ITPub博客

2019-08-16 13:07:45机器之心报道参与：思、一鸣反向传播是深度学习算法中必不可少的组成部分，但是其固有的梯度爆炸（消失），计算速度慢等问题一直困扰着学界。近日，新西兰维多利亚惠灵顿大学的研究者提出了一种新型的算法，可以让深度学习在不依赖反向传播的情况下进行收敛，彻底解决了梯度爆炸问题。同时，研究者表示，只需要额外训练单层的网络就可以达到图像分类中的 SOTA 性能。论文地址：htt

深度学习很难？对深度学习存有困惑，不知道从哪里下手，不知道适不适合自己学习？只需了解基础的数学和编程，如基础的线性代数、微分和概率，以及基本的Python编程知识，你就可以真正的去学习深度学习喽！从哪开始呢？从一本入手的《动手学深度学习》开始吧！在了解这本书之前，带你看一下主要符号表以下图片为学习深度学习的主要符号表，请点击大图预览。动手学深度学习目前市面上有关深度学习介绍的书籍大多可分两类，一类

博主不才，研究深度学习有一段时间，主要专注CV领域。本科期间学习了机器学习的一些算法，用SVM做的人脸识别的工作，之后又去中科院实习，用深度学习来做人脸识别。所以，从传统算法，到深度，这个过程，我是深深体会到的。单从CV领域，尤其是二维方面的工作，卷积神经网络取得的成果，让我深深感到传统算法的无力。总的来说，深度学习算法是近几年机器学习革命般的成果。举个例子，很明显的对于传统算法很困难的LFW人脸

2019-08-15 19:31:38近年来，卷积神经网络（CNN）在海量数据的物体分类、识别取得了巨大的成功，但是我们对CNN为什么能够取得这么好的效果以及其中间层所计算得到的特征的理解却是远远落后与CNN的应用。更多的时候CNN对于我们来说就像个黑盒子，输入数据和便签进行训练，然后就可以拟合出我们想要的结果。如果不能弄明白CNN为什么能够工作的这么好，构建一个好的CNN模型就只能靠试错。为了对

域名多个 AI, 融资可能多 50%。为了「梦想」，先画个饼不失为上策。整理&撰文 | 宇多田「fake it till they make it」（假装做到，直到你做到为止）这句话，在创业圈一直非常流行。鉴于许多创业公司以及成熟企业的产品都不会在 100% 成功后才发布，这似乎是一个圈内默认的操作。但有一个疑问：在开发人工智能技术方面，当初创公司也在假装（fake it till the

一年前，我决定开始探索生成式对抗网络(GANs)。自从我对深度学习产生兴趣以来，我就一直对它们很着迷，主要是因为深度学习能做到很多不可置信的事情。当我想到人工智能的时候，GAN是我脑海中最先出现的一个词。 GANs生成的人脸(StyleGAN)  但直到我第一次开始训练GAN时，我才发现了这种有趣算法的双面性：训练极其困难。确实，在我尝试之前，我从论文上和其他人的尝试

摘要：全面解析人脸识别技术原理、领域人才情况、技术应用领域和发展趋势。自20世纪下半叶，计算机视觉技术逐渐地发展壮大。同时，伴随着数字图像相关的软硬件技术在人们生活中的广泛使用，数字图像已经成为当代社会信息来源的重要构成因素，各种图像处理与分析的需求和应用也不断促使该技术的革新。计算机视觉技术的应用十分广泛。数字图像检索管理、医学影像分析、智能安检、人机交互等领域都有计算机视觉技术的涉足。该技术是

作者：Joseph Rocca编译：ronghuaiyang导读GANs在2014年提出，然后就在图像生成领域取得了巨大的成功，但是其背后的原理却不是那么好理解，这篇文章带你从最基础的随机变量开始，一步一步推理得到GANs，非常的详细，一定要看看！由于文章较长，分两部分分享给大家，今天是第一部分。介绍Yann LeCun将其描述为“过去10年机器学习领域最有趣的想法”。当然，这样一个来自深度学习领

作者：Joseph Rocca编译：ronghuaiyang导读GANs在2014年提出，然后就在图像生成领域取得了巨大的成功，但是其背后的原理却不是那么好理解，这篇文章带你从最基础的随机变量开始，一步一步推理得到GANs，非常的详细，一定要看看！由于文章较长，分两部分分享给大家，今天是第二部分。生成匹配网络免责声明：“Generative Matching Networks”的名称不是标准名称。

目标检测在视频监控、自动驾驶汽车、目标/人跟踪等领域得到了广泛的应用。在本文中，我们将了解目标检测的基础知识，并回顾一些最常用的算法和一些全新的方法。原标题 | A 2019 Guide to Object Detection作 者 | Derrick Mwiti翻 译 | 林肯二百一十三（西安交通大学）、陈华Mark（武汉大学）、BBuf（西南科技大学）编 辑 | Pita目标检测是一种为了检测

