नेताओं की सभी नवीनतम छात्र कार्य के बारे में कहानियां, या मुख्य सम्मेलन में स्वीकार नहीं किए गए लेख।

प्रायोजक कंपनियां स्टैंड के साथ आईसीसीवी में आती हैं। इस साल, Google, फेसबुक, अमेज़ॅन और कई अन्य अंतरराष्ट्रीय कंपनियां आईं, साथ ही बड़ी संख्या में स्टार्टअप - कोरियाई और चीनी। विशेष रूप से कई स्टार्टअप थे जो डेटा मार्कअप के विशेषज्ञ थे। स्टैंड पर प्रदर्शन होते हैं, आप माल ले सकते हैं और सवाल पूछ सकते हैं। प्रायोजन कंपनियों के पास शिकार के लिए पार्टियां हैं। यदि आप रुचि रखते हैं और आपको संभावित रूप से साक्षात्कार दिया जा सकता है, तो वे यह सुनिश्चित करने का प्रबंधन करते हैं कि भर्तियों को स्वीकार किया जाए। यदि आपने एक लेख प्रकाशित किया (या, इसके अलावा, इसके साथ बात की), पीएचडी शुरू या समाप्त कर दिया - यह एक प्लस है, लेकिन कभी-कभी आप कंपनी के इंजीनियरों से दिलचस्प सवाल पूछते हुए एक स्टैंड पर सहमत हो सकते हैं।

प्रवृत्तियों

सम्मेलन आपको पूरे सीवी क्षेत्र पर नज़र रखने की अनुमति देता है। किसी विशेष विषय के पोस्टर की संख्या से, आप मूल्यांकन कर सकते हैं कि विषय कितना गर्म है। कुछ निष्कर्ष कीवर्ड के लिए भीख माँगते हैं:

शून्य-शॉट, एक-शॉट, कुछ-शॉट, स्व-पर्यवेक्षण और अर्ध-पर्यवेक्षण: लंबे समय से अध्ययन की समस्याओं के लिए नए दृष्टिकोण

लोग डेटा का अधिक कुशलता से उपयोग करना सीखते हैं। उदाहरण के लिए, FUNIT में, आप उन जानवरों के चेहरे के भाव उत्पन्न कर सकते हैं जो प्रशिक्षण सेट में नहीं थे (आवेदन में कई संदर्भ चित्र लागू करना)। डीप इमेज प्रायर के विचारों को विकसित किया गया है, और अब जीएएन नेटवर्क को एक तस्वीर में प्रशिक्षित किया जा सकता है - हम इस बारे में बाद में हाइलाइट में बात करेंगे। आप पूर्व-प्रशिक्षण के लिए स्वयं-पर्यवेक्षण का उपयोग कर सकते हैं (एक समस्या को हल करना जिसके लिए आप संरेखित डेटा को संश्लेषित कर सकते हैं, उदाहरण के लिए, किसी चित्र के रोटेशन के कोण की भविष्यवाणी करने के लिए) या चिह्नित और गैर-सूचीबद्ध डेटा से एक ही समय में सीखें। इस अर्थ में, सृजन के मुकुट को एक लेख S4L: स्व-सुपरवाइज्ड सेमी-सुपरवाइज्ड लर्निंग माना जा सकता है। लेकिन ImageNet पर पूर्व प्रशिक्षण हमेशा मदद नहीं करता है ।

3 डी और 360 °

ज्यादातर फोटो (सेगमेंटेशन, डिटेक्शन) के लिए हल किए गए टास्क को 3 डी मॉडल और पैनोरमिक वीडियो के लिए अतिरिक्त शोध की आवश्यकता होती है। हमने RGB और RGB-D को 3D में कनवर्ट करने पर कई लेख देखे। कुछ कार्य, जैसे किसी व्यक्ति के पोज़ (पोज़ अनुमान) का निर्धारण, यदि हम तीन-आयामी मॉडल में जाते हैं, तो अधिक स्वाभाविक रूप से हल किया जाता है। लेकिन अभी तक 3 डी मॉडल का प्रतिनिधित्व करने के तरीके पर बिल्कुल सहमति नहीं है - ग्रिड के रूप में, अंकों के बादल, स्वर या एसडीएफ । यहाँ एक और विकल्प है:



पैनोरमा में, गोले पर संकेंद्रण सक्रिय रूप से विकसित हो रहे हैं (देखें ओरिएंटेशन-अवगत अर्थ सेगमेंटेशन ऑन इकोसाहेड्रोन क्षेत्रों ) और फ्रेम में प्रमुख वस्तुओं की खोज।

