لى فنغ شبكة AI تقنية مراجعة: على الرغم من ICCV 2019 انتهى ما يقرب من أسبوعين، ولكن للباحثين الصينيين المعنية بهذا "نقطة تحول" ذات الأهمية الدولية ستكون في أذهان الأكاديمية العليا انطلقنا موجات، ويفترض لم تنته بعد.

في العام الدراسي هذا العيد الحقل CV، فإننا لا نزال نرى الكثير من طويلة الأجل نشط في وجوه الدولية الساحة الأكاديمية الباحث الصيني القديمة، في الوقت نفسه، هناك بعض الوجوه الجديدة مع الإنجازات الأكاديمية كبيرة ظهرت في الجميع النقطة المحورية في خط الأفق.

بما في ذلك السنة مع الأستاذ لوه من جامعة هونغ كونغ للمشاركة في ICCV من سبع ورقات. كما قدم الباحث الكثير من العمل الرائد في مجال التعلم العميق تطبيقها على CV، والأعمال ذات الصلة للباحثين في هذا المجال من حيث شرائح قد لا تكون مألوفة: الأول سيكون عمق التعلم للمشاة ، وجه الانقسام، ويتم إنشاؤها وجهه، CNN حل أول من اقترح MRF للتجزئة الدلالي. في الوقت نفسه، وقال انه بعض الأعمال لا تزال تواجه عمل تمثيلي أساسي يتناول التعلم العمق.

ومن الجدير بالذكر أن الأستاذ لوه وهذا العام على اسرة شانغ بطل ICCV لديها أيضا الكثير من التكنولوجيا وتقاطع المنشأ: تحت وصاية اثنين من القادة في مجال الرؤية الكمبيوتر وTangxiao أويحيي وانغ شياو قانغ خلال 2011-2014 الدكتوراه في هونج كونج الصينية، 2016-2017، وكان الوصول إلى أي من مدير معهد بحوث اسرة شانغ.

في الموقع ICCV، ويستند AI تكنولوجي ريفيو أيضا على نتائج عمله لتحقيق هذا الكلام له الحديث، وليس ذلك فحسب، وتحدث أيضا عن الحوار، بدأ الأستاذ لوه في البداية لدراسة عمق التطبيقات إلى السيرة الذاتية والخلفية تعلم وكذلك مجالات الفرص وTangxiao أويحيي وانغ شياو قانغ اثنين من المدرسين في مسيرته التي رفعتها تأثير.

وفيما يلي الحوار سجل AI تقنية استعراض وأستاذ Luoping:

AI تكنولوجي ريفيو: مجموعة الدراسة التي نشرت هذا ICCV العام سبع ورقات حول مواضيع تتراوح دراسة لتوصيف العمق، عمق التعلم الذاتي، والشبكات، وغيرها من معركة متعددة الهدف، وهو ما عدد قليل من الخاصة بك أكثر قيمة، وذلك باستخدام طريقة كيفية تحقيق هذا النوع من النتائج؟

لوه: هذا العام، ونحن في ICCV سبع أوراق المنشورة، تتعلق تبيض والتطبيع أساليب (للتحويل التبييض)، بحث منظم NAS، كاميرات النقل، بحث الصورة والملابس، وتسمية الضوضاء أسلوب التعلم الذاتي، شبكة هجوم والدفاع وغيرها من البحوث الموضوع.

والأهم من ذلك هو العمل على طريق منظم مستمر بحث واحد، والآخر على البيضاء وتطبيع العمل:

• في هيكل العمل في البحث، مع أساليب متعددة مسار الطبقة دارت الماضية، ونحن نفعل مسار واحد NAS، والاستفادة من هذا النهج هو أقل كثافة حسابيا، والعيب هو مهارات منخفضة جدا، التي يمكن البحث فيها هيكل أقل. وفي هذا الصدد، نحدد التفاف المكاني للاختلاف مستمر، أي بعض التفاف على غرار باعتبارها وحدات مستمرة للاختلاف، والتي يمكن أن يمثله التفاف من أي عملية - حتى من دون تحديد يدويا من عملية وقال أيضا أنه من أجل ضمان كل من المهارات، ولكن أيضا من خلال جولة واحدة من البحث لضمان ارتفاع سرعة البحث.

