-
CNN进化史
2019-10-10 22:02:42卷积神经网络（CNN）近年来取得了长足的发展，是深度学习中的一颗耀眼明珠。CNN不仅能用来对图像进行分类，还在图像分割（目标检测）任务中有着广泛的应用。CNN已经成为了图像分类的黄金标准，一直在不断的发展和改进。刘昕博士总结了CNN的演化历史，如下图所示：CNN的起点是神经认知机模型，此时已经出现了卷积结构，经典的LeNet诞生于1998年。然而之后CNN的锋
-
谷歌又出量子计算新成果，这次用上了深度强化学习！
导语：为实现大规模量子计算铺路~日前，谷歌在 Nature 合作期刊《npj Quantum Information》上发表了一篇论文，提出结合深度强化学习的方法来实现通用量子控制，从而能够极大地提高量子计算机的计算能力。谷歌也在官方博客上发表文章介绍了这项工作。论文下载地址：https://www.nature.com/articles/s41534-019-0141-3.pdf实现近期量子计算
-
大话CNN经典模型：VGGNet
2019-10-10 22:17:352014年，牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发出了新的深度卷积神经网络：VGGNet，并取得了ILSVRC2014比赛分类项目的第二名（第一名是GoogLeNet，也是同年提出的）和定位项目的第一名。VGGNet探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了16~19
-
李飞飞团队新论文：新网络新策略，让AI通过视觉观察实现因果归纳
所谓因果，作为一个人类，你肯定并不陌生。银杏叶黄了，是因为寒露已至。你的肚子开始咕咕叫，是因为晚饭时间到了。因果推理这个词看上去并不日常，但事实上，这是人类在与现实世界进行交互时必不可少的能力。对于AI来说，因果推理能力同样很重要。随着深度学习模型在各个领域取得巨大成功，其缺失因果推理能力的问题也逐渐暴露。没有正确的因果模型，这些机器学习方法的泛化就很成问题，比如，给图像生成说明的模型有时候会生成
-
「图像分类」 图像分类中的对抗攻击是怎么回事？
2019-10-09 07:57:30欢迎大家来到图像分类专栏，深度学习分类模型虽然性能强大，但是也常常会因为受到小的干扰而性能崩溃，对抗攻击就是专门研究如何提高网络模型鲁棒性的方法，本文简要介绍相关内容。作者 | 郭冰洋编辑 | 言有三1 简介对于人类而言，仅仅通过所接收到的视觉信息并不能完全帮助我们做出正确、迅速的判定，还需要结合我们的生活经验做出相应的反应，以确定哪些信息是真实可靠的，而哪些
-
深度学习热度下降，图神经、BERT崛起，ICLR2020提交论文主题分析
机器之心报道参与：张倩去年 11 月，Yoshua Bengio 宣布：ICLR 2020 将在埃塞俄比亚首都亚的斯亚贝巴（Addis Abeba）举行。目前，本次大会的论文投稿工作已经结束，进行到盲审阶段。为了总结社区的最新研究动向，Element AI 的研究科学家 Pau Rodríguez López 对本次投稿论文的关键词进行了统计分析，发现往年较热的「深度学习」、「GAN」等关键词热度
-
图像分割中的深度学习：U-Net 体系结构
2019-10-06 20:53:54原标题 | Deep Learning for Image Segmentation: U-Net Architecture作 者 | Ayyüce Kızrak翻 译 | 天字一号、尼古拉斯赵四、邺调审 校 | 鸢尾、唐里、PitaU-Net是一种卷积神经网络（CNN）方法，由Olaf Ronneberger、Phillip Fischer和Thomas B
-
深度学习面临天花板，亟需更可信、可靠、安全的第三代AI技术｜AI ProCon 2019
2019-10-05 20:42:42整理 | 夕颜出品 | AI科技大本营（ID:rgznai100）在人工智能领域中，深度学习掀起了最近一次浪潮，但在实践和应用中也面临着诸多挑战，特别是关系到人的生命，如医疗、自动驾驶等领域场景时，黑盒的不可解释性、安全等一系列问题仍然是产学研界关注的焦点问题。2019 年 9 月，由新一代人工智能产业技术创新战略联盟（AITISA）指导，鹏城实验
-
100多次竞赛后，他研发了一个几乎可以解决所有机器学习问题的框架
作者 | XI YANG来源 | 知乎（机器学习之路）一个叫 Abhishek Thakur 的数据科学家，在他的 Linkedin 发表了一篇文章 Approaching (Almost) Any Machine Learning Problem，介绍他建立的一个自动的机器学习框架，几乎可以解决任何机器学习问题，项目很快也会发布出来。这篇文章迅速火遍 Kaggle，他参加过1
-
「每周CV论文推荐」 深度学习人脸检测入门必读文章
人脸图像是整个图像处理领域里面研究时间最长，应用最广的方向，今天给大家介绍入门深度学习人脸检测必读的文章。作者&编辑 | 言有三1 Faceness-Net传统的人脸检测算法有一类是分别检测人脸各个组件，然后融合，深度学习早期也有文章做同样的研究，即Faceness-Net。作为最早期的尝试，感兴趣的同学可以简单阅读。文章引用量：40+推荐指数：✦✦✦✧✧[1] Yang S, Luo P
