开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何处理深度学习模型中的“未知类”

在深度学习模型中，处理"未知类"的方法可以通过以下步骤进行：

异常检测（Outlier Detection）：通过对模型输入数据进行异常检测，识别出与已知类别不同的样本。常用的异常检测方法包括基于统计的方法（如均值和标准差）、基于距离的方法（如K近邻算法）和基于密度的方法（如LOF算法）等。
半监督学习（Semi-Supervised Learning）：利用已知类别的样本和未标记的样本进行训练，通过学习未标记样本的分布特征来识别未知类别。半监督学习方法包括自编码器（Autoencoder）、生成对抗网络（GAN）和变分自编码器（VAE）等。
异常类别检测（Novelty Detection）：通过训练模型来识别已知类别，然后将未知类别视为异常类别。常用的异常类别检测方法包括单类支持向量机（One-Class SVM）和孤立森林（Isolation Forest）等。
集成学习（Ensemble Learning）：通过组合多个模型的预测结果来提高未知类别的识别准确性。常用的集成学习方法包括投票法（Voting）、堆叠法（Stacking）和提升法（Boosting）等。
主动学习（Active Learning）：通过选择最具信息量的样本进行标注，以提高模型对未知类别的识别能力。主动学习方法包括不确定性采样（Uncertainty Sampling）和多样性采样（Diversity Sampling）等。

对于处理"未知类"的问题，腾讯云提供了一系列相关产品和服务：

腾讯云机器学习平台（https://cloud.tencent.com/product/tccli）：提供了丰富的机器学习算法和模型训练、部署的功能，可用于构建深度学习模型。
腾讯云图像识别API（https://cloud.tencent.com/product/ai）：提供了图像识别和分类的能力，可用于识别已知类别和未知类别。
腾讯云自然语言处理API（https://cloud.tencent.com/product/nlp）：提供了文本分类和情感分析等功能，可用于处理文本数据中的未知类别。
腾讯云数据安全产品（https://cloud.tencent.com/product/ds）：提供了数据安全和隐私保护的解决方案，可用于保护深度学习模型中的数据和模型。

请注意，以上仅为腾讯云提供的部分相关产品和服务，具体选择和使用需根据实际需求进行评估和决策。

相关搜索:深度学习模型中的投票集成深度学习模型在Keras中的实现基于深度学习的图像处理在训练深度学习模型时，如何处理大型csv文件？复杂模式REcognition的深度学习模型推荐的序列补全深度学习模型深度学习模型损失函数中的输入数据如何在jni中加载深度学习模型基于深度学习的图像处理技术深度学习:如何处理丢失的标签值深度学习中的StackEnsemble 深度学习NLP：“高效”的BERT类实现？如何构建深度学习图像处理服务器深度学习模型训练非常慢的Jetson Nano 加载深度学习模型时出现的问题(Python)如何在python中加载在matlab中训练的深度学习模型理解torch7深度学习框架中定义的模型如何从MATLAB深度学习模型转换为Keras代码如何在Python中保存所有深度学习模型参数？如何定义深度学习中的回调？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

ICML2020 | 南大周志华教授组：一个高效安全的深度半监督学习模型

ICML 2020投稿中，周志华教授组发表的一篇有关深度半监督学习的论文引发热议。

02

AI的下一个台阶——识别未知分类（ZSL方法）

摘要：目前AI在图片分类方向已经做得非常优秀，有的甚至超过人类。但是，这仅仅限于模型经过已知样本的学习。令模型像人一样具有推理能力，通过已知样本可以对未知分类进行识别，这将是未来的一个主要方向，也是AI技术智能化的下一个台阶。

03

ICCV何恺明团队又一神作：Transformer仍有继续改善的空间

点击上方蓝字关注我们计算机视觉研究院专栏作者：Edison_G 一个简单、渐进、但必须知道的基线：用于Vision Transformer的自监督学习。尽管标准卷积网络的训练方法已经非常成熟且鲁棒，然而ViT的训练方案仍有待于构建，特别是自监督场景下的训练极具挑战。公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式关注并星标从此不迷路计算机视觉研究院 1 背景在今天分享恺明团队新推出的自监督学习+Transformer=MoCoV3之前，我想和大家分享下