• ويسمى تبييض وتطبيع عمل آخر للتحويل التبييض. تحتاج كل الشبكة العصبية لتكون تطبيع القيام به، مثل دفعة التطبيع (دفعة التوحيد)، هو في الواقع شكل خاص من أشكال تبييض، وفي هذا العمل، ونحن سوف تبيض والانصهار تطبيع، يمكن طبقات مختلفة وصورة شبكة كاملة من تعلم البيضاء وسيلة طبيعية. هذا العمل، وحساب من الدرجة الثانية ونشرها لمناقشة الأمامية خوارزمية التدرج الأمثل، نشر مضادة لديها الكثير من الاتصال.

AI تكنولوجي ريفيو: ما القصص يمكن أن تكون مشتركة خلال الانتهاء من ورقة ديك؟ أو واجه تحديات كبيرة نسبيا التي والصعوبات؟

لوه: التحديات والصعوبات القصة هي بالتأكيد واحدة من طلابي تحت الانقاض، حيث يمكنك مشاركة وأوراق سبعة هذا العام ونحن ICCV، هناك نوعان من الكتاب الأول من ورقة وله.

خلال دراسته الجامعية تركز على المادية، والدكتور تحول الآن فقط في مجال البحوث، والتكيف ليس بهذه السرعة، ولكن لديه القدرة على الاستفادة مشكلة جديدة. على سبيل المثال، وقال انه علم من الكثير من الضوضاء من التسمية التعبير المميزة (ديب التعلم الذاتي من صاخبة تسميات) في الواقع، وقد تم تنفيذ هذا العمل لمدة عام، ولكن في عملية وجد أيضا قضايا أخرى جديدة، مثل شبكة هجوم والدفاع حتى انه في نفس الوقت هاتين الدراستين، ونظرة لنشر ورقتين في ICCV 2019.

AI تكنولوجي ريفيو: محور العمل للمشاركة في ICCV ماذا؟

لوه: سوف يكون هناك الكثير من الباحثين بعد، على الرغم من أن هذه الورقة كانت بعض الأسئلة، ولكن أعتقد: أعتقد أن هناك بعض جيدة هذا العام مقالات ICCV، مثل أفضل ورقة حول "تعلم المولدة نموذج من صورة واحدة الطبيعية SinGAN" لتنفيذ دراسة أكثر تعمقا، والذي يتضمن أيضا فريقنا جاهز للمساهمة CVPR 2020 المادة.

AI تكنولوجي ريفيو: أداء ICCV هذا العام في عدد من الصحف الصينية جيدة دائما، لكنه قليلا آسف على الجوائز، لك، كعضو من الباحثين الصينيين، وكيفية تقييم الأداء الكلي للصينيين في هذا الاجتماع على؟

لوه: العديد من الصحف عدد من الباحثين الصينيين، ونوعية جيدة جدا أيضا. أفضل ورقة الترشيح ورقة مثل الفائز الأول ( "أكبر نورم أكثر للتحويل: والتكيف ميزة نورم مدخل للبدون اشراف المجال التكيف") جاء من المنتخب الصيني، والفريق الآخر حيث رقة كاي مينغ ( "ديب هوغ التصويت للكشف عن وجوه 3D في نقطة الغيوم ") فاز أيضا أفضل ورقة الترشيح.

في نفس الوقت، ورشة عمل ICCV الكثير هذا العام والتي هي المنظمات الصينية. على سبيل المثال، هذا العام ونحن كما نظمت تحت عنوان "دراسة متعمقة الإحصائية" ورشة عمل، لاستكشاف كيفية تفسير الشبكة العصبية من مستوى أعمق. هذا هو واحد من أكبر ICCV رشة العمل.

