机器学习入门好文，强烈推荐 深度神经网络全面概述：从基本概念到实际模型和硬件基础 神经网络与深度学习 27种深度学习主流神经网络 三分钟搞懂深度学习：物体的识别和检测，以“找椅子”为例 ：代码和遇到问题后的解决方法 物体识别SIFT算法（Scale-Invariant feature transform，尺度不变特征变换）：可以使用 图像物体分类与检测算法综述：数据图像收集 训练自己haar-like特征分类器并识别物体（1）：opencv 【原】训练自己haar-like特征分类器并识别物体（2）:ope
【新智元导读】本文是美国国家研究院健康临床中心（NIH-CC）吕乐在GTC DC上的演讲整理，主题有关利用深度学习和深度神经网络进行医学影像分析。 放射医学中的深度神经网络：预防和精确医学的角度 深度
这是专栏《图像分割应用》的第4篇文章，本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。
Stanford CS231A: Computer Vision-From 3D Reconstruction to Recognition
图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务，从最开始比较简单的10分类的灰度图像手写数字识别mnist，到后来更大一点的10分类的cifar10和100分类的cifar100，到后来的imagenet，图像分类任务伴随着数据库的增长，一步一步提升到了今天的水平。
相信看了前面的几篇文章后很多朋友已经等不及快速入行了，今天就来介绍一下计算机视觉的各大研究方向及其特点。
近日，腾讯优图首个医疗AI深度学习预训练模型MedicalNet正式对外开源。这也是全球第一个提供多种3D医疗影像专用预训练模型的项目，将为全球医疗AI发展提供基础。 许多研究表明，深度学习的发展非常依赖数据量。自然图像领域中存在着许多海量数据集，如ImageNet，MSCOCO。基于这些数据集产生的预训练模型推动了分类、检测、分割等应用的进步。不同于自然图像，医疗影像大部分都是3D结构形态的，同时，由于数据获取和标注难度大，数据量稀少，目前尚未存在海量数据集及对应的预训练模型。 MedicalNet
这是专栏《图像分割应用》的第2篇文章，本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。
Overcoming the inadaptability of sparse group lasso for data with various group structures by stacking 论文摘要：
【新智元导读】Facebook 开发者大会今天召开。同时，Facebook 宣布开源 production-ready 的深度学习框架 Caffe2，轻量级、模块化，在移动端和云上都做了优化。同时提供的还有 C++ 和 Python API，以及模型库 Caffe2 Model Zoo，里面有视觉、语音、翻译等预训练模型，方便开发人员和研究者直接使用。 AI 模型的训练和部署通常与大量数据中心或超级计算机相关联，原因很简单。从大规模的图像、视频、文本和语音等各种信息中持续处理、创建和改进模型的能力不是小型计
3D计算机视觉和AI的研究工作像两个摩天大楼一样并排发展。但是这些巨大的塔之间的旅程涉及爬上和爬下数十个楼梯间。
在过去的十年里，利用人工智能来促进心音的自动分析和监测已经吸引了大量的关注。然而，在首次发布PhysioNet CinC挑战数据集之前，缺乏标准的公开数据库，使得难以维持可持续和可比较的研究。并且，数据收集、标注、划分等方面的标准不统一，仍然制约着不同分析模型之间公平、高效的比较。
3D计算机视觉和AI的研究工作像两个并排的摩天大楼一样飞速发展。但是，它们之间的距离至今难以跨越。为了弥补这种鸿沟，NVIDIA今天发布了Kaolin，只需几步，就可以将3D模型移入神经网络领域。Kaolin可以简化为深度学习准备3D模型的工作，从300行代码减少到只有5行。