मानवीय आंदोलनों की मुद्रा और भविष्यवाणी की परिभाषा

2 डी में मुद्रा निर्धारित करने के लिए, पहले से ही सफलता है - अब फोकस कई कैमरों के साथ और 3 डी में काम करने की ओर स्थानांतरित हो गया है। उदाहरण के लिए, आप कंकाल को दीवार के माध्यम से निर्धारित कर सकते हैं, वाई-फाई सिग्नल में परिवर्तन को ट्रैक कर सकते हैं क्योंकि यह मानव शरीर से गुजरता है।

हाथ की चाबी का पता लगाने के क्षेत्र में बहुत काम किया गया है। नए डेटासेट दिखाई दिए, जिनमें दो लोगों के संवाद के साथ वीडियो पर आधारित - अब आप ऑडियो या बातचीत के पाठ द्वारा हाथ के इशारों का अनुमान लगा सकते हैं! समान प्रगति टकटकी मूल्यांकन कार्यों में की गई है।





आप मानव आंदोलन की भविष्यवाणी से संबंधित कार्यों के एक बड़े समूह को भी उजागर कर सकते हैं (उदाहरण के लिए, मानव गति भविष्यवाणी के माध्यम से अनुपात-टेम्पोरल इनपैनेटिंग या संरचित भविष्यवाणी 3 डी मानव मोशन मॉडलिंग में मदद करता है )। यह कार्य महत्वपूर्ण है और लेखकों के साथ बातचीत के आधार पर, यह सबसे अधिक बार स्वायत्त ड्राइविंग में पैदल चलने वालों के व्यवहार का विश्लेषण करने के लिए उपयोग किया जाता है।

फ़ोटो और वीडियो में लोगों को जोड़ते हुए, वर्चुअल फिटिंग रूम

मुख्य प्रवृत्ति व्याख्या किए गए मापदंडों के संदर्भ में चेहरे की छवियों को बदलना है। विचार: एक चित्र पर गहरा पड़ाव , चेहरे के प्रतिपादन द्वारा अभिव्यक्ति का परिवर्तन ( कठपुतली ), मापदंडों का फीडफ़ॉर्म -परिवर्तन (उदाहरण के लिए, आयु )। स्टाइल ट्रांसफर विषय के शीर्षक से काम के आवेदन में स्थानांतरित हो गया। एक और कहानी - वर्चुअल फिटिंग रूम, वे लगभग हमेशा बुरी तरह से काम करते हैं, यहां एक डेमो का एक उदाहरण है ।

स्केच / ग्राफ़ जनरेशन

विचार का विकास "पिछले अनुभव के आधार पर ग्रिड को कुछ उत्पन्न करने दें" अलग हो गया है: "चलो ग्रिड को दिखाएं जो विकल्प हमें रुचता है।"

SC-FEGAN आपको निर्देशित अशुद्धि करने की अनुमति देता है: उपयोगकर्ता छवि के मिटाए गए क्षेत्र में चेहरे का हिस्सा आकर्षित कर सकता है और प्रतिपादन के आधार पर बहाल छवि प्राप्त कर सकता है।



ICCV के लिए 25 Adobe लेखों में से दो GAN संयुक्त हैं: एक उपयोगकर्ता के लिए एक स्केच बनाता है, दूसरा स्केच ( प्रोजेक्ट पेज ) से एक फोटो-यथार्थवादी चित्र बनाता है।



पहले की पीढ़ी में चित्र रेखांकन की आवश्यकता नहीं थी, लेकिन अब उन्हें दृश्य के बारे में ज्ञान का एक कंटेनर बना दिया गया है। ICCV बेस्ट पेपर ऑनरेबल मेंशन अवार्ड को इंटरएक्टिव सीन जनरेशन में ऑब्जेक्ट स्पेसिफिकेशन और रिलेशन्स को लेख के लिए दिया गया। सामान्य तौर पर, आप उन्हें विभिन्न तरीकों से उपयोग कर सकते हैं: चित्रों से रेखांकन, या चित्र और ग्रंथों से रेखांकन उत्पन्न करते हैं।

लोगों और मशीनों की पुनः पहचान, भीड़ की संख्या की गिनती (!)