AI تكنولوجي ريفيو: التي تقوم بها في دراسة متعمقة لرؤية الكمبيوتر وسلسلة من الإنجازات الرائدة، على سبيل المثال، في عام 2012، بدأت لمعرفة عمق للمشاة، وجها تجزئة ومناطق الوجه مثل جيل، وانت تعرف متى تبدأ به هذا الاتجاه البحث؟ وكان يقوم على فرصة لاختيار هذا النوع من البحوث؟

Luoping : في عام 2011 بدأنا القيام التعلم العميق، حقا تبدأ في وقت مبكر. يعتبر فريق المعلم Tangxiao أويحيي كأول الدراسة والبحث من فريق آسيوي مجال الرؤية الحاسوبية في العمق. بدأت القيام به هو توليد وجها إنسانيا، والوقت GAN مقارنة طرحها في عام 2014، قبل ذلك بكثير، فقد تم تصميم وظيفتي الأولى في عام 2011 للسماح للمن تسديدة مباشرة من جانب استعادة الصورة كصورة إيجابية في وجهه.

I اويانغ المعلم هو السيد تانغ انلى المجموعة في أول شخصين للقيام عمق التعلم، وهو مدرس في قسم هندسة المعلومات حيث الحساء، مدرس آخر في قسم الهندسة الإلكترونية وانغ شياو قانغ، وهذا هو خط من الناس في محاولة لجعل التعلم العميق، في ذلك الوقت، وهما فقط من الولايات المتحدة في محاولة، لأننا لا نعرف ما هو عمق التعلم وما يمكن القيام به.

ونحن أيضا لم تبدأ بمحاولة الشبكة العصبية استخدام الإلتواء، لأننا بدأنا تولي اهتماما لللشبكة العصبية الإلتواء، في الواقع، حققت نجاحا كبيرا في عام 2012 في وقت لاحق البطولة ImageNet. أو بعض من أقرب الأمثلة على مثل هذه النماذج عندما نستخدم آلة بولتزمان، وإنشاء هذا النموذج تجزئة للعمل الوجه الإنساني ومواجهة نتائج جيدة، ثم المجموعة بأكملها يمكن أن تأتي أيضا أن ندرك أن هذا ينبغي أن يكون اعدة جدا باتجاه البحث.

ومن المثير للاهتمام، لدينا 2014 (NerulPS سميت بعد) NIPS نشرت في العمل هو عمل المولدة الوجه، يمكن أن شبكة إدخال أي زاوية من الوجه والانتاج البشري في أي وجه زاوية في حين صدر GAN أيضا في عام 2014 .

في السنوات الأخيرة، والتركيز نظري الشخصية تحولت ببطء وتعلم بعض التحليلات عمق الأساسي للشبكات العصبية، مثل تبييض والتطبيع، وتحسين شبكة مسار واحد عن طريق بناء بحث منظم والعمليات الأساسية الأخرى مساحة للاختلاف مستمر.

AI تكنولوجي ريفيو: خلال الطبيب وأستاذ من Tangxiao أويحيي وانغ شياو قانغ، اثنين من المدرسين كيفية تقييم أثر البحوث في حياتك المهنية؟

لوه: المعلم خلال بلدي شهادة الدكتوراه المعلمين Tangxiao أويحيي وانغ شياو قانغ والمعلمين، أحضروا لي تأثير كبير جدا، بدءا من الموضوعات ذات التجربة لأسلوب الكتابة، واحتياجات البداية إلى أن تتحسن عن طريق التعلم والتقليد.

وحضر في وقت لاحق لقاءات مختلفة كثيرة، مثل CVPR، يمكن قراءة عدد كبير جدا من أنماط مختلفة من الورق على ICML، من خلال التعلم المستمر وثم تطورت تدريجيا أسلوبه الخاص، على سبيل المثال، لدينا فريق ورقتي التي نشرت مؤخرا في ICLR2019 في ICML2019 نشرت ورقة، فهي قادرة على عكس بعض من نمط واتجاه بحثنا تشكلت تدريجيا.