03

解释和改进安全应用中基于深度学习的异常检测

异常检测在工业生产有着广泛的应用，如攻击 / 入侵检测、系统运维检测、异常行为分析等等。近年来，基于深度学习的异常检测算法被提出并展现了良好的性能，相较于传统的异常检测算法，其主要优势是可以从更多的数据中更好地学习非线性的复杂特征。然而，缺乏可解释性仍旧是在实践中采用深度学习模型的重大障碍之一。现有的解释方法通常用于监督学习模型，而无监督的深度学习模型通常无法满足异常检测的可解释需求。

02

工业缺陷检测深度学习方法综述

基于深度学习的工业缺陷检测方法可以降低传统人工质检的成本，提升检测的准确性与效率，因而在智能制造中扮演重要角色，并逐渐成为计算机视觉领域新兴的研究热点之一。其被广泛地应用于无人质检、智能巡检、质量控制等各种生产与运维场景中。

05

澎思科技资深算法研究员罗伯特：有限算力资源下的深度学习与人脸识别

Robert Lorenz（德国籍），澎思科技资深算法研究员，德国柏林洪堡大学数学系博士，致力于人脸检测、人脸跟踪和人脸质量判断等领域的技术研发，尤其擅长模型构建和模型优化。其研究成果已经应用于澎思科技多种人脸识别软件平台和硬件产品中。同时也致力于视频结构化算法的研究和开发，负责数个子研究课题的攻坚工作。

03

悉尼大学最新综述 | 深度学习图像抠图（近10年200+相关工作）

Arxiv 链接：https://arxiv.org/abs/2304.04672

02

读书笔记：第一章绪论

深度学习问题，是指从有限样例中通过算法总结出一般性的规律，并可以应用到新的未知数据上。

03

深度学习如何解决生物调试问题？

【编者按】深度学习在近几年实现了巨大的突破，而这一方法也被应用到越来越多的领域，用于解决过去在这些领域难以解决的问题。可以预见，在未来的科研中“深度学习+学科应用”将得到更广阔的应用，人工智能和深度学习方法也会变成我们生活和科研中水和电一样随处可见的东西。本文就是深度学习在生物科学领域应用的一个例子，原文刊载于20n.com，雷锋网特此编译全文，供读者参考。生物学现在面临着调试的困难。生化系统（细胞）很复杂，深入研究它是十分有意义的。观察你所了解的化合物是很有难度的，想要看到未知的化学变化就更难了。调试问

05

深度学习的类增量学习算法综述

近年来, 深度学习模型在众多领域取得了广泛成功. 现有的深度学习模型大多部署在静态环境下, 依赖提前收集好的数据集进行离线训练, 模型一经确定, 便无法进一步更新. 然而, 现实中开放动态的环境往往存在以流形式不断到来的数据, 包括随时间演进不断产生的新类别数据. 因此, 理想的机器学习模型应能够从流式数据中不断学习新类, 从而增强自身的判别能力. 这样的学习范式被称作“类别增量学习”(class-incremental learning), 且近年来已成为机器学习领域的研究热点。扩展阅读：机器学习模型迭代方法(Python)

03

下一代深度学习的思考

背景：焦李成院士受邀在“一带一路”人工智能大会上做了主旨报告(文末可下载)，探讨了下一代深度学习的思考与若干问题

01

【NSR特别专题】徐宗本孙剑：模型驱动的深度学习

编者按：《国家科学评论》于2018年1月发表“机器学习”特别专题，由周志华教授组织并撰写文章。专题内容还包括对AAAI前主席Tom Dietterich的访谈，徐宗本院士、杨强教授、朱军博士、李航博士、张坤博士和Bernhard Scholkopf等人的精彩文章。

03

学界 | 深度学习算法全景图：从理论证明其正确性

选自arXiv 机器之心编译参与：蒋思源、黄小天论文地址：https://arxiv.org/abs/1705.07038 本论文通过理论分析深度神经网络群体风险（population risk

