ITPub博客

选自arXiv作者：Xiongwei Wu, Doyen Sahoo, Steven C.H. Hoi机器之心编译参与：魔王、思从经典的 R-CNN 到今年非常受关注的 CenterNet，目标检测近几年到底有哪些发展？现在都到 2019 年了，基于关键点检测这一新范式效果到底怎么样？对于目标检测，这篇 40 页的综述论文有你想要的所有答案。目标检测是计算机视觉领域中的一个基础视觉识别问题，在近几

导语：机器学习有时候是好的解决方案，有时候则不是。“如果一个人可以在1秒以内完成一项思维任务，那么可能在现在或者不久的将来，我们可以使用人工智能（AI）来自动化处理这项任务。”——吴恩达本文读者大多数比较熟悉机器学习，也会使用相关算法来根据数据对结果进行分类和预测。然而，很重要的一点，就是机器学习并不是解决一切问题的万能 钥匙。机器学习如此有用，所以大家很难接受一个事实——有时候机器学习并不是一个

前两篇笔者分别为大家介绍了AI产品经理需要了解的概率论通识、线性代数通识、微积分通识，本篇文章中，笔者将继续为你介绍AI产品经理需要了解的数据标注，供大家一参考学习。前几天参加京东的AI技术沙龙，在提问环节，有个小伙说：“我是做销售的，刚才您讲的我都没听懂，我就知道，现在AI是风口，只要做AI相关的就能挣钱，您能说几个现在我们这类人能做到吗？能挣钱就行！”台上技术出身的老师自然一时语塞。小伙说的没

导语：许多特性并不是深度神经网络独有雷锋网 AI 科技评论按：8 月 10 日至 16 日，IJCAI 2019 在中国澳门隆重召开。14 日下午，南京大学周志华教授进行特邀大会演讲，演讲主题是《Deep Learning: Why deep and is it only doable for neural networks?》。在演讲中，周志华教授从自己的角度解读了深度神经网络之所以获得成功的本

来源：大数据本文约12000字，建议阅读10分钟。本文为大家介绍机器学习的魅力与可怕。[ 导读 ]作者用超过1.2万字的篇幅，总结了自己学习机器学习过程中遇到知识点。“入门后，才知道机器学习的魅力与可怕。”希望正在阅读本文的你，也能在机器学习上学有所成。00 准备机器学习是什么，人工智能的子类，深度学习的父类。机器学习：使计算机改进或是适应他们的行为，从而使他们的行为更加准确。也就是通过数据中学习

来源：大数据本文约12000字，建议阅读10分钟。本文为大家介绍机器学习的魅力与可怕。[ 导读 ]作者用超过1.2万字的篇幅，总结了自己学习机器学习过程中遇到知识点。“入门后，才知道机器学习的魅力与可怕。”希望正在阅读本文的你，也能在机器学习上学有所成。00 准备机器学习是什么，人工智能的子类，深度学习的父类。机器学习：使计算机改进或是适应他们的行为，从而使他们的行为更加准确。也就是通过数据中学习

译者 | Major编辑 | 赵雪出品 | AI科技大本营（ID:rgznai100）导语：如果你没能参加 CVPR 2019 ， 别担心。本文列出了会上人们最为关注的 10 篇论文，覆盖了 DeepFakes（人脸转换）, Facial Recognition（人脸识别）, Reconstruction（视频重建）等等。1.Learning Individual Styles of Conver

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

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

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