الكل في الكل، السيد تانغ مع وانغ جلبت لي التأثير، ويمكن استخدام "عيد الشكر" كلمة لتلخيص.

AI تكنولوجي ريفيو: عليك أن تدرك أن نشر أكثر من 70 بحثا علميا في خمس سنوات، واستشهد الباحث العلمي من Google 8000 أضعاف الإنجازات الأكاديمية كبيرة من جيل الشباب من الباحثين، من وجهة نظر أكاديمية، ما الجيل الأصغر سنا تجربة لباحثين آخرين أو حصة منهجية يمكن وهو يفعل؟

لوه: بالنسبة لبعض الطلاب، وأود أن أذكر نصيحة صغيرة: ليس محاولة لالتقاط بعض الفاكهة الغنية شنقا منخفضة.

بعض الدراسات قد تحملت ثمرة أكثر نضجا، وتزايد في موقف منخفضة نسبيا، يمكن للطلاب الوصول اليها بسهولة جدا، ولكن حتى إذا كانت تلك الصحف نشرت من التأثير لن يكون كبيرا، والآن تنشر الطلاب العدد المتزايد من الأوراق، كما هو الحال عندما نعترف المتقدمين الدكتوراه، بالإضافة إلى نظرة على عدد من الأبحاث المنشورة في الجزء العلوي من الاجتماع، كما أن يشير إلى بحث حقيقي - يقول الدراسات رقة مسألة ما إذا كان هناك ما يكفي التحدي، سواء موضوعات متنوعة، وأساليب، وكفاية الابتكار.

وأخيرا، ونعلق ورقة يتم تضمين 7 مقدمة الأستاذ لوه ICCV2019:

1، والرؤية التي غرست في أعماق الصوت Inpainting

خلاصة القول: "تصور متعدد الوسائط" الذكاء التفاعلي هو ضروري لتحقيق التنمية. في هذا العمل رومانيا المساواة بين الناس، واقترحوا مهمة جديدة، وهي استخدام المعلومات المصاحبة إصلاح الفيديو فقدت مقطع صوتي.

ويشير كاتبو التقرير سؤالين رئيسيين: (1) لتشغيل الطيفية، بدلا من العمل على الصوت الأصلي، والطريقة الوحيدة لتحقيق أقصى استفادة من آخر التطورات عمق استعادة صورة الدلالي، لتكون قادرة على تجاوز استعادة الصوت التقليدية القيود، (2) للحصول على دليل صوتي في الفيديو المركب، تحتاج إلى الصوت تزامن والتعلم الفيديو، والوصول إلى الصوت ميزة المشترك والفيديو.

من أجل تسهيل دراسة واسعة النطاق، جمعت الكتاب جديد متعدد الوسائط العازف بيانات MUSIC-ExtraSolo (MUSICES). انهم من خلال عدد كبير من التجارب تبين أن الإطار المقترح من قبل المؤلفين يمكن أن يكون مع أو بدون بيئة بصرية، وإصلاح الواقع وتغيير مقطع الصوت. الأهم من ذلك أن تركيب مقاطع الفيديو ومقاطع الصوت متناسقة. في كود الحالي، بذلت مجموعات البيانات والنتائج العامة.