05

从0到1，这篇深度学习综述送给你！

源 | 机器之心自 2012 年多伦多大学 Alex Krizhevsky 等人提出 AlexNet 以来，深度学习作为一种机器学习的强大方法逐渐引发了今天的 AI 热潮。随着这种技术被应用到各种不同领域，人们已经开发出了大量新模型与架构，以至于我们无法理清网络类型之间的关系。近日，来自 University of Dayton 的研究者们对深度学习近年来的发展历程进行了全面的梳理与总结，并指出了目前人们面临的主要技术挑战。小编觉得这是一份非常详细的综述论文，既适合从零开始了解深度学习的人，又适合有基础的

07

从起源到具体算法，这是一份适合所有人读的深度学习综述论文

选自arXiv 作者：Md Zahangir Alom 等机器之心编译参与：白妤昕、黄小天、李泽南自 2012 年多伦多大学 Alex Krizhevsky 等人提出 AlexNet 以来，「深度学习」作为一种机器学习的强大方法逐渐引发了今天的 AI 热潮。随着这种技术被应用到各种不同领域，人们已经开发出了大量新模型与架构，以至于我们无法理清网络类型之间的关系。近日，来自 University of Dayton 的研究者们对深度学习近年来的发展历程进行了全面的梳理与总结，并指出了目前人们面临的主要技

从起源到具体算法，这篇深度学习综述论文送给你

来源：机器之心本文为大家从最基础的角度来为大家解读什么是深度学习，以及深度学习的一些前沿发展。自 2012 年多伦多大学 Alex Krizhevsky 等人提出 AlexNet 以来，深度学习作为一种机器学习的强大方法逐渐引发了今天的 AI 热潮。随着这种技术被应用到各种不同领域，人们已经开发出了大量新模型与架构，以至于我们无法理清网络类型之间的关系。近日，来自 University of Dayton 的研究者们对深度学习近年来的发展历程进行了全面的梳理与总结，并指出了目前人们面临的主要技术挑战。

04

分布式深度学习GPU管理之Tiresias

给一个庞大的GPU集群，在实际的应用中，现有的大数据调度器会导致长队列延迟和低的性能，该文章提出了Tiresias，即一个GPU集群的调度器，专门适应分布式深度学习任务，该调度器能够有效率的调度并且合适地放置深度学习任务以减少他们的任务完成时间（JCT(Job Completion Time)），一个深度学习任务执行的时间通常是不可预知的，该文章提出两种调度算法，基于局部信息的离散化二维Gittins索引(Discretized Two Dimensional Gittins index)以及离散化二维LAS，对信息不可知并且能够降低平均的JCT，在实验中JCT能够快5.5倍，相比于基于Apache YARN的资源管理

05

机器人视觉中的独特挑战

本文来自于《The Limits and Potentials of Deep Learning for Robotics》，该论文是从2016年的机器人技术大会（RSS）上的特邀演讲者和 "The Limits and Potentials of Deep Learning for Robotics "研讨会的组织者提供的想法和观点中整理的。

05

从2019 AI顶会最佳论文，看深度学习的理论基础

如果能有一种理论告诉我们什么样的模型架构、运算方式能最好地表示某种数据，什么样的损失函数、迭代方式能最高效地学习到某种能力，什么样的设置又使这种能力能处理各种意外情况。那么，这样的深度学习，乃至机器学习，才是理论基础圆润的大学科。

01

人工智能的下一个前沿：识别“零”和“无”

声明：本文为客座文章，仅是为作者的观点，不代表 IEEE Spectrum 或 IEEE 立场。

02

CVPR 19系列 | 基于深度树学习的Zero-shot人脸检测识别（文末论文）

【导读】今天我们主要讲解零次学习及深度树学习用于人脸检测识别。今天主要会讲解人脸检测的13种欺骗攻击中的ZSFA（Zero-Shot Face Anti-spoofing）问题，包括打印、重放、3D掩码等，利用新的深度树网络(DTN)，以无监督的方式将欺骗样本划分为语义子组。当数据样本到达、已知或未知攻击时，DTN将其划分到最相似的欺骗集群，并做出二进制决策。最后实验表明，达到了ZSFA多个测试协议的最新水平。