कई लेख लोगों पर नज़र रखने और लोगों और मशीनों को पहचानने के लिए समर्पित हैं। लेकिन जिस बात ने हमें आश्चर्यचकित कर दिया, वह थी भीड़ में और चीन से आए लोगों की गिनती के लेख।


लेकिन इसके उलट फेसबुक ने फोटो को अनाउंस कर दिया। इसके अलावा, यह एक दिलचस्प तरीके से करता है: यह तंत्रिका नेटवर्क को अद्वितीय विवरण के बिना एक चेहरा बनाने के लिए सिखाता है - समान, लेकिन इतना नहीं कि यह चेहरे की पहचान प्रणालियों द्वारा सही ढंग से पता लगाया जाता है।

एडवरसैरियल अटैक प्रोटेक्शन

वास्तविक दुनिया में कंप्यूटर दृष्टि अनुप्रयोगों के विकास के साथ (मानवरहित वाहनों में, चेहरे की पहचान में), ऐसी प्रणालियों की विश्वसनीयता का सवाल अधिक बार उठता है। सीवी का पूर्ण उपयोग करने के लिए, आपको यह सुनिश्चित करने की आवश्यकता है कि प्रणाली प्रतिकूल हमलों के लिए प्रतिरोधी है - इसलिए स्वयं के बारे में हमलों की तुलना में उनके खिलाफ सुरक्षा के बारे में कम लेख नहीं थे। बहुत से काम नेटवर्क भविष्यवाणियों (सैल्यूशन मैप) को समझाने और परिणाम में आत्मविश्वास को मापने के बारे में थे।

संयुक्त कार्य

एक लक्ष्य के साथ अधिकांश कार्यों में, गुणवत्ता में सुधार की संभावनाएं लगभग समाप्त हो जाती हैं, आगे की गुणवत्ता में वृद्धि के नए क्षेत्रों में से एक ही समय में कई समान समस्याओं को हल करने के लिए तंत्रिका नेटवर्क को सिखाना है। उदाहरण:
- क्रियाओं की भविष्यवाणी + ऑप्टिकल प्रवाह की भविष्यवाणी,
- वीडियो प्रस्तुति + भाषा प्रतिनिधित्व ( वीडियोबर्ट ),
- सुपर-रिज़ॉल्यूशन + एचडीआर ।

और विभाजन पर लेख थे, जानवरों की मुद्रा और पहचान का निर्धारण!

हाइलाइट

लगभग सभी लेख पहले से ही ज्ञात थे, पाठ arXiv.org पर उपलब्ध था। इसलिए, एवरीबॉडी डांस नाउ, FUNIT, Image2StyleGAN जैसे कामों की प्रस्तुति अजीब लगती है - ये बहुत उपयोगी काम हैं, लेकिन बिल्कुल भी नए नहीं हैं। ऐसा लगता है कि वैज्ञानिक प्रकाशन की क्लासिक प्रक्रिया यहां विफल हो रही है - विज्ञान बहुत तेजी से विकसित हो रहा है।

सर्वश्रेष्ठ कार्यों को निर्धारित करना बहुत मुश्किल है - उनमें से कई हैं, विषय अलग हैं। कई लेखों को पुरस्कार और संदर्भ मिले हैं ।

हम उन कार्यों को उजागर करना चाहते हैं जो छवि हेरफेर के मामले में दिलचस्प हैं, क्योंकि यह हमारा विषय है। वे हमारे लिए काफी ताजा और दिलचस्प बन गए (हम उद्देश्यपूर्ण होने का ढोंग नहीं करते)।

सिंजान (सर्वश्रेष्ठ पेपर पुरस्कार) और इनगैन

साइनान: परियोजना पृष्ठ , arXiv , कोड ।
InGAN: प्रोजेक्ट पेज , arXiv , कोड ।

दिमित्री उल्यानोव, एंड्रिया वेदाल्दी और विक्टर लेम्पिट्स्की द्वारा डीप इमेज प्रायर के विचार का विकास। डेटासेट पर GAN का प्रशिक्षण करने के बजाय, नेटवर्क उसी चित्र के टुकड़े से सीखते हैं ताकि उसके अंदर के आँकड़े याद रहें। प्रशिक्षित नेटवर्क आपको स्थानीय संरचना (InGAN) को बनाए रखते हुए, मूल छवि के बनावट से किसी भी आकार के फोटो (सिनगान) को संपादित करने और एनिमेट करने की अनुमति देता है।

SinGAN:



InGaN:

यह देखकर कि एक गण उत्पन्न नहीं कर सकता

प्रोजेक्ट पेज ।

छवि बनाने वाले तंत्रिका नेटवर्क अक्सर इनपुट के रूप में एक यादृच्छिक शोर वेक्टर प्राप्त करते हैं। एक प्रशिक्षित नेटवर्क में, कई इनपुट वैक्टर एक जगह बनाते हैं, छोटे-छोटे मूवमेंट होते हैं, जिससे तस्वीर में छोटे बदलाव होते हैं। अनुकूलन का उपयोग करके, आप उलटा समस्या हल कर सकते हैं: वास्तविक दुनिया से एक तस्वीर के लिए एक उपयुक्त इनपुट वेक्टर ढूंढें। लेखक से पता चलता है कि लगभग कभी नहीं एक तंत्रिका नेटवर्क में पूरी तरह से मिलान करने वाली तस्वीर ढूंढना लगभग संभव नहीं है। चित्र में कुछ वस्तुएं उत्पन्न नहीं हुई हैं (जाहिर है, इन वस्तुओं की महान परिवर्तनशीलता के कारण)।



लेखक परिकल्पना करता है कि GAN चित्रों के पूरे स्थान को कवर नहीं करता है, लेकिन केवल कुछ उपसमुच्चय छिद्रों से भरा होता है, जैसे पनीर। जब हम इसमें वास्तविक दुनिया से तस्वीरें ढूंढने का प्रयास करते हैं, तो हम हमेशा विफल रहेंगे, क्योंकि जीएएन अभी भी काफी वास्तविक तस्वीरें नहीं बनाता है। आप वास्तविक और उत्पन्न छवियों के बीच अंतर को केवल नेटवर्क के वजन को बदलकर, अर्थात, एक विशिष्ट तस्वीर के लिए इसे पुनः प्राप्त कर सकते हैं।



जब नेटवर्क एक विशिष्ट तस्वीर के लिए मुकर जाता है, तो आप इस छवि के साथ कई जोड़तोड़ करने की कोशिश कर सकते हैं। नीचे दिए गए उदाहरण में, तस्वीर में एक खिड़की को जोड़ा गया था, और नेटवर्क ने रसोई के सेट पर अतिरिक्त रूप से उत्पन्न प्रतिबिंब बनाए थे। इसका मतलब यह है कि फोटोग्राफी के लिए पीछे हटने के बाद नेटवर्क ने दृश्य की वस्तुओं के बीच संबंध देखने की क्षमता नहीं खोई।

गणिका: संज्ञानात्मक छवि गुणों की दृश्य परिभाषाएँ

प्रोजेक्ट पेज , arXiv ।

इस कार्य के दृष्टिकोण का उपयोग करते हुए, आप कल्पना कर सकते हैं और विश्लेषण कर सकते हैं कि तंत्रिका नेटवर्क ने क्या सीखा है। लेखक चित्रों को बनाने के लिए GAN के प्रशिक्षण का प्रस्ताव देते हैं जिसके लिए नेटवर्क दी गई भविष्यवाणियों को उत्पन्न करेगा। मेमेनेट सहित कई नेटवर्क उदाहरण के रूप में उपयोग किए गए थे, जो फोटो मेमोरैबिलिटी की भविष्यवाणी करता है। यह पता चला कि बेहतर यादगार के लिए, फोटो में ऑब्जेक्ट चाहिए:

• केंद्र के करीब हो
• एक गोल या चौकोर आकार और सरल संरचना है,
• एक समान पृष्ठभूमि पर हो,
• अभिव्यंजक आँखें होती हैं (कम से कम कुत्तों की तस्वीरों के लिए),
• कुछ मामलों में, अधिक अमीर, तेजस्वी बनें।

लिक्विड वारपिंग गण: मानव मोशन नक़ल, सूरत स्थानांतरण और उपन्यास दृश्य संश्लेषण के लिए एक एकीकृत रूपरेखा

प्रोजेक्ट पेज , arXiv , कोड ।

एक फोटो से लोगों के फोटो जेनरेट करने की पाइपलाइन। लेखक एक व्यक्ति से दूसरे व्यक्ति के आंदोलन को स्थानांतरित करने, लोगों के बीच कपड़े स्थानांतरित करने और एक व्यक्ति के नए दृष्टिकोण उत्पन्न करने के सफल उदाहरण दिखाते हैं - सभी एक तस्वीर से। पिछले कार्यों के विपरीत, यहां, स्थिति बनाने के लिए, 2 डी (पोज) में महत्वपूर्ण बिंदुओं का उपयोग नहीं किया जाता है, लेकिन शरीर का एक 3 डी मेष (पोज + आकार)। लेखकों ने यह भी पता लगाया कि मूल छवि से उत्पन्न जनित (लिक्विड वारपिंग ब्लॉक) तक जानकारी कैसे स्थानांतरित की जाए। परिणाम सभ्य दिखते हैं, लेकिन परिणामी छवि का रिज़ॉल्यूशन केवल 256x256 है। तुलना के लिए, vid2vid, जो एक साल पहले दिखाई दिया था, 2048x1024 के रिज़ॉल्यूशन में सक्षम है, लेकिन इसे एक डेटासेट के रूप में 10 मिनट की वीडियो शूटिंग की आवश्यकता है।