• رابط الموارد: الشبكي: //hangz-nju-cuhk.github.io/projects/AudioInpainting

2، مرة واحدة في MAN: نحو متعدد الهدف هجوم عن طريق التعلم متعدد الهدف شبكة الخصومة مرة واحدة

الخلاصة: الشبكات العصبية عمق الحديثة عينات المواجهة عادة الضعيفة، مع أول هجوم الطريقة الأمثل على أساس المقترح، ثم هناك عدد من الطرق لتحسين أداء وسرعة الهجوم وقد اقترح عليه. في السنوات الأخيرة، تم إنشاء طريقة استنادا اهتماما واسع النطاق لأنها feedforward الشبكة مباشرة توليد عينة المواجهة، وبالتالي تجنب تستغرق وقتا طويلا وطريقة الأمثل على أساس الهجمات التدرج أساس عملية تكرارية. ومع ذلك، اعتمادا على الطرق الحالية ولدت يمكن أن تهاجم فقط هدفا محددا (أو فئات) في نموذج، فإنها لا تنطبق على فئات وعادة ما يكون مئات أو آلاف من نظام تصنيف الحقيقي.

في هذه المقالة، يقترح المؤلفون متعدد الهدف ضد شبكة (متعدد الهدف الخصومة الشبكة، MAN)، يمكن للشبكة استخدام جيل نموذج واحد متعدد الأهداف عينة المواجهة. التي يحددها معلومات الفئة إلى ميزة المتوسطة (ميزات المتوسطة)، يمكن للنموذج مهاجمة أي فئة من نموذج تصنيف الكائن أثناء التشغيل.

تبين التجارب، MAN النموذج المقترح يمكن أن تنتج أكثر من معظم سيلة متقدمة لهجوم قبل تأثير البعثات هجوم متعدد الاهداف والبعثات الهجوم في هدف واحد، ولها على الانتقال أفضل. المؤلفون زيادة استخدام عينة المواجهة MAN لدت لتحسين متانة نموذج التصنيف. عندما تتعرض لهجوم بطرق مختلفة، وأنه يمكن الحصول على دقة تصنيف أفضل من الطرق الأخرى.

3، للتحويل التبييض لديب التمثيل التعلم

الخلاصة: موحدة الطرق التي تشكل جزءا أساسيا الشبكة العصبية التلافيف (CNN) هو. أنها تستخدم مجموعة معرفة مسبقا من بكسل تقدر البيانات الإحصائية لبيانات موحدة أو تبييض. وتقنيات تطبيع للقيام بمهام محددة تصميم مختلف الأعمال القائمة، اقترحت الكتاب للتبديل البيضاء (للتحويل التبييض، SW)، الذي يوفر شكلا شائعا من أساليب موحدة وموحدة طرق تبييض مختلفة.

SW التعلم نهاية إلى نهاية الطريقة بين عمليات التحول، فإنه ديها العديد من المزايا:

• أولا، SW مهام مختلفة اختيار بتكيف تبييض الصحيح أو بيانات إحصائية موحدة، مما يجعلها مثالية لمجموعة واسعة من المهام دون الحاجة إلى تصميم يدويا.

• ثانيا، من خلال مزايا التكامل بين أدوات موحدة مختلفة، تواصل SW تظهر تحسنا مقارنة مع منتجات مماثلة في مجموعة متنوعة من المعايير التحدي.

• ثالثا، SW البيضاء هو فهم وتوحيد الخصائص التقنية أداة مفيدة.

ورقة، والكتاب تجلى أيضا في SW تصنيف الصور (CIFAR-10/100، ImageNet)، وتجزئة الدلالية (ADE20K، مناظر المدينة)، مجال التكيف (GTA5، مناظر المدينة)، وتحويل نمط صورة (COCO) متفوقة على بدائل أخرى. على سبيل المثال، لا يتوهم (أجراس وصفارات) حالة، مجموعة البيانات قد يصل إلى أداء ADE20K من 45.33 mIoU.

كود المنشورة: الشبكي: //github.com/XingangPan/Switchable-Whitening

4، CamNet: الخشنة إلى غرامة استرجاع للكاميرا إعادة التوطين

الخلاصة: في الروبوتات والقيادة الآلية وغيرها من التطبيقات، ونقل الكاميرا هو مهمة هامة والتحدي. مؤخرا، تم اعتبار استرجاع أساس اتجاه واعدة، لأنها يمكن أن تمتد بسهولة إلى مشهد جديد. في هذه الورقة المذكورة في الكتاب، وجدوا أن أداء الاختناقات الطريقة السابقة، وذلك لأن وحدة استرجاع. استخدام هذه الأساليب نفس الميزة لاسترداد وعودة مهمة الموقف النسبية، التي قد يكون هناك تعارض في الدراسة.