这是专栏《图像分割应用》的第3篇文章，本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。
本文是基于弱监督的深度学习的图像分割方法的综述，阐述了弱监督方法的原理以及相对于全监督方法的优势。
旗下顶级AI实验室腾讯优图，对外开源了腾讯首个医疗AI项目——深度学习预训练模型MedicalNet。
AI 模型的训练和部署通常与大量数据中心或超级计算机相关联，原因很简单。从大规模的图像、视频、文本和语音等各种信息中持续处理、创建和改进模型的能力不是小型计算擅长的。在移动设备上部署这些模型，使其快速轻量级运转，同样是令人生畏的任务。克服这些挑战需要一个强大、灵活、便携式（portable）深度学习框架。 Facebook一直在与开源社区一起建立这样一个框架。今天，我们将第一个生产就绪（production-ready）的 Caffe2 开源，这是一个轻量级和模块化的深度学习框架，强调便携性，同时保持了可扩
基于人工智能和深度学习方法的现代计算机视觉技术在过去10年里取得了显著进展。如今，它被用于图像分类、人脸识别、图像中物体的识别、视频分析和分类以及机器人和自动驾驶车辆的图像处理等应用上。
翻译 | AI科技大本营 参与 | 赵博 SuiSui 为什么要制作机器人呢？想参加各种机器人大赛？看起来很炫酷？不过从学习角度说，机器人综合了信息技术、电子工程、机械学、程序设计、控制系统以及认知等多方面的内容，所以做一款机器人可以教会你很多的知识。 接下来要说做一款机器人你需要什么样的学习资料？本文包含跟机器人技术相关的一些链接、软件库、论文和其他对机器人技术有用的、有趣链接。 优质资源列表 Kiloreaux/awesome-robotics – 该项目收集了大量机器人入门的资料，包含课程、电子书
通知：这篇推文有18篇论文速递信息，涉及目标检测、图像分割和GAN等方向。 [1]《A new stereo formulation not using pixel and disparity models》 Abstract：我们介绍一种不使用像素和视差模型的新立体公式。视觉中的许多问题被视为为每个像素分配一个标签。差异是立体的标签。这样的像素标签问题自然地以能量最小化的方式表示，其中能量函数有两个项：一个项惩罚与观察数据不一致的解，另一个项强制空间平滑度。图形切割是解决能量最小化的有效方法之一。然而，
理论派希望解决深度学习“短缺”的部分，通过预先构建先验知识，在不过度依赖大数据的前提下，开发出一个可解释的、高精度、可解决诸多长尾问题的“智能模型”。
选自arXiv 机器之心编译 机器之心编辑部 人脸识别是机器学习社区研究最多的课题之一，以 3D 人脸识别为代表的相关 ML 技术十年来都有哪些进展？这篇文章给出了答案。 近年来，人脸识别的研究已经转向使用 3D 人脸表面，因为 3D 几何信息可以表征更多的鉴别特征。近日，澳大利亚迪肯大学的三位研究者回顾了过去十年发展起来的 3D 人脸识别技术，总体上分为常规方法和深度学习方法。 从左至右依次是迪肯大学信息技术学院博士生 Yaping Jing、讲师（助理教授） Xuequan Lu 和高级讲师 Sh
来源：caffe2.ai 作者：caffe2 team 译者：文强 【导读】近日，Facebook 宣布开源 production-ready 的深度学习框架 Caffe2，轻量级、模块化，在移动端和云上都做了优化。同时提供的还有 C++ 和 Python API，以及模型库 Caffe2 Model Zoo，里面有视觉、语音、翻译等预训练模型，方便开发人员和研究者直接使用。 AI 模型的训练和部署通常与大量数据中心或超级计算机相关联，原因很简单。从大规模的图像、视频、文本和语音等各种信息中持续处理、创
对于希望学习算法或尝试现有框架的人来说，预训练的模型是一个很好的帮助。由于时间限制或计算资源的限制，不可能总是从头构建模型，这就是为什么存在预训练模型！