-
智能超高清视频监控的发展及趋势
“5G+AI+安防”一个全新的组合，对视频监控行业的发展有着深远的影响，是视频监控行业迈向超高清的一个助推器。
-
「GAN优化」什么是模式崩溃，以及如何从优化目标上解决这个问题
今天讲述的内容是GAN中的模式崩溃问题，之前的文章有提到这个问题，在接下来的两三期内，将和大家一起讨论有关模式崩溃的解决方法。本期将会首先介绍什么是模式崩溃，然后给出两种通过修改GAN目标函数的解决方法，而下一期将从网络结构和mini-batch判别器的角度出发讨论模式崩溃的解决方法。本期不会涉及什么数学知识，示意图将会最大限度的说明本质问题，如有问题欢迎底部留言。作者 | 小米粥编辑 | 言有三
-
CMU 领域自适应最新进展：对齐数据分布、误差还不够，标注函数也需对齐！
领域自适应是迁移学习重点研究的课题之一。以往，基于域不变表征的领域自适应方法由于对域偏移（domain shift）不敏感、能为目标任务获取丰富信息受到了极大关注。然而，在 ICML 2019 上，来自卡内基梅隆大学的研究人员指出，当标签分布不同时，对源任务的过度训练确实会对目标域的泛化起到负作用，并且用严谨的数学证明和丰富的实验说明了：为了提升领域自适应算法的性能，我们不仅需要对齐源域和目标域的
-
与其感慨模型难训练，不如试试 AutoNLP
什么是自注意力机制?2017 年，谷歌发表了一篇名字叫做《Attention Is All You Need》的论文，该论文提出了基于注意力机制的来处理序列模型的问题，可以改变 RNN 模型训练慢的弊端，并且在 11 个 NLP 任务中取得了最优结果。那么，我们要认识 Transformer 模型，首先应该了解什么是注意力机制。通俗的来讲，当我们在看一样东西的时候，我们的注意力一定是在当前正在看的
-
Google 亮剑：发布 Deepfake 数据集，对抗 AI 造假
自九月初， Facebook 首先发起对 Deepfake 的挑战以来，Google 也加入到反抗 Deepfake 的行列，昨日 Google 发文宣布，开源 Deepfake 数据集，以支持 Deepfake 虚假影像的检测工作。Deepfake，是英文“deep learning”和“fake”的混成词，是一种利用深度学习算法合成虚假图像、视频等技术的统称。在过去的一年中
-
剪枝量化初完结，蒸馏学习又上场
作者&编辑 | 言有三1 剪枝剪枝是一项古老的技术，从上个世纪传承至今，在学术界和工业界相关的研究工作都是很活跃的。剪枝根据不同的粒度有很多种，小到一个卷积参数，大到一个网络层。下面是Google关于剪枝的一个典型研究。To prune, or not to prune本文探讨了具有同样大小的稀疏大模型和稠密小模型的性能对比，在图像和语音任务上表明稀疏大模型普遍有更好的性能。模型剪枝是一项
-
「GAN优化」如何选好正则项让你的GAN收敛
今天讲述的内容还是GAN的训练，也是最后一期，做几个简单的小实验，告诉大家怎么给GAN加正则项，使得你的GAN尽可能收敛。其实今天的内容本来还是与动力学结合很紧密，但是考虑到复杂的数学内容可能有害无益，我就将数学部分都删除了，只展示最直观的结果。作者 | 小米粥编辑 | 言有三上一期我们说了关于GAN收敛的这样一件事情：如果矢量场v的雅可比矩阵的特征值的实部为负数，且学习速率足够小，则GAN会局部
-
利用LSTM思想来做CNN剪枝，北大提出Gate Decorator
选自arXiv作者：Zhonghui You等机器之心编译参与：思源、一鸣利用LSTM基本思想门控机制进行剪枝？让模型自己决定哪些卷积核可以扔。还记得在理解 LSTM 的时候，我们会发现，它用一种门控机制记住重要的信息而遗忘不重要的信息。在此之后，很多机器学习方法都受到了门控机制的影响，包括 Highway Network 和 GRU 等等。北大的研究者同样也是，它们将门控机制加入到 CNN 剪枝
-
2018年旅游行业EDM总览
据亿业科技2018年EDM报告显示，在2018年，旅游行业的整体发送量排名前五。平均成功率在98%以上，与2017年基本持平。打开率为9.4%，中位数打开率为9.30%，比2017年明显下降.低于全行业平均14.67%。点击率和点击打开比低于全行业的平均水平（分别为1.3%和15.10%）。移动端 / PC端：61.15% / 38.85%，移动设备的打开占比已经超过了电脑。旅游行业用户消费水平和
-
计算资源有限的人如何在深度学习领域成长？
对 AI 学习者而言，算力资源受限算是最让人头痛的问题之一——面对大规模节点的需求，CPU和内存却对问题处理规模表示无能为力。没有BAT这种大企业作为靠山的我们，可以如何进行“自救”呢？针对这个问题，我们在知乎上整理了几个比较具有代表性的回答，希望能对大家有所启发。@ 一个旅人 结合自己学习Deep Learning以来的经验来谈谈自己的感受吧，实验室刚开始也只有单卡的机器，现在工作了有机会使用更