ولهذه الغاية، يقترح المؤلف العميق الخشنة على أساس إطار التعلم إلى غرامة (استرجاع الخشنة إلى غرامة) البحث. يتكون الإطار ثلاث خطوات: 1) استرجاع صورة استنادا على الخام؛ 2) استرجاع استنادا غرامة فتة؛ 3) دقيقة النسبي الموقف الانحدار.

باستخدام هذه الوحدة بحث مصممة تصميما جيدا، يمكن أن مهمة الانحدار النسبي موقف تكون بسيطة للغاية. عينة من تصميم مع الكثير من معايير أخذ العينات الأجهزة الجديدة واسترجاع فقدت البحث على مرحلتين لتحديد الموقف المناسب ولاية العائد النسبي. تظهر عدد كبير من التجارب أن هذا النموذج (CamNet) على مجموعات البيانات الداخلية والخارجية بشكل أفضل بكثير من أحدث الأساليب.

5، والأزياء واسترجاع عبر شبكات المنطق الرسم البياني على التشابه الهرم

الخلاصة: الملابس الصور المطابقة من عملاء متجر على شبكة الإنترنت، ولها تطبيقات واسعة في مجال التجارة الإلكترونية. التقليدية صورة الترميز الخوارزمية ناقلات ميزة العالمية، واستخدام التمثيل العالمي استردادها. ومع ذلك، فقد غرق المعلومات على الملابس التمييزية المحلية، ولكن في هذا التمثيل العالمي، مما أدى إلى ضعف الأداء.

الشكل المنطق باستخدام التشابه العالمية ومقارنة التشابه في الهرم

لحل هذه المشكلة، يقترح المؤلفون هرم جديد يقوم على تشابه شبكة نظرية الرسم البياني (GRNET)، خوارزمية التعلم للتشابه بين الاستعلام واستخدام المكتبة عن طريق التمثيل العالمي والمحلي على نطاق ومتعددة. FIG التشابه يمثله تشابه الهرم (الرسم البياني التشابه)، حيث تمثل العقد التشابه بين نسب مختلفة من الملابس التجمع، وينتقل الرسالة نتيجة المباراة النهائية على طول الحواف التي تم الحصول عليها.

في GRNET، حل الإلتواء من خلال تدريب وجهة نظر مخطط الشبكة من المنطق، والتي يمكن أن تكون محاذاة مكونات الملابس بارزة لتحسين استرجاع الملابس. من أجل تسهيل البحث المستقبل، قدم المؤلفون FindFashion المؤشر الجديد، الذي يحتوي على المربع المحيط، وجهات النظر، ومنع وقطع من الشروح الغنية.

تبين التجارب أن، الحصول على أحدث GRNET أحدث النتائج على اثنين تحدي المرجعية، على سبيل المثال، لزيادة DeepFashion دقة الجبهة، أعلى 20 وأعلى 50-26، 64 و 75 (تحسين المطلق وكانت معدلات 4 و 10 و 10)، وأفضل من المنافسة على حافة هوامش كبيرة) جوانب كبيرة (. على FindFashion، يتم إجراء تجربة GRNET في جميع الأماكن تحسينات كبيرة.

6 قنوات للاختلاف التعلم إلى المجموعة عبر الشبكات العصبية التلافيف Groupable

الخلاصة: وتنقسم ConvNets تضم قنوات الإلتواء الى عدة مجموعات، مقارنة مع عملية التفاف التقليدية، جعلت من تحسينات ملحوظة. ومع ذلك، فإن النماذج الحالية (على سبيل المثال ResNeXt) منذ عدد من المجموعات يتم تعريف ثابت يدويا في جميع الطبقات، لذلك سيكون هناك أوقات ابتليت الأداء الأمثل.