02

文本分类六十年

文本分类是自然语言处理中最基本而且非常有必要的任务，大部分自然语言处理任务都可以看作是个分类任务。近年来，深度学习所取得的前所未有的成功，使得该领域的研究在过去十年中保持激增。这些文献中已经提出了许许多多的算法模型、基准数据集一集评测指标，因此需要一个对这个领域进行全面而且跟进趋势的调查。这里我们介绍基于机器学习和深度学习的文本分类，主要内容来自北航、伊利诺伊大学等学者联合发表论文 A Survey on Text Classification: From Shallow to Deep Learning。

02

细粒度图像分割 (FGIS)

如今，照片逼真的编辑需要仔细处理自然场景中经常出现的颜色混合，这些颜色混合通常通过场景或对象颜色的软选择来建模。因此，为了实现高质量的图像编辑和背景合成，精确表示图像区域之间的这些软过渡至关重要。工业中用于生成此类表示的大多数现有技术严重依赖于熟练视觉艺术家的某种用户交互。因此，创建如此准确的显著性选择成为一项昂贵且繁琐的任务. 为了填补熟练视觉艺术家的空白，我们利用计算机视觉来模拟人类视觉系统，该系统具有有效的注意力机制，可以从视觉场景中确定最显着的信息。这类问题也可以解释为前景提取问题，其中显着对象被视为前景类，其余场景为背景类。计算机视觉和深度学习旨在通过一些选择性研究分支对这种机制进行建模，即图像抠图、显著目标检测、注视检测和软分割。值得注意的是，与计算机视觉不同，深度学习主要是一种数据密集型研究方法。

04

深度学习简介

人工智能包括了机器学习和深度学习，机器学习包括了深度学习，他们是父类和子类的关系，可参考下面的图：

07

Jupyter笔记本实现，慕尼黑工大220页免费书籍介绍基于物理的深度学习

机器之心报道编辑：杜伟、陈萍物理知识和深度学习已经成为了解决现实问题的绝佳组合，但如何更有效地将物理模型引入深度学习领域缺少一个全面的综述。慕尼黑工业大学计算机科学副教授 Nils Thuerey 团队编写的这本书籍对基于物理的深度学习展开了详尽的介绍。书籍地址：https://arxiv.org/pdf/2109.05237.pdf 项目地址：https://github.com/thunil/Physics-Based-Deep-Learning 网站地址：https://www.physics

02

【陆勤阅读】深度学习、自然语言处理和表征方法

简介过去几年，深度神经网络在模式识别中占绝对主流。它们在许多计算机视觉任务中完爆之前的顶尖算法。在语音识别上也有这个趋势了。虽然结果好，我们也必须思考……它们为什么这么好使？在这篇文章里，我综述一下在自然语言处理（NLP）上应用深度神经网络得到的一些效果极其显著的成果。我希望能提供一个能解释为何深度神经网络好用的理由。我认为这是个非常简练而优美的视角。单隐层神经网络单隐层神经网络有一个普适性（universality）：给予足够的隐结点，它可以估算任何函数。这是一个经常被引用的理论，它被误解和应用

1，机器学习简介

人工智能指由人类制造出的机器表现出的智能。这是一个非常大的范围，长远目标是让机器实现类人智能。不过目前我们还在非常非常初级的阶段，甚至都不能称为智能。

02

学习笔记：深度学习之“学习”

在上一篇文章中，我们谈到机器学习“学习”的是“规则”。进一步而言，机器学习需要一套评判机制来测量相应机器学习算法的性能。这套评判机制需要将当前输出与期望输出的“差异”做为反馈信号来调整算法。这个调整的过程就是所谓的“学习”。这种“学习”其实并不陌生。在数字信号处理中，有一类滤波器称为自适应滤波器（Adaptive Filter），它能够根据输入信号自动调整性能进行数字信号处理，如下图所示。输入信号x(n)通过参数可调数字滤波器后产生输出信号（或响应）y(n)，将其与参考信号（或称期望响应）d(n)进行对比，形成误差信号e(n)，并以此通过某种自适应算法对滤波器参数进行调整，最终使e(n)的均方值最小。常常将这种输入统计特性未知，调整自身的参数到最佳的过程称为“学习过程”。将输入信号统计特性变化时，调整自身的参数到最佳的过程称为“跟踪过程”，因此，自适应滤波器具有学习和跟踪的性能。

