Jump to content
Compvision.ru

All Activity

This stream auto-updates     

  1. Last week
  2. «MoscowNeverSleep» – агентство, какое всегда готово предоставить услуги в сфере VIP-сопровождения в Москве и Санкт-Петербурге. Оно нацелено на успешных и обеспеченных мужчин, вип эскорт, которые хотят встретиться с красивыми и впечатляющими женщинами. Плюсы и особенности работы «MoscowNeverSleep» Эскорт-агентство https://moscowneversleep.com/ сотрудничает со многими бизнесменами и топ-менеджерами, которые нуждаются в спутницах на деловую встречу или торжественное мероприятие. Имеется услугу подобрать девушку с учетом ее внешних характеристик или личных предпочтений. К основным преимуществам компании «MoscowNeverSleep» относится: • широкий ассортимент девушек, которые обладают необычной и привлекательной внешностью и отлично владеют иностранными языками; • низкие комиссионные для клиентов; • анонимность и конфиденциальность для клиентов; • доступна консультация с менеджерами через мессенджеры или email. • строгий процесс отбора моделей; Если работать с этим агентством эскорт-услуг, то можно быстро найти красивую и общительную спутницу для деловых встреч, романтических свиданий или путешествий.
  3. Платформа MEGA сегодня в числе ведущих и устойчивых даркнет-площадок по продаже нелегальных товаров. Сотни продавцов продают синтетические смеси, галлюциногены, соли и порошки по всей территории СНГ. Сделки происходят анонимно, а на саму площадку всегда можно попасть только через браузер Tor - mega рабочая ссылка. Преимущества и недостатки MEGA За счет долгой работы и стабильности площадка MEGA https://onion.moriartimega.com смогла вырасти до крупного магазина и предоставить множество достоинств: • 24/7 поддержка. Запросы по сделкам, зачислению средств и взаимодействию с дилерами решаются оперативно. • Легкий расчет. Расчет за товар проводится в криптовалюте BTC и USDT. Для удобства также добавлен встроенный кошелек, который можно пополнить многими способами. • Безопасная сделка. Торговцы перед выставлением товара на площадке проходят строгую верификацию. А для транзакций действует гарантийная система. • Непрерывная работа. Владельцы успешно борются с атаками на площадку и постоянно создают новые зеркала. • Большой ассортимент. Кроме наркотиков на платформе всегда можно заказать фальшивые деньги и фиктивные документы, а также электронные устройства и нелегальные электронные продукты. Площадка MEGA ведет работу уже более 7 лет и сегодня имеет более 1000 продавцов и 2500 магазинов по СНГ.
  4. Интернет-магазин Black Sprut стал большой даркнет веб-платформой, на какой можно найти абсолютно любые запрещенные продукты и сервисы. На проекте действуют сотни надёжных продавцов по всей территории СНГ. Особенности магазина Чёрный Спрут не заканчивается одними веществами или фальшивыми деньгами - https blacksprut com products. На платформе вы можете купить абсолютно любые ксивы и справки, огнестрельное оружие, пластик и оборудование для кардинга. Есть и нелегально завезенная техника по скидке. Магазин появился после закрытия крупнейшей платформы Hydra https://black.sprut.ltd/ и хочет стать таким же востребованным. В настоящее время площадка активно развивается и количество продавцов растет. Преимущества Black Sprut К плюсам даркнет-площадки всегда можно отнести: быстрое проведение сделок; большой объем и разновидность предложений; верификацию продавцов; квалифицированную техническую поддержку. регулярные обновления; Ключевое достоинство — это стабильная работа. Площадка последний раз была недоступна еще в декабре прошлого года. Но платформа быстро восстановился и больше не отключалась. Также владельцы постоянно делают зеркала сайта. На саму платформу можно попасть только через сеть Tor по адресу.