FSGAN: विषय अज्ञेय चेहरा गमागमन और पुनर्मिलन

प्रोजेक्ट पेज , arXiv ।

पहले तो ऐसा लगता है कि कुछ भी असामान्य नहीं है: अधिक या कम सामान्य गुणवत्ता वाला डीपफेक। लेकिन काम की मुख्य उपलब्धि एक तस्वीर में चेहरे का प्रतिस्थापन है। पिछले कार्यों के विपरीत, किसी विशेष व्यक्ति की विभिन्न तस्वीरों पर प्रशिक्षण की आवश्यकता थी। पाइप लाइन बोझिल (पुनर्संयोजन और विभाजन, दृश्य प्रक्षेप, inpainting, सम्मिश्रण) और बहुत सारी तकनीकी हैक के साथ निकली, लेकिन परिणाम इसके लायक है।

इमेज रेज़िंथेसिस के माध्यम से अप्रत्याशित का पता लगाना

ArXiv ।

एक ड्रोन कैसे समझ सकता है कि कोई वस्तु अचानक उसके सामने आ गई जो शब्दार्थ विभाजन के किसी भी वर्ग में नहीं आती है? कई तरीके हैं, लेकिन लेखक एक नया, सहज ज्ञान युक्त एल्गोरिथ्म प्रदान करते हैं जो अपने पूर्ववर्तियों की तुलना में बेहतर काम करता है। सिमेंटिक विभाजन की भविष्यवाणी सड़क की इनपुट छवि से की जाती है। इसे GAN (pix2pixHD) में खिलाया जाता है, जो मूल छवि को केवल शब्दार्थ मानचित्र से पुनर्स्थापित करने का प्रयास करता है। किसी भी खंड में नहीं आने वाली विसंगतियां स्रोत और उत्पन्न छवि में महत्वपूर्ण रूप से भिन्न होंगी। फिर तीन चित्र (प्रारंभिक, विभाजन और पुनर्निर्मित) दूसरे नेटवर्क को प्रस्तुत किए जाते हैं, जो विसंगतियों की भविष्यवाणी करता है। इसके लिए डाटासेट प्रसिद्ध सिटीस्केप डेटासेट से उत्पन्न हुआ था, जो आकस्मिक रूप से शब्दार्थ विभाजन पर कक्षाएं बदल रहा था। दिलचस्प है, इस सेटिंग में, एक कुत्ता सड़क के बीच में खड़ा है, लेकिन सही तरीके से खंडित (जिसका अर्थ है कि इसके लिए एक वर्ग है), एक विसंगति नहीं है, क्योंकि सिस्टम इसे पहचानने में सक्षम था।

निष्कर्ष

सम्मेलन से पहले यह जानना महत्वपूर्ण है कि आपके वैज्ञानिक हित क्या हैं, मैं किन भाषणों को प्राप्त करना चाहूंगा, जिनके साथ बात करनी है। फिर सब कुछ बहुत अधिक उत्पादक होगा।

ICCV मुख्य रूप से नेटवर्किंग है। आप समझते हैं कि शीर्ष संस्थान और शीर्ष वैज्ञानिक हैं, आप इसे समझने लगते हैं, लोगों को जानने के लिए। और आप आर्टएक्सिव पर लेख पढ़ सकते हैं - और यह बहुत अच्छा है कि आप ज्ञान के लिए कहीं भी नहीं जा सकते।

इसके अलावा, सम्मेलन में आप उन विषयों पर गहराई से गोता लगा सकते हैं जो आपके करीब नहीं हैं, रुझान देखें। खैर, पढ़ने के लिए लेखों की एक सूची लिखें। यदि आप एक छात्र हैं, तो यह आपके लिए एक संभावित वैज्ञानिक से परिचित होने का अवसर है, यदि आप उद्योग से हैं, तो एक नए नियोक्ता के साथ, और यदि कंपनी है, तो खुद को दिखाएं।

@Loss_function_porn के लिए सदस्यता लें! यह एक व्यक्तिगत परियोजना है: हम एक साथ karfly के साथ हैं। सम्मेलन के दौरान हमें जो भी काम पसंद आया, हमने यहाँ पोस्ट किया: @loss_function_live ।