استراتيجيات مختلفة الإلتواء، حيث تمثل الدوائر الزرقاء المدخلات ويمثل خط الانتاج اتصال بينهما.

لحل هذه المشكلة، يقترح المؤلف دينامية جديدة من خلال استخدام حزمة التفاف (DGConv) عملية يمكن تصنيفها التفاف بنيت شبكة (GroupNet)، التي يمكن أن تكون نهاية لهذه الغاية لمعرفة عدد الحزم. هذا النهج لديه العديد من المزايا: (1) على DGConv والإلتواء موحد يمثل، ويغطي العديد من عملية التفاف التقليدية، مثل الالتواء كثيفة التقليدية، والالتواء ومجموعة عمق الإلتواء، (2) DGConv هو عملية صغيرة ومرنة، ويمكن أن تتعلم من البيانات التدريب على أداء التفاف مختلف، (3) بعد أن علم التدريب GroupNet DGConv كميات مختلفة لمجموعات مختلفة من طبقات الإلتواء.

تبين التجارب أن GroupNet من ResNet وResNeXt من حيث الدقة والتعقيد الحسابي. أجرى المؤلفون أيضا التأمل الأول (الاستبطان) وتظهر الدراسات استنساخ عدد من تدريب ديناميكية التعلم المجموعة.

7، ديب التعلم الذاتي من تسميات صاخبة

الخلاصة: بيانات نظيفة من التدريب، ويمكن ConvNets تحقيق نتائج جيدة، ولكنها سوف يقلل كثيرا من أداء التعلم من التسمية صاخبة، هذه المسألة لا تزال مشكلة التحدي.

مقيدة من قبل عدد من ظروف العمل (على سبيل المثال، فإن النموذج لا يسمح لحالة الضوضاء الفعلية) مختلفة، ورقة عمل تقترح إطارا للتعلم الذاتي عمق الرواية، ودون إشراف إضافي للتدريب على مجموعات البيانات صاخبة حقيقية شبكة قوية.

طريقة رقة المقترحة ديها العديد من المزايا الجذابة: (1) مع معظم العمل القائمة، فإنه لا تعتمد على أي توزيع التسمية على افتراض الضوضاء، بحيث يكون قويا إلى الضوضاء الفعلي؛ (2) لا واقترحت (3) إطار للتعلم الذاتي، ونهاية لهذه الغاية على نحو متكرر لتدريب الشبكة، والتي هي فعالة جدا وفعالة؛ والحاجة إلى إشراف نظيفة شبكة إضافية أو المساعدة لمساعدة القطار.

التجارب التي أجريت على المرجعية (على سبيل المثال Clothing1M وFood101-N) وتحدي المعرض، كل تجربة في الخلفية، والتي هي أفضل من طريقة مماثلة.

المقابلة المواد يمكن الوصول إليها الأستاذ لوه الشخصية الصفحة الرئيسية: http: //luoping.me/publication

لى فنغ صافي الاختيار السنوي - العثور على أفضل الممارسات الهبوط AI من 19 الصناعات الرئيسية

تأسست في عام 2017، و "القائمة السنوية أفضل الأحوال AI ناجتس" الأولى الذكاء الاصطناعي حالة الأعمال المسابقة في هذه الصناعة. شبكة لى فنغ من البعد التجاري، والبحث عن الذكاء الاصطناعي في مختلف قطاعات أفضل الممارسات الهبوط.

وقد تم إطلاق الجائزة الثالثة رسميا، والانتباه إلى عدد الجمهور قناة الصغرى "شبكة لى فنغ"، أجاب الكلمة "قائمة" للمشاركة في التسجيل. هي التفاصيل المتاحة من مايكرو إشارة: xqxq_xq