  5. Earlier
  6. Проблема с disparity map

    Всем доброго дня. Уже какое то время пытаюсь решить задачу реконструкции поверхности. Разряженное облако точек строил с помощью простой триангуляции. Хочется все таки плотное облако точек, поэтому решил попробовать disparity. Однако никаких путных результатов не могу получить. На изображении или шум или есть какие то очертания объекта, которые после конвертации в облако точек просто оказываются на ближней и дальней границе(то есть имеют или минимальную глубину или максимальную). Попадался совет отказаться от шахматной доски, потому что при отдельной калибровке камер ориентация паттерна имеет неопределенность(симметричен относительно одной из осей). И это может приводить к плохой стерео-калибровке. Поменял паттерн на Charuco. Результат тот же (точнее его отсутствие). Отсюда вопрос. Не могу понять на каком этапе происходит ошибка. Важное замечание, что мои удачные попытки с разряженным облаком точек были сделаны на другую камеру(просто одну камеру передвигал из одного положения в другое и обратно). Сейчас использую вебку Logitech C270 HD. Функция калибровки одной камеры по Charuco. import types import numpy as np import cv2 as cv def calibrate_with_charuco(images, charuco_board: cv.aruco.CharucoBoard): all_charuco_corners = [] all_charuco_ids = [] all_object_points = [] all_image_points = [] mask = [] charuco_detector = cv.aruco.CharucoDetector(charuco_board) for img in images: gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) curr_charuco_corners, curr_charuco_ids, marker_corners, marker_ids = charuco_detector.detectBoard(gray) if not isinstance(curr_charuco_corners, types.NoneType): curr_obj_points, curr_img_points = charuco_board.matchImagePoints(curr_charuco_corners, curr_charuco_ids) if curr_img_points.size == 0 or curr_obj_points.size == 0: continue # print("Фото обработано") all_charuco_corners.append(curr_charuco_corners) all_charuco_ids.append(curr_charuco_ids) all_image_points.append(curr_img_points) all_object_points.append(curr_obj_points) h, w = gray.shape ret, K, D, r_vecs, t_vecs = cv.calibrateCamera(all_object_points, all_image_points, (w, h), None, None) # K, roi = cv.getOptimalNewCameraMatrix(K, D, (w, h), 1, (w, h)) mean_error = 0 for i in range(len(all_object_points)): img_points_, _ = cv.projectPoints(all_object_points[i], r_vecs[i], t_vecs[i], K, D) error = cv.norm(all_image_points[i], img_points_, cv.NORM_L2) / len(img_points_) mean_error += error print("total error: {}".format(mean_error / len(all_object_points))) print(ret) return ret, K, D, r_vecs, t_vecs, all_object_points, all_image_points Функция стерео-калибровки import cv2 as cv import calibration import helper import numpy as np def calibrate_different_stereo_cameras(cam_1_images, cam_2_images, board: cv.aruco.CharucoBoard): default_image_size_1 = cam_1_images[0].shape[1::-1] default_image_size_2 = cam_2_images[0].shape[1::-1] image_size = default_image_size_1 ret_1, K_1, D_1, _, _, obj_points_1, img_points_1 = calibration.calibrate_with_charuco(cam_1_images, board) ret_2, K_2, D_2, _, _, obj_points_2, img_points_2 = calibration.calibrate_with_charuco(cam_2_images, board) print(len(obj_points_1), len(obj_points_2)) flags = 0 flags |= cv.CALIB_FIX_INTRINSIC criteria_stereo = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 30, 0.001) ret_stereo, K_1, D_1, K_2, D_2, R, T, E, F = cv.stereoCalibrate(obj_points_1, img_points_1, img_points_2, K_1, D_1, K_2, D_2, image_size, criteria_stereo, flags) print("Расстояние между камерами", np.linalg.norm(T)) print(ret_stereo) rectify_scale = 1 rect_L, rect_R, proj_matrix_L, proj_matrix_R, Q, roi_1, roi_2 = cv.stereoRectify(K_1, D_1, K_2, D_2, image_size, R, T, rectify_scale, (0, 0)) stereo_map_L = cv.initUndistortRectifyMap(K_1, D_1, rect_L, proj_matrix_L, image_size, cv.CV_16SC2) stereo_map_R = cv.initUndistortRectifyMap(K_2, D_2, rect_R, proj_matrix_R, image_size, cv.CV_16SC2) print("Saving parameters!") cv2_file = cv.FileStorage('stereo_map.xml', cv.FILE_STORAGE_WRITE) cv2_file.write('stereo_map_L_x', stereo_map_L[0]) cv2_file.write('stereo_map_L_y', stereo_map_L[1]) cv2_file.write('stereo_map_R_x', stereo_map_R[0]) cv2_file.write('stereo_map_R_y', stereo_map_R[1]) cv2_file.write('roi_1', roi_1) cv2_file.write('roi_2', roi_2) cv2_file.write('q', Q) cv2_file.release() cam_1_images = helper.read_all_images('pics/cam_c270/calibration/left', extension='png') cam_2_images = helper.read_all_images('pics/cam_c270/calibration/right', extension='png') board = cv.aruco.CharucoBoard((5, 3), 40, 30, cv.aruco.getPredefinedDictionary(cv.aruco.DICT_4X4_50)) calibrate_different_stereo_cameras(cam_1_images, cam_2_images, board) Jupyter ноутбук, где я создаю disparity map import cv2 import helper import matplotlib.pyplot as plt from IPython.display import display from PIL import Image import numpy as np %load_ext autoreload %autoreload 2 cv_file = cv2.FileStorage() cv_file.open('stereo_map.xml', cv2.FileStorage_READ) stereo_map_L_x = cv_file.getNode('stereo_map_L_x').mat() stereo_map_L_y = cv_file.getNode('stereo_map_L_y').mat() stereo_map_R_x = cv_file.getNode('stereo_map_R_x').mat() stereo_map_R_y = cv_file.getNode('stereo_map_R_y').mat() roi_1 = cv_file.getNode('roi_1').mat() roi_2 = cv_file.getNode('roi_2').mat() Q = cv_file.getNode('q').mat() img_1 = cv2.imread('pics/cam_c270/test/left/1.png') img_2 = cv2.imread('pics/cam_c270/test/right/1.png') img_1 = cv2.remap(img_1, stereo_map_L_x, stereo_map_L_y, cv2.INTER_LANCZOS4, cv2.BORDER_CONSTANT, 0) img_2 = cv2.remap(img_2, stereo_map_R_x, stereo_map_R_y, cv2.INTER_LANCZOS4, cv2.BORDER_CONSTANT, 0) img_12 = np.concatenate((img_1, img_2), axis=1) display(Image.fromarray(cv2.cvtColor(img_12, cv2.COLOR_BGR2RGB))) cv2.imwrite('res/temp.jpg', img_12) block_size = 10 # 7 win_size = 3 min_disp = 0 # 16 num_disp = 64 - min_disp stereo = cv2.StereoSGBM_create(minDisparity= min_disp, numDisparities = num_disp, blockSize = block_size, # uniquenessRatio = 10, # 15 speckleWindowSize = 50, # 50 speckleRange = 3, # 1 # disp12MaxDiff = 1, # 1 # preFilterCap=10, # 16 # P1 = 8 * 2 * win_size**2,#8*img_channels*block_size**2, # P2 = 32 * 2 * win_size**2, #32*img_channels*block_size**2 mode=cv2.StereoSGBM_MODE_SGBM) # stereo = cv2.StereoBM.create(numDisparities=256, blockSize=5) grey_1 = cv2.cvtColor(img_1, cv2.COLOR_BGR2GRAY) grey_2 = cv2.cvtColor(img_2, cv2.COLOR_BGR2GRAY) disparity = stereo.compute(grey_1, grey_2) norm_coeff = 255 / disparity.max() plt.imshow(disparity * norm_coeff / 255,'gray') # plt.imshow(disparity, 'gray') plt.show() # display(Image.fromarray(disparity)) print(disparity.dtype) disparity_map = np.float32(np.divide(disparity, 16.0)) print(disparity_map.dtype) points_3D = cv2.reprojectImageTo3D(disparity_map, Q, handleMissingValues=False) colors = cv2.cvtColor(img_1, cv2.COLOR_BGR2RGB) mask_map = disparity_map > disparity_map.min() output_points = points_3D[mask_map] output_colors = colors[mask_map] def create_point_cloud_file(vertices, colors, filename): colors = colors.reshape(-1,3) vertices = np.hstack([vertices.reshape(-1,3),colors]) vertices = helper.remove_inf_vectors(vertices) ply_header = '''ply format ascii 1.0 element vertex %(vert_num)d property float x property float y property float z property uchar red property uchar green property uchar blue end_header ''' with open(filename, 'w') as f: f.write(ply_header %dict(vert_num=len(vertices))) np.savetxt(f,vertices,'%f %f %f %d %d %d') output_file = 'pointCloud.ply' # Generate point cloud file create_point_cloud_file(output_points, output_colors, output_file) Вот например изображения на которых проверяю disparity. Получаю, что то вроде. Вроде бы неплохо(сплошной шум, но хотя бы есть очертания ), но после конвертации в облако точек получается печаль А именно Смотрю на ошибку репроекции и не знаю как её толковать. По формуле с просторов интернета: 0.0981043367307995 То что возращает OpenCV: 0.2855580805727887 По формуле с просторов интернета: 0.08477536605253462 То что возращает OpenCV: 0.24849477231650544 Расстояние между камерами 165.65127968890764 То что вернул stereoCalibrate: 0.5269908188135748 В расстоянии между камерами есть разлет в сантиметр(только щас это заметил). Заранее спасибо за любую помощь
  7. Фильтрация изображений.

