深度神经网络训练的必知技巧

发表于:08/27/2018 , 关键词:
作者:章华燕 编辑:李文臣 本文主要介绍8种实现细节的技巧或tricks:数据增广、图像预处理、网络初始化、训练过程中的技巧、激活函数的选择、不同正则化方法、来自于数据的洞察、集成多个深度网络的方法。 1、数据增广 在不改变图像类别的情况下,增加数据量,能提高模型的泛化能力。

8个经过证实的方法:提高机器学习模型的准确率

发表于:08/27/2018 , 关键词:
我从实践中学习了到这些方法。相对于理论,我一向更热衷于实践。这种学习方式也一直在激励我。本文将分享 8 个经过证实的方法,使用这些方法可以建立稳健的机器学习模型。希望我的知识可以帮助大家获得更高的职业成就。 导语 提升一个模型的表现有时很困难。如果你们曾经纠结于相似的问题,那我相信你们中很多人会同意我的看法。你会尝试所有曾学习过的策略和算法,但模型正确率并没有改善。你会觉得无助和困顿,这是 90... 阅读详情

基于“视频图像”的人脸识别算法

发表于:08/27/2018 , 关键词:
一个典型的基于视频图像的人脸识别系统一般都是自动检测人脸区域,从视频中提取特征,最后如果人脸存在则识别出人脸的身份。在视频监控、信息安全和出入控制等应用中,基于视频的人脸识别是一个非常重要的问题,也是目前人脸识别的一个热点和难点。基于视频比基于静态图像更具优越性,因为 Bruce 等人和 Knight 等人已证明,当人脸被求反或倒转时,运动信息有助于(熟悉的)人脸的识别。... 阅读详情

【盘点】掌握机器学习的5条必由之路

发表于:08/24/2018 , 关键词:
作者:Jason Brownlee 译者:刘小芹 【导读】作者在本文提出一种5步入门并应用机器学习的方法。它不是传统的方法。传统的机器学习方法提倡从下往上学,先从理论和数学开始,然后是算法实现,最后让你去解决现实世界的问题。 作者提倡的掌握机器学习的方法与传统方法相反,是从最有价值的成果部分开始。 目标是得到有商业价值的成果:怎样得出结果。 这个结果以一系列预测或能进行可靠预测的模型的方式呈现... 阅读详情

使用dlib中的深度残差网络(ResNet)实现实时人脸识别

发表于:08/24/2018 , 关键词:
opencv中提供的基于haar特征级联进行人脸检测的方法效果非常不好,本文使用dlib中提供的人脸检测方法(使用HOG特征或卷积神经网方法),并使用提供的深度残差网络(ResNet)实现实时人脸识别,不过本文的目的不是构建深度残差网络,而是利用已经训练好的模型进行实时人脸识别,实时性要求一秒钟达到10帧以上的速率,并且保证不错的精度。opencv和dlib都是非常好用的计算机视觉库,... 阅读详情

彻底理解数字图像处理中的卷积——以Sobel算子为例

发表于:08/24/2018 , 关键词:
卷积在信号处理领域有极其广泛的应用,也有严格的物理和数学定义。本文只讨论卷积在数字图像处理中的应用。 在数字图像处理中,有一种基本的处理方法:线性滤波。待处理的平面数字图像可被看做一个大矩阵,图像的每个像素对应着矩阵的每个元素,假设我们平面的分辨率是 1024 * 768,那么对应的大矩阵的行数= 1024,列数=768 。 用于滤波的是一个滤波器小矩阵(也叫卷积核),滤波器小矩阵一般是个方阵,... 阅读详情

一文了解什么是语义分割及常用的语义分割方法有哪些?

发表于:08/24/2018 , 关键词:
语义分割是计算机视觉中的基础任务,我们通常会使用基于 CNN 加 CRF 的方法或直接使用对抗性的训练实现端到端的分割。本文简要介绍了这两种方法及它们的特点。 人类是如何描述场景的?我们可能会说「窗户下有一张桌子」,或者「沙发右边有一盏灯」。图像理解的关键在于将一个整体场景分解成几个单独的实体,这也有助于我们推理目标的不同行为。 当然,目标检测方法可以帮助我们绘制某些确定实体的边框,... 阅读详情