整理 | Just 出品 | 人工智能头条（公众号ID：AI_Thinker） 你点进来就说明对这深度学习方面的资源有热切需求或者至少感兴趣，人工智能头条为了尽可能满足各位读者在学习资源上的不同需求，会不定期搜集整理相关资源献给你们。 这次的资源来自 fast.ai 推出的免费的入门级深度学习课程，该课程在你有一年编程经验或者至少学过高中数学的前提下就能让你学会建立最先进的模型，门槛不能再低了。 本次的系列课程共有两部分组成：《Practical Deep Learning For Coders》和《Cut
计算机视觉的最新进展，主要来自于新颖的深度学习方法，以及基于大量数据来执行特定任务的分层机器学习模型，随之而来的性能提升，引发了其他科学领域类似应用的淘金热。
选自苹果 机器之心编译 参与：蒋思源、李亚洲、路雪 Siri 是一个使用语音合成技术与人类进行交流的个人助手。从 iOS 10 开始，苹果已经在 Siri 的语音中用到了深度学习，iOS 11 中的 Siri 依然延续这一技术。使用深度学习使得 Siri 的语音变的更自然、流畅，更人性化。机器之心对苹果期刊的该技术博客进行了介绍，更详细的技术请查看原文。 介绍 语音合成，也就是人类声音的人工产品，被广泛应用于从助手到游戏、娱乐等各种领域。最近，配合语音识别，语音合成已经成为了 Siri 这样的语音助手不可
对于希望运用某个现有框架来解决自己的任务的人来说，预训练模型可以帮你快速实现这一点。通常来说，由于时间限制或硬件水平限制大家往往并不会从头开始构建并训练模型，这也就是预训练模型存在的意义。大家可以使用预训练模型作为基准来改进现有模型，或者针对它测试自己的模型：
机器之心分析师网络 作者：仵冀颖 编辑：Joni 本文依托于综述性文章，首先回顾了可解释性方法的主要分类以及可解释深度学习在医疗图像诊断领域中应用的主要方法。然后，结合三篇文章具体分析了可解释深度学习模型在医疗图像分析中的应用。 作为一种领先的人工智能方法，深度学习应用于各种医学诊断任务都是非常有效的，在某些方面甚至超过了人类专家。其中，一些计算机视觉方面的最新技术已经应用于医学成像任务中，如阿尔茨海默病的分类、肺癌检测、视网膜疾病检测等。但是，这些方法都没有在医学领域中得以广泛推广，除了计算成本高、训练
本文简单介绍一下成像和图像分析的基本内容，希望对有兴趣解决图像类问题的同学有所帮助。
向AI转型的程序员都关注了这个号👇👇👇 设计构思与创意 本作品以微信小程序为“个人”平台，用户可在微信小程序中录入必要的人脸等个人信息，并且能够以微信小程序为窗口查询自己的垃圾分类详情。为保证微信小程序的丰富性和人性化，用户可在小程序中通过拍照、语音、搜索等查询日常生活中常遇的生活垃圾，积累自己垃圾分类知识。在垃圾桶端，系统在用户授权情况下通过拍摄用户人脸信息匹配用户个人数据库，并记录其垃圾分类信息。此外，垃圾桶在本作品中充当“引导者”角色，用以引导用户将垃圾投掷到正确的垃圾桶中。在管理端，相关部门一方
来源：机器之心本文约1800字，建议阅读5分钟和 AlphaFold 不同，这次谷歌探索的是用深度学习给蛋白质打上功能标签。 蛋白质是组成人体一切细胞、组织的重要成分。机体所有重要的组成部分都需要有蛋白质的参与。 目前已知存在的蛋白质种类有数十亿，但其中大约有三分之一的功能是不可知的。我们迫切地需要探索这片未知区域，因为它们关系到抗菌素耐药性，甚至气候变化等重要议题。例如，青霉素是蛋白质之间自然反应的产物，植物蛋白可用于减少大气中的二氧化碳。 近日，谷歌与欧洲生物信息学研究所合作开发了一种技术 ProtCN
机器之心报道 编辑：泽南、张倩 和 AlphaFold 不同，这次谷歌探索的是用深度学习给蛋白质打上功能标签。 蛋白质是组成人体一切细胞、组织的重要成分。机体所有重要的组成部分都需要有蛋白质的参与。 目前已知存在的蛋白质种类有数十亿，但其中大约有三分之一的功能是不可知的。我们迫切地需要探索这片未知区域，因为它们关系到抗菌素耐药性，甚至气候变化等重要议题。例如，青霉素是蛋白质之间自然反应的产物，植物蛋白可用于减少大气中的二氧化碳。 近日，谷歌与欧洲生物信息学研究所合作开发了一种技术 ProtCNN，其能够使用