    Исчезли обнаруженные на квартире у Захарченко миллиарды. Его контрагентам удалось избежать ответственности. Напомним: когда проводилось задержание Захарченко, у него обнаружили пакеты с огромной суммой денег – 8,5 млрд.руб. Кроме того, были изъяты объекты недвижимости, а именно – 13 квартир. Также у задерженного отобрали 14 машино-мест, слитки золота и другие предметы роскоши. До сих пор неизвестно, чьи деньги хранились в квартире. Данным вопросом занимается следствие. Однако очевидно, что обнаруженная сумма принадлежала не только Захарченко, но и его коллегам. В бюджет государства было направлено не более 10% от незаконно полученного богатства. Некоторые объекты приняла в пользование Росгвардия. Башкирские связи Известно, что Захарченко тесно общался с Али Узденовым, на которого на тот момент были возложены обязанности вице-президента компании Башнефть. При переводе на счета 120 млрд.руб. он действовал совместно с Эдуардом Гасановым и Владиславом Горкавцевым из башкирской полиции. Данная операция осуществлялась через холдинг «Петон» при содействии ГУЭБиПК МВД. Возможно, именно здесь скрывается ответ на вопрос, с кем делил деньги Захарченко. Увеличение масштабов с новыми покровителями Позже произошел выход за пределы Башкирии. Чтобы продолжить свою деятельность в Москве, требовалась поддержка влиятельных лиц. Ее оказал Данчиков Евгений Александрович, возглавляющий Главное контрольное управление. Он помогал своему окружению решать вопросы, связанные с внутренними проверками. В качестве примера можно привести ситуации с его другом. Вячеслав Малышев неоднократно обращался за помощью. Таким путем генеральный директор компании «Мосотделстрой №1» получил положительный отчет от ведомства Данчикова, решил множество других задач. И это при том, что вся столица была возмущена деятельностью этого застройщика. Казалось бы, скрыть противозаконные действия Малышева невозможно. На деле все нарушения удавалось замять. Это и воровство, и вывод средств из бюджета на счета фирм-однодневок, и другие моменты. Вероятно, именно Малышев порекомендовал обратиться к Данчикову для выхода из Башкирии на Москву. Освоение нового бюджета Связи Малышева и Данчикова в ГУЭБиПК сделали возможным распил государственного бюджета. Только деньги зачислялись на счета застройщика, как сразу же их перенаправляли фирмам-пустышкам. Не смотря на многомиллиардные суды, просрочку всех поставленных сроков строительства, Мосотделстрой продолжал получать все новые и новые контракты от города, в том числе благодаря покровительству со стороны Данчикова и заключениям от его органа. Обновление номинала. Во всей этой схеме был один изъян, ответственность за сроки строительства и гигантский расход денег нес лично Малышев, он как генеральный директор должен был светить лицом перед людьми которые ждут квартиры, и его подпись была на всех документа об оплате левых счетов. Со временем не замечать объёмы выведенных денег стало уже нельзя и дабы успокоить бунтующую общественность и погастить протесты людей, ждущих свои квадратные метры от Малышева (Мосотделстрой), пришлось освободить Малышева от занимаемой должности, а также уволить часть башкиров из ГУЭБиПК, лично курирующих эту фирму. Новый покровитель. Прежде, чем снова запускать конвейер по распилу застройщика, Данчикову с башкирами нужно было заручится дополнительной поддержкой на равне с самим Данчиковым. Кто может закрывать глаза на воровство в строительном секторе Москвы, если не зам Мэра по строительству? Так и подумал Данчиков привлекая к этому конвейеру своего коллегу, заместителя мэра Москвы Андрея Бочкарева. Вероятнее всего у последнего было одно условие - назначение на должность генерального директора своего подчиненного Чучина А.