机器学习算法——聚类

发表于:08/24/2018 , 关键词:
聚类属于无监督学习,事先不知道数据会分为几类,通过聚类分析将数据聚合成几个群体。聚类是不需要对数据进行训练和学习的。主要的聚类算法有K-Means和DBSCAN。 K-Means算法的基本原理比较简单: 1.指定K值(数据要分成的簇的数目),并指定初始的k个质心; 2.遍历每个数据点,计算其到各个质心的距离,将其归类到距离最近的质心点; 3分类完毕后,求各个簇的质心,得到新的质心点; 4.... 阅读详情

深度学习的目标检测技术演进:R-CNN、Fast R-CNN、Faster R-CNN

发表于:08/23/2018 , 关键词:
object detection我的理解,就是在给定的图片中精确找到物体所在位置,并标注出物体的类别。object detection要解决的问题就是物体在哪里,是什么这整个流程的问题。然而,这个问题可不是那么容易解决的,物体的尺寸变化范围很大,摆放物体的角度,姿态不定,而且可以出现在图片的任何地方,更何况物体还可以是多个类别。 object detection技术的演进: RCNN->... 阅读详情

人工智能和物联网时代,这十大良机不可错过!

发表于:08/23/2018 , 关键词:
近日,SAP针对网络经济未来发展趋势公布的研究报告《未来网络经济的99个趋势》显示,大数据、智能助手、共享经济等将成为未来网络经济的热门关键词。 1、到2020年,平均每个人都会与机器人有更多的对话。 值得注意的是,就在今年CES世界消费电子展上,多家科技公司推出了服务型机器人,其中一款Aeolus公司的家用服务机器人也是出尽风头,它不仅能够做为一个家庭保姆,干擦地板擦家具的脏活累活,... 阅读详情

机器学习和对抗性人工智能会是新的内部威胁吗

发表于:08/23/2018 , 关键词:
​机器学习和人工智能正在从概念验证程序转变为功能性企业基础架构。随着对这些技术的资金支持不断攀升,可以预见人工智能的普及是不可避免的。 机器学习(ML)和人工智能(AI)正在从概念验证程序转变为功能性企业基础架构。随着对这些技术的资金支持不断攀升,可以预见人工智能的普及是不可避免的。 但是数字智能的应用带来了新的风险:IT专家面对这急剧的变化,有些无所适从,而网络犯罪分子正在想方设法入侵新工具... 阅读详情

一种新的CNN网络可以更高效地区分自然图像&生成图像

发表于:08/23/2018 , 关键词:
传统的肉眼识别方法是很难直接识别出 NIs (自然图像) 和 CG (计算机生成的图像)。本文中提出了一种高效的、基于卷积神经网络 (CNN) 的图像识别方法。通过大量的实验来评估模型的性能。实验结果表明,该方法优于现有的其他识别方法,与传统方法中采用 CNN 模型来识别图像,此方法还能借助高级可视化工具。

机器学习萌新必学的Top10算法

发表于:08/22/2018 , 关键词:
在机器学习中,有一种叫做「没有免费的午餐」的定理。简而言之,它指出没有任何一种算法对所有问题都有效,在监督学习(即预测建模)中尤其如此。 例如,你不能说神经网络总是比决策树好,反之亦然。有很多因素在起作用,例如数据集的大小和结构。 因此,你应该针对具体问题尝试多种不同算法,并留出一个数据「测试集」来评估性能、选出优胜者。 当然,你尝试的算法必须适合你的问题,也就是选择正确的机器学习任务。打个比方... 阅读详情

19个AI热门应用领域,你知道多少?

发表于:08/22/2018 , 关键词:
1. 自然语言生成(Natural Language Generation) 自然语言生成是人工智能的分支,研究如何将数据转化为文本,用于客户服务、报告生成以及市场概述。 2. 语音识别(Speech Recognition) Siri就是一个典型的例子。 目前,通过语音应答交互系统和移动应用程序对人类语言进行转录的系统已多达数十万。 3. 虚拟助理(Virtual Agents)... 阅读详情

补完安全系统,或许是无人驾驶技术的关键一环

发表于:08/22/2018 , 关键词:
在这篇文章开始之前,我们先提出一个问题:如果未来你以为的无人驾驶,在某个浑然不觉的时间段里实际上是有人驾驶,你会不会觉得毛骨悚然? 这并不是危言耸听。汽车从原始的纯机械工业产品变得越来越电子化、网络化,正如手机从原始的大哥大功能机接入网络、App,迈入智能机时代。手机包括一切网络接入设备所面临的安全问题,也将毫无疑问地出现在汽车身上。 如你所想,我们在这里要说的安全,是系统安全。 但与手机、... 阅读详情