本文来自旷视研究院，作者：闫东。AI 科技评论获授权转载。如需转载，请联系旷视研究院。目录导语3D人脸基础知识初识3D人脸相机模型3D相机3D人脸数据3D人脸相关任务常见Pipeline3D人脸识别3D人脸重建总结导语随着深度学习技术的推进，人脸相关任务研究也跃升为学界和业界的热点。人们所熟知的人脸任务一般包括人脸检测，人脸身份识别，人脸表情识别等，它们多是采用 2D RGB 人脸（一般包括一些纹

近些年，得益于网络架构、训练策略以及人脸数据的发展，人脸识别技术取得巨大的提升，覆盖到社会福利保障、电子商务及安全防务等领域，可以说，人脸识别的全面应用时代已经到来。今天，小编就为大家分享一些关于人脸识别的新应用案例。刷脸乘地铁照进现实2019年4月1日，济南市首条地铁线路1号线正式开启商业运营。据悉，随着地铁上线的还有人脸识别乘车系统，这也让济南地铁成为国内首条采用3D人脸识别闸机的地铁线路。同

对于人脸识别技术来说，它的市场前景非常可观。但是在这一技术的应用落地上，硬件厂商与应用服务商都有各自的焦虑与无奈，因此人脸识别中间件平台会是解决这一问题的不错选择。计算机视觉作为人工智能的一个分支，一直占据比较重要的位置，而人脸识别技术从20世纪70年代开始兴起，迄今为止成为计算机视觉领域最热门的研究方向之一，在安防、门禁、监控等领域拥有广泛的应用场景。人脸识别，是基于人的脸部特征信息进行身份识别

机器学习十大开源工具机器学习是未来。但机器会灭绝人类吗？这应该是一个牵强附会的想法。作为机器学习开发人员，您一定希望成功实现目标。这就是用于机器学习的开源工具的用武之地。 机器学习开源社区是活跃的。如果你是开源的，你会发现有很多机器学习资源。这还包括您可以在项目中使用的工具。在本文中，我们将介绍十种必备的开源工具，用于机器学习。这些工具将帮助您改善工作流程。10个必备的机器学习开源工具对于非程序员

Scale AI宣布获得1亿美金C轮融资，公司估值超10亿美金，成为硅谷新晋独角兽。到底什么业务这么值钱？撰文 | 太浪编辑 | 宇多田许多大型人工智能企业们必须承认，在自己「实现智能化与自动化」的承诺背后，都有着对 Scale AI 的强烈依赖。Scale AI 是一家成立 3 年的初创企业，相比很多自称人工智能公司的理想化目标，这家公司的使命非常现实且简单——承认并利用机器学习与人类承包商以及

广义来说，有三种机器学习算法1、 监督式学习工作机制：这个算法由一个目标变量或结果变量（或因变量）组成。这些变量由已知的一系列预示变量（自变量）预测而来。利用这一系列变量，我们生成一个将输入值映射到期望输出值的函数。这个训练过程会一直持续，直到模型在训练数据上获得期望的精确度。监督式学习的例子有：回归、决策树、随机森林、K – 近邻算法、逻辑回归等。2、非监督式学习工作机制：在这个算法中，没有任何

来源 | GitHub Trending整理 | Freesia译者 | TommyZihao出品 | AI科技大本营（ID: rgznai100）【导读】近日，一个名为 face_recognition 的人脸识别项目登上了 GitHub Trending 趋势榜，赚足了眼球。自开源至截稿，此项目在 Github 上的 Star 数已达 26500，Fork 数也达到了 7117。本文主要介绍了

人脸识别，已成趋势。关于人脸识别各种碎片式的报道也层出不穷，但对于大多数人而言，依然是管中窥豹，雾里看花。本篇文章中，笔者将从技术应用与商业模式两个维度，系统性地说明人脸识别，力求让读者，尤其是在考虑AI+应用的从业者，看到全貌。根据前瞻产业研究院对对人脸识别市场的预估，到2022年，中国人脸识别市场规模将超过66亿元。本篇，我们先来讲人脸识别的技术应用。基础能力决定上层应用——基础层算法我们可能

“让我们的魔术师上来！”在前公司松下的年会上，管理者这样介绍申省梅。申省梅这样称号的由来，是因为在新加坡（松下）研究院的 27 年间，无论日本那边的部门需要什么计算机视觉技术，申省梅和她的团队总能做出来。这并非在夸大其词。当对物理概念了解足够深入，看得又足够广时，技术上的融会贯通就能够实现，多年来，申省梅在医疗、3D、安全协议、数据压缩等多种技术领域均有涉足。比如在 2009 年至 2012 年期

2019-08-11 17:44:23反卷积（Deconvolution）的概念第一次出现是Zeiler在2010年发表的论文Deconvolutional networks中，但是并没有指定反卷积这个名字，反卷积这个术语正式的使用是在其之后的工作中(Adaptive deconvolutional networks for mid and high level feature learning)