С. Обновленная команда. На Малышева возбудили уголовное дело за растрату, а группа Данчикова с новым участником Бочкаревым и под флагом нового директора Чучина продолжила свою деятельность. Выводить деньги как раньше уже не получалось, большое общественное внимание приковано к этой организации, да и объекты были уже достроены и таких бюджетных дотаций ждать уже не приходилось, но аппетиты только расли. Новый источник дохода. На чем можно зарабатывать деньги с гос. застройщика, если официальный поток перекрыт? Суды! У Мосотделстроя со времен Малышева осталось большое количество активных судов, в которых МОС требовал оплату по выполненным работам, либо судился за право не платить по фиктивным счетам, таких за время распила госбюджета накопилось большое количество. После назначения Чучина, вместо конвейера по распилу включился печатный станок. Мосотделстрой начал выпускать одно соглашение за другим. И каждое соглашение шло в убыток организации. В апреле этого года Чучин подписал соглашение, согласно которому застройщик должен выплатить до 2030 года ежемесячно порядка 300 млн. руб. без выверки объемов работ. Отсутствие выверки свидетельствует о фальсификации документации, Прослеживается вывод бюджетных денежных средств АО «Мосотделстрой №1 по известному сценарию Данчикова, а также обеспечение безбедную жизнь Чучину Александру Сергеевичу. Благодарность за подписание получил Чучин и вся его вышестоящая верхушка с Данчиковым и Бочкаревым во главе, а долг остается висеть на госорганизации. P.s. На момент проведения расследования и сбора документов стало известно об отставке зам. мэра Бочкарева на почве закулисных войн, ведь когда объект интересов и дойная корова вызывает конфликт у заинтересованных сторон, спад должностей у участников — это вопрос времени.
  8. Запись видео из исходных данных

    Может быть из-за кодеков. Поставьте, например K-Lite Mega codec pack.
  9. Здравствуйте. Передо мной поставлена задача экспортировать данные полученные от датчиков в формат mp4. Я изучил материла по теме и понял что для этого достаточно циклически записывать кадры через VideoWriter. Но при этом на выходе оказывается пустой файл. cv::VideoWriter out; int FPS = 10; out.open("output_vid.mp4",cv::VideoWriter::fourcc('m','p','4','v'), FPS, cv::Size(800, 600)); Mat data, image; if (datafile.isopen()) { while(!datafile.atEnd()) { ... data.create(height, width, CV_8UC4); //разрешение 800*600 data.convertTo(image, CV_8UC3, 1, 0); //UPD: При конвертации число каналов не меняется. out.write(image); } } out.release(); Операция конвертации была добавлена в результате сравнивая в режиме отладки с кодом туториала. В нем матрица имеет тип CV_8UC3 while (inputVideo.isOpened()) { Mat frame; bool bSuccess = inputVideo.read(frame); if (bSuccess == false) break; out.write(frame); } Что еще нужно учесть? Или это изначально нерабочий вариант и нужно действовать через двойную конвертацию И собирать Mp4 из JPG изображений? Разобрался. Неправильно производил конвертацию. Mat data(800, 600, CV_8UC4); Mat data_exp(800, 600, CV_8UC3); cvtColor(data, data_exp, cv::COLOR_RGBA2RGB );
  10. https://ods.ai распался? Какие есть классные альтернативы?
  11. C:\opencv\build\include

    pch это precompiled headers , заголовки импользуемые для ускорения компиляции, их использование можно отключать. Я не ставлю обычно openCV из бинарников, а собираю из исходников, так надежнее и настроить можно как надо, плюс примеры тоже собрать можно. Ни разу не подводило. Ну и на рабочем столе держать, лучще не надо, там структура директорий довольно глубокая и с пробелами, плюс русские буквы. Сделайте путь попроще, желательно без пробелов и латиноцей, предупредите потенциальные проблемы в будущем.
