毕业设计（基于TensorFlow的深度学习与研究）之完结篇
前言本文是我的毕业设计基于TensorFlow的深度学习与研究的完结篇，在本篇推文中，我将分为三个部分去写：第一部分是对我毕业设计系列推文的总体安排；第二部分是对我毕业设计的总结概括；第三部分我将引入一个入门级的案例（借助fashion_mnist数据集），一方面是帮助初学者对深度学习和卷积神经网络有一定的了解，另一方面是此案例与我毕设中的一个案例相似度较高（另外，我毕设中涉及的两个案例的源代码....
深度学习目标检测技术研究现状
目标检测是机器视觉的一个分支，在车辆检测、商品分拣等生活及工业领域都具有重要的应用和研究价值，其目的是从计算机层面检测出图像中所检测物体的名称和该物体的位置关系（主要指物体在图片中的所处位置和该物体的像素大小）。传统的目标检测算法主要是基于各种模板，通过提取特征点、生成特征数据、进行特征数据匹配或利用机器学习方法实现图像的识别与检测。2012 年，是目标....
基于深度学习视觉目标以及多目标跟踪研究现状
视觉目标跟踪的主要任务是在一组图像序列中寻找目标。与计算机视觉中的其他视觉任务相同，目标跟踪同样需要用相机摄像头来取代人眼进行目标搜索和观察，获取目标及其背景的数字图像信息，然后通过扮演人脑角色的人工智能来解析和处理数码信息。跟踪并不局限于跟踪视频中某一物体，除了对连续视频图像序列中目标运动信息进行预测外，还包括上下文建模、时空信息等研究内容，以实现对目标运动状态的....
深度学习研究现状
深度学习（Deep Learning，DL）最早出现在 1986 年，后来在 2000 年左右被应用于人工神经网络（Artificial Neural Network，ANN），深度学习方法一般具有多层结构，用于学习数据多个层次的特征，深度学习是机器学习的一个子领域，对大量简单的数据学习是机器产生类似人类智能的理解能力，运用多层次非线性信息处理。近几年来，深度学习蓬勃发展，出现了一些优秀的网络结....
深度学习目标检测网络轻量化研究现状
传统的目标检测方法诸如在2005年提出的HOG[7]特征方法，该方法是一种特征描述算子，使用该方法能够极大的提高检测算法的性能。HOG特征是通过计算局部区域内的梯度信息来获得相应的特征信息，该方法结合SVM技术可以实现比较好的物体检测效果。HOG特征对于光学和几何都具有较好的形变性，同时稍许动作不影响检测性能，所以HOG技术比较适合用于人体检测。但是HOG存在着具有时间复杂性高以及鲁棒性差的特点....
学习笔记 | 深度学习相关研究与展望 Ｒeview of deep learning
深度学习是新兴的机 器学习研究领域，旨在研究如何从数据中自动地提取多层特征 表示，其核心思想是通过数据驱动的方式，采用一系列的非线 性变换，从原始数据中提取由低层到高层、由具体到抽象、由一 般到特定语义的特征。1 深度学习相关应用领域1． 1 图像识别物体检测和图像分类是图像识别的两个核心问题，图像识别是深度学习最早尝试的 应用领域，早在 1989 年，LeCun 等人....
深度学习于语音合成研究综述
WaveNet在自回归生成模型在图像和文本领域广泛应用的时候，WaveNet [4] 尝试将这些思想应用于语音领域。仿照PixelRNN (van den Oord et al., 2016)图像生成的做法， WaveNet依据之前采样点来生成下一个采样点。生成下一个采样点的模型为CNN结构。为了生成指定说话人的声音，以及生成指定文本的声音，引入了全局条件和局部条件，来控制合成内容。为了扩大感受....
陈天奇最新研究：递归模型编译器CORTEX，深度学习推理延迟降低了14倍！
西雅图是美国的超一线城市，不仅孕育了科技巨头微软，华盛顿大学也是城市的招牌，华人武术宗师李小龙也毕业于此。 陈天奇在AI圈的名气，好比李小龙在武术界的地位，且都是少年有成。 90后的陈天奇是机器学习领域著名的青年华人，在2020年秋季加入CMU任助理教授，成为加入CMU的年轻华人学者之一。 近日，陈天奇团队在arxiv上发表了针对深度学习开发的编译器「CORTEX」....
2019年深度学习Top 5研究论文，一文Get硬核干货：XLNet、网络剪枝、StarGAN
对于整个深度学习和机器学习来说，今年是重要的一年。如今，连面向婴儿的神经网络的书籍都已经面世。不过，除了读书之外，在这个疯狂的世界中保持最新状态的最佳方法是阅读论文。拥有超过10年的人工智能和软件开发经验的Rubik’s Code公司为我们重点介绍了今年对我们产生重大影响的5篇论文。XLNet：用于语言理解的广义自回归预训练论文链接：https://arxiv.org/pdf/1906.0823....
Kaolin问世：世界首个用于3D深度学习研究的综合库来了
由于大多数真实世界环境都是三维的，因此设计用于分析真实世界环境中的视频或完整任务的深度学习模型也应该合乎理想地是在三维数据上进行训练。诸如机器人、自动驾驶汽车、智能手机和其他设备之类的技术工具，目前正在生成越来越多的三维数据，这些数据最终可能会被深度学习算法进行处理。但到目前为止，必要的工具和平台只有一些人工智能研究人员才能使用，这使得在海量的三维数据上训练深度学习算法一直较为困难；为了解决缺乏....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
深度学习更多研究相关
智能引擎技术
AI Online Serving，阿里巴巴集团搜推广算法与工程技术的大本营，大数据深度学习时代的创新主场。
+关注