02

《交通大数据理论与方法》

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 随着信息通讯技术的不断发展，各行各业都产生了海量的数据，与此同时，一门新的学科应运而生—— 数据挖掘。数据挖掘是从大量数据（包括文本数据）中挖掘出隐含的、先前未知的、对决策有潜在价值的信息、知识和关联关系，并基于这些信息和相应规则建立可用于决策支持与优化分析的模型，提供可支持预测性决策的方法和工具。此外，数据挖掘还可帮助企业和科研团体发现业务与学科中的新趋势，揭示已知的事实，预测未知的结果，因此“数据挖掘”已成为其

02

CVPR 19系列1 | 基于深度树学习的Zero-shot人脸检测识别（文末论文）

【导读】今天我们主要讲解零次学习及深度树学习用于人脸检测识别。今天主要会讲解人脸检测的13种欺骗攻击中的ZSFA（Zero-Shot Face Anti-spoofing）问题，包括打印、重放、3D掩码等，利用新的深度树网络(DTN)，以无监督的方式将欺骗样本划分为语义子组。当数据样本到达、已知或未知攻击时，DTN将其划分到最相似的欺骗集群，并做出二进制决策。最后实验表明，达到了ZSFA多个测试协议的最新水平。

02

深度稳定学习：因果学习的最新进展 | 清华大学团队 CVPR 研究

这都2021年了，对 AI 而言，识别出猫猫狗狗肯定再简单不过了。‍‍‍‍‍‍‍‍

04

元学习Meta-Learning—授人以鱼不如授人以渔

我们知道现在深度学习在使用大型数据集掌握一项任务（检测，分类等）方面取得了巨大的成功，但这并不是真正我们追求的“人工智能”。具体来说，我们可能训练了一个能做物理题很高分的学生，但是他也只能做物理题而已，面对数学题他只能吞下零分的命运；其次，在面对新的任务（数学题）的时候，我们的学生仍然需要大量的数据（数学题）进行训练，而在学习物理的时候积累下的学习方法（先验知识）却基本帮不上忙。

03

深度学习算法简要综述(上)

自从 2012 年在一个图像识别比赛上，一个神经网络的性能超过人类后，深度学习就火了起来，但当时只有少数人会预料到接下来会发生什么。

03

瀚思获1亿元B轮融资，基于数据分析技术做企业智能安全大脑

今年7月25日，瀚思宣布完成B轮融资，金额为1亿元人民币。在之前的媒体沟通会上，瀚思创始人兼CEO高瀚昭对当前安全市场的发展态势，最新发布的企业安全智能平台——HanSight Enterprise 3以及融资后的规划做了详细的阐释。记者 | 郭敏本文长度为2900字，建议阅读6分钟自互联网诞生以来，黑客攻击事件就从未间断过，前段时间Wannacry病毒的大规模爆发，搅乱了原本看似平静的网络世界。传统的防护方式是采用通用的软硬件来实现安全防护和病毒查杀，但进入物联网时代，涉及到安全的范围更大，程

05

【AIDL专栏】王立威：机器学习理论的回顾与展望(附PPT下载)

“人工智能前沿讲习班”(AIDL)由中国人工智能学会主办，旨在短时间内集中学习某一领域的基础理论、最新进展和落地方向，并促进产、学、研相关从业人员的相互交流。对于硕士、博士、青年教师、企事业单位相关从业者，预期转行AI领域的爱好者均具有重要的意义。2018年AIDL活动正在筹备，敬请关注公众号获取最新消息。

02

演讲 | 今日头条AI技术沙龙马毅：低维模型与深度模型的殊途同归

机器之心原创作者：邱陆陆上周，今日头条人工智能实验室在清华大学举办了第二期 AI 技术沙龙，邀请到上海科技大学信息科学与技术学院的马毅教授带来题为「高维数据的低维结构与深度模型」的主题分享。马毅教