来源：专知本文约1680字，建议阅读6分钟如何结合深度学习和视觉数据任务特点发展视觉弱监督学习模型方法,成为近年来计算机视觉领域的一个研究热点。 视觉理解，如物体检测、语义和实例分割以及动作识别等，在人机交互和自动驾驶等领域中有着广泛的应用并发挥着至关重要的作用。近年来，基于全监督学习的深度视觉理解网络取得了显著的性能提升。然而，物体检测、语义和实例分割以及视频动作识别等任务的数据标注往往需要耗费大量的人力和时间成本，已成为限制其广泛应用的一个关键因素。弱监督学习作为一种降低数据标注成本的有效方式，有望对
目前, 基于机器视觉的表面 缺陷装备已经在各工业领域广泛替代人工肉眼检测，包括3C、汽车、家电、机械制造、半导体及电子、化工、医药、航空航天、轻工等行业。传统的基于机器 视觉的表面缺陷检测方法，往往采用常规图像处理 算法或人工设计特征加分类器方式。一般来说，通常利用被检表面或缺陷的不同性质进行成像方案的设计，合理的成像方案有助于获得光照均匀的图像，并将物体表面缺陷明显的体现出来。近年来，不少基于深度学习的缺陷检测方法也被广泛应用在各种工业场景中。
生活中，我们和周围的事物都是有“标签”的，比如人、杯子、天空等等。在不同的场景下，相同的事物可能对应了不同的标签，比如长在地上的一片小草称为“草地”，长在花盆里的很可能属于“盆栽”，画在画中的又属于“装饰”。
表面缺陷检测是工业视觉的热点应用之一，自动的表面缺陷检测技术越来越受到重视，其中以深度学习相关技术应用为代表，它通过大量图像对检测系统进行训练学习得到一个自动的视觉检测系统。这个方面基于深度学习的检测方法基本上可以分为两个大类。
写在前面：一篇魏云超博士的综述论文，完整题目为《基于DCNN的图像语义分割综述》，在这里选择性摘抄和理解，以加深自己印象，同时达到对近年来图像语义分割历史学习和了解的目的，博古才能通今！感兴趣的请根据自己情况找来完整文章阅读学习。
今天给大侠带来机器学习资料（五），第五篇带来自然语言处理、通用机器学习、数据分析/数据可视化、Python计算机视觉、自然语言处理、通用机器学习的各种库以及各种资料链接推荐，满满的干货，话不多说，上货。
欢迎关注思影科技的长文解读，希望我们的解读可以伴随思影的读者们共同成长，如果可以给我们一个转发，一定是对思影的莫大帮助和鼓励，谢谢！
我们已经到达了本文最受期待的部分 - 构建模型！这就是我们大多数人首先进入数据科学领域的原因，不是吗？
2016年12月，中国人工智能学会举办了第一期《人工智能前沿讲习班》，国内视觉大数据学者王亮老师做了题为《深度学习与视觉计算》的报告。王亮老师在报告中介绍了视觉大数据的概念与特征、深度学习的发展背景与在计算机视觉领域的应用现状。本文根据王亮老师当日报告内容整理发布，详见后文。
【磐创AI导读】：本系列文章为大家总结了24个热门的python库，查看上篇。想要获取更多的机器学习、深度学习资源，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。一文总结数据科学家常用的Python库（上）
深度学习扩展了数字图像处理的边界。然而，这并不代表在深度学习崛起之前不断发展进步的传统计算机视觉技术被淘汰。近期，来自爱尔兰垂利理工学院的研究者发表论文，分析了这两种方法的优缺点。
深度学习（deep learning）是机器学习的分支，已经在工业生产、科学研究等领域有广泛应用。图 1-1-1 显示了深度学习、机器学习和人工智能之间的相对关系。
今天带来的是谷歌与欧洲生物信息学研究所研究小组发表在Nature biotechnology上的Using deep learning to annotate the protein universe。
选自The M Tank 机器之心编译 The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第三部分做了编译介绍，第一部分、第二部分和第四部分详见《计算机视觉这一年：这是最全的一份 CV 技术报告 》、《深度 | 2017 CV 技术报告之图像分割、超分辨率和动作识别 》、《计算机视觉这一年：2017 CV 技术报告 Pl
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