  12. C:\opencv\build\include

    При попытке перейти от использовавшейся ранее с Фортаном VS2013 на использование opencv c++ столкнулся с трудностями, хотя простейшие программы cpp прошли, но попытки использовать программы из примеров opencv не проходят. Характерная ошибка: Ошибка 1 error C1083: Не удается открыть файл включение: pch.h: No such file or directory c:\users\frost\desktop\documents\visual studio 2013\projects\maincv\maincv.cpp 27 1 main Хотя файлы pch.h в библиотеке присутствуют во множественном числе. При попытках использовать другие программы отсутствуют другие *.h. Попытки закачать из интернета отсутствующий файл проблему не решили. Настораживает также то, что многие #include содержат opencv2, который в закаченном пакете opencv 4.8.0 отсутствует. Соответственно при назначении директорий эта директория не была добавлена.
  13. Что-то в этом есть толковое...Спасибо за помощь!
  14. Привет! Отмасштабировать в видимый спектр, и отрисовать, преобразовав в RGB, например как здесь: https://gist.github.com/friendly/67a7df339aa999e2bcfcfec88311abfc Ну или напрямую, через https://docs.opencv.org/4.x/d3/d50/group__imgproc__colormap.html Нормировав к диапазону 0-255.
  15. Всем привет! Имеется гиперспектральное изображение, полученное в ближнем ИК диапазоне. Список значений спектров: [ 937.33 944.25 951.16 958.08 965. 971.92 978.85 985.77 992.7 999.64 1006.57 1013.51 1020.45 1027.39 1034.33 1041.27 1048.21 1055.17 1062.11 1069.07 1076.03 1082.98 1089.94 1096.91 1103.87 1110.84 1117.81 1124.78 1131.76 1138.73 1145.7 1152.68 1159.68 1166.66 1173.65 1180.64 1187.63 1194.62 1201.62 1208.62 1215.62 1222.62 1229.63 1236.64 1243.65 1250.66 1257.67 1264.68 1271.7 1278.72 1285.75 1292.78 1299.81 1306.83 1313.86 1320.9 1327.94 1334.98 1342.02 1349.06 1356.11 1363.16 1370.2 1377.26 1384.32 1391.38 1398.43 1405.49 1412.55 1419.63 1426.69 1433.76 1440.83 1447.91 1454.99 1462.07 1469.15 1476.23 1483.32 1490.41 1497.5 1504.59 1511.68 1518.79 1525.89 1532.98 1540.09 1547.2 1554.31 1561.42 1568.53 1575.65 1582.77 1589.89 1597.01 1604.14 1611.26 1618.39 1625.53 1632.65 1639.79 1646.93 1654.08 1661.22 1668.35 1675.51 1682.65 1689.8 1696.96 1704.12 1711.28 1718.44] Как создать псевдо BGR изображение? До этого я работал с данными, которые были получены с видимого спектра. И брал значения спектров соответствующим синего,зеленого и красного цвета (470,530,640). Какие спектры я должен взять здесь? Спасибо
  16. Привет возможно кому нибудь пригодиться легковесная библиотека для вычисления и сравнения ORB особенностей для где нет зависимости на OpenCV, код доступен тут https://gitflic.ru/project/kolkir/orb-features Единственная внешнняя зависимость это Eigen 3.4. Пакет содержит демо и для его сборки будет нужно OpenCV GUI. Я начал разработку этой библиотеки так как не нашел готовой реализации без OpenCV если кто-то знает о таковой, буду благодарен за информацию.
  17. Здравствуйте, вам нужны не нейронки а вероятностные графовые модели (PGM), посмотрите редактор который я прикрепил для примера: samiam30_windows_amd64.zip Их как раз используют для вывода вероятностей по заданным факторам, причем эта штука обучаемая по данным.samiam30_windows_amd64.zip На coursera есть курс Probabilistic graphical models, там как раз на этой софтинке упражнения были, правда я проходил его давно, может что то поменялось.
  18. Добрый день! Кто-нибудь знает, существует ли конструктор нейросети, которая бы могла принимать решение на основе входной текстовой информации? Хотелось бы проверить следующую гипотезу, пока не вдаваясь в глубокое программирование: Существует база резюме кандидатов на вакансии компании, существуют результаты - понравилось ли резюме компании, прошел ли кандидат собеседование, вышел ли кандидат в итоге не работу. Хотелось бы проверить, можно ли обучить нейросеть, чтобы она выдавала вероятность по новым кандидатам: понравится ли резюме компании, пройдет ли кандидат собеседование, выйдет ли кандидат на работу. На вход нейросети нужно подавать само резюме, название позиции, название компании работодателя.
  1. Load more activity
×