07

机器学习基础

请记住，在本章中讨论的大多数技术都是机器学习和深度学习通用的，一部分用于解决过拟合问题的技术（如dropout）除外。

03

AI与自动驾驶

走进《公共交通资讯》，及时掌握公交领域的行业政策、管理理论、科技信息、专家观点和先进经验... 来源：慧眼看车近年来，有一个很热门的词----“AI” AI是Artificial Intelligence的英文缩写，中文叫人工智能。它是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作。说的通俗易懂就是计算机模拟人类的智慧。随着社会科技的发展，AI技术已经悄悄的成为人们生活的一部分。比如我们智能手机里面有安装着许多智能APP如美图秀秀、智能聊天、

从网络设计到实际应用，深度学习图像超分辨率综述

图像超分辨率（SR）是指从低分辨率（LR）图像中恢复高分辨率（HR）图像的过程，是计算机视觉和图像处理中一种重要的图像处理技术。它在现实世界中有着广泛的应用，如医学成像、监控和安全等。除了改善图像的感知质量，它还有助于改善其它计算机视觉任务。总的来说，由于单个 LR 图像通常对应多个 HR 图像，因此这个问题比较具有挑战性。以往的文献中提到了多种经典的 SR 方法，包括基于预测的方法、基于边缘的方法、统计方法、基于 patch 的方法和稀疏表征方法等。

04

DeepFool（迷惑深度学习分类模型）测试

AI+网络安全是当前网络攻击与防御方向比较热门和前沿的领域。同时网络安全中的漏洞挖掘、入侵检测、异常流量等传统任务也已经出现了大量基于深度学习的实现方法。然而当以深度学习为主流的人工智能应用越来越广泛之后，陆续又出现了对于人工智能应用的攻击，主要分为两种：一是白盒测试，即深度学习的模型架构和参数都已经的情况下，这种场景的攻击一般可以进行参数的修改来达到攻击的效果；二是黑盒测试，即上述情况未知的情况下进行攻击，这时候采用的攻击手段主要是对抗样本，对抗样本（adversarial examples）这一概念在Szegedy et al. (2014b)中被提出：对输入样本故意添加一些人无法察觉的细微的干扰，导致模型以高置信度给出一个错误的输出。对抗样本现在已经广泛应用于人脸识别、声纹识别等相关应用场景。

01

《机器学习》笔记-概率图模型（14)

如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。不管是出于好奇，还是自身充电，跟上潮流，我觉得都值得试一试。对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这两本书，并在阅读的过程中进行记录和总结。这两本是机器学习和深度学习的入门经典。笔记中除了会对书中核心及重点内容进行记录，同时，也会增加自己的理解，包括过程中的疑问，并尽量的和实际的工程应用和现实场景进行结合，使得知识不只是停留在理论层面，而是能够更好的指导实践。记录笔记，一方面，是对自己先前学习过程的总结和补充。另一方面，相信这个系列学习过程的记录，也能为像我一样入门机器学习和深度学习同学作为学习参考。章节目录

03

机器学习学习笔记(1) -- 简析入门

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科；机器学习是一种偏向于技术的方法，研究目的包括模式识别、神经网络和深度学习；机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法，机器学习算法是一类从数据中自动分析获取规律并利用找到的规律对未知数据进行预测的算法。

02

从Bengio演讲发散开来：探讨逻辑推理与机器学习

近年来，深度神经网络的应用获得了巨大的成功，也推动了人工智能的飞速发展。然而，深度神经网络仍存在一些局限性。一般来说，深度神经网络如何进行学习、使用何种算法实现的智能、基于哪些理论分析得出的相关结论并不会在网络架构中有任何的显式或符号表示。也就是说，深度神经网络学习的算法隐式地存储在成千上万甚至是数百万的权重中，这些通常是人类智能体无法破译或验证的。

04

【深度学习进阶模型详解】概率图模型/深度生成模型/深度强化学习，复旦邱锡鹏老师《神经网络与深度学习》教程分享05（附pdf下载）

【导读】复旦大学副教授、博士生导师、开源自然语言处理工具FudanNLP的主要开发者邱锡鹏（http://nlp.fudan.edu.cn/xpqiu/）老师撰写的《神经网络与深度学习》书册，是国内为数不多的深度学习中文基础教程之一，每一章都是干货，非常精炼。邱老师在今年中国中文信息学会《前沿技术讲习班》做了题为《深度学习基础》的精彩报告，报告非常精彩，深入浅出地介绍了神经网络与深度学习的一系列相关知识，基本上围绕着邱老师的《神经网络与深度学习》一书进行讲解。专知希望把如此精华知识资料分发给更多AI从业者，

06

影像组学初学者指南

影像组学是放射学领域的一个相对较新的词，意思是从医学图像中提取大量的定量特征。人工智能（AI）大体上被定义为一组先进的计算算法，可以对所提供的数据模式进行学习，以便对未知的数据集进行预测。由于与传统的统计方法相比，人工智能具有更好的处理海量数据的能力，因此可以将影像组学方法与人工智能结合起来。总之，这些领域的主要目的是提取和分析尽可能多和有意义的深层定量特征数据，以用于决策支持。如今，影像组学和人工智能都因其在各种放射学任务中取得的显著成功而备受关注，由于担心被人工智能机器取代，大多数放射科医生对此感到焦虑。考虑到计算能力和大数据集可用性的不断发展进步，未来临床实践中人与机器的结合似乎是不可避免的。因此，不管他们的感受如何，放射科医生都应该熟悉这些概念。我们在本文中的目标有三个方面：第一，让放射科医生熟悉影像组学和人工智能；第二，鼓励放射科医生参与这些不断发展的领域；第三，为未来方法的设计和评估提供一套良好实践建议。本文发表在Diagnostic and Interventional Radiology杂志。

02

视觉的深度学习与网络的构建，训练及测试

已经很久没有更新平台的内容，今天抽空来给大家分享一些关于计算机视觉领域的一个重点，那就是“深度学习”，接下来就来详细聊聊深度学习（为什么要深度学习特征？？？），然后来说说深度网络的搭建，最后让我们自己用手DIY属于自己的网络，现在就开始ing...... ---- 一说起“深度学习”，大家有想过为什么要去搭建复杂网络，去学习更高级的特征呢？其实很简单，因为趋势是朝着类脑那个大方向，现在类脑工作已经得到很多研究员的关注。类脑计算实际上存在两个技术层面：第1层面是“走出诺依曼框架”，主要属于人工神经网络的大

08

CVPR2021|快手：深度视频抠图

随着深度学习的发展，深度神经网络被应用于抠图技术中，从深度网络提取的高层语义特征能够从复杂场景中准确区别前后背景，从而极大地提升了抠图效果，基于深度学习的图像抠图技术也因此成为主流的图像抠图技术。近年来，短视频的大热进一步催生了更复杂的视频抠图的需求，如何提升视频抠图效果也成为了时下的重要课题之一。

01

你真的了解机器学习、人工智能、统计建模吗？

分布式计算、云计算、人工智能机器学习、深度学习、统计建模这些最新的词汇大家应该都有所了解但你真的了解这些词的意义吗？一、机器学习机器学习是以数据为基础，它专注于为回归和分类算法。其底层随机机制往往是次要的、不被重视的。当然，许多机器学习技术也可以通过随机模型和回归计算来定义，但数据并不是由模型生成的。相反，机器学习主要是为了辨识出运行某个特定任务的算法或技术（或者是二者兼有）：顾客最好由k-Means聚类，或者是DBSCAN、决策树、随机森林，还是支持向量机？简而言之，对统计学家来说，模型

06

WIREs CMS | 基于深度学习的药物重定位：方法、数据库和应用

近期，来自湖南大学曾湘祥教授的科研团队，与弗雷德里克国家癌症研究所Ruth Nussinov教授、伊利诺伊大学芝加哥分校Philip Yu教授、里海大学Lifang He教授、中南大学湘雅医学院曹东升教授、湘潭大学林轩博士以及凯斯西储大学和克利夫兰诊所的学者合作，以“Deep learning for drug repurposing: Methods, databases, and application”为题，在Wires computational molecular science（IF: 25.113）上发表了利用深度学习方法和工具进行药物重定位主题的综述文章。

03

ICCV2021何恺明团队又一神作：Transformer仍有继续改善的空间

在今天分享恺明团队新推出的自监督学习+Transformer=MoCoV3之前，我想和大家分享下最近我看到一篇目标检测文章，最近因为一直推送目标检测类的，觉得这篇是个不错的idea。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