大数据文摘作品 作者：小鱼、龙牧雪 上面这张图里，是猫还是狗？再好好想想，你能肯定吗？ 根据胡子、鼻子较短判断，左边的似乎是猫。但是再看看右边，这明显是只狼狗吧（诡异的戴着蝴蝶结的狼狗orz）。但是这明明是一张图啊？怎么回事？ 都是深度学习搞的鬼。 这是Ian Goodfellow大神2月22号最新论文里的成果。对抗性干扰，既能骗过神经网络，也能骗过人眼了。 先回忆一下我们是怎么忽悠神经网络的。 不久前，文摘菌发布过一篇关于如何利用一个小贴纸，让各大著名图像识别算法纷纷破功的文章（自带迷幻剂技能的小贴纸：忽
震惊！(本次使用已获UC震惊部授权) 就在昨天，人工智能领域一个开创性的成果出现了：关于生成对抗网络(GAN)的最新论文出炉。很多学者和业内人士，都用震惊二字描述内心的波澜。 这篇已经在arxiv上公布的论文，题目是：《STOPPING GAN VIOLENCE: GENERATIVE UNADVERSARIAL NETWORKS》，并且已经作为会议论文提交SIGBOVIK 2017评审。这个大会将于3月31日在卡内基梅隆大学召开。 在Reddit上，有人评价这篇是自己近年唯一从头到尾读完的论文。这么重
题图摄于香港太平山顶 本文中介绍的四篇关于可信联邦学习的论文已经在开源项目 FATE 的 research 仓库中存放，感兴趣的读者可以查阅。（ https://github.com/FederatedAI/research ） 日前，由机器之心策划的线上视频直播——可信联邦学习(Trustworthy federated learning)论文线上分享成功举办。香港科技大学计算机与工程系讲座教授和前系主任、中国人工智能学会（CAAI）荣誉副理事长杨强教授带领四篇可信联邦学习最新论文的作者，对该领域的前沿
【导读】本文的作者 Ross Taylor 和 Robert Stojnic 在今年一起启动了一个名为“Paper with Code”的项目，将 AI 领域的一些研究论文和论文开源代码结合展示，方便大家学习与研究。在推进这个项目的同时，通过分析网站的数据他们也有一些意外和有趣的收获，用更综合、全面的视野总结了下半年的发展现状与热点，哪些正在成为流行趋势、哪些被广泛使用。
【新智元导读】LeCun对对抗生成网络（GAN）的盛赞大家都很熟悉了。在这篇新的论文中，LeCun等人将两类无监督学习方法——GAN和自编码器结合在一起，并从替代能源的角度重新审视GAN的框架。 Le
【导读】当地时间 10月 22 日到10月29日，两年一度的计算机视觉国际顶级会议 International Conference on Computer Vision（ICCV 2017）在意大利威尼斯开幕。Google Brain 研究科学家 Ian Goodfellow 在会上作为主题为《生成对抗网络（Generative Adversarial Networks）》的Tutorial 最新演讲, 介绍了GAN的原理和最新的应用。为此，专知内容组整理了的Goodfellow的slides，进行了解读
夏乙 发自 凹非寺 量子位 出品 | 公众号 QbitAI 还记得那些把熊猫认成猩猩、把乌龟认成枪、把枪认成直升机的算法吗？ 它们遭遇的，是一个名为“对抗攻击(adversarial attacks)
选自Deephunt 作者：Avinash Hindupur 参与：黄小天、蒋思源 生成对抗网络（GAN）是近段时间以来最受研究者关注的机器学习方法之一，深度学习泰斗 Yann LeCun 就曾多次谈到 这种机器学习理念的巨大价值和未来前景。而各类 GAN 的变体也层出不穷，近日机器之心也报道过生成对抗网络的最新进展与论文集，而本文更注重于从 GAN 及其变体的角度对其论文做一个完整的梳理。 项目地址：https://deephunt.in/the-gan-zoo-79597dc8c347 每一周都会有关于
CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo
【导读】当地时间 10月 22 日到10月29日，两年一度的计算机视觉国际顶级会议 International Conference on Computer Vision（ICCV 2017）在意大利威尼斯开幕。Google Brain 研究科学家 Ian Goodfellow 在会上作为主题为《生成对抗网络（Generative Adversarial Networks）》的Tutorial 最新演讲, 介绍了GAN的原理和最新的应用。昨天我们介绍了此内容，请查看 【干货】Google GAN之父Ian
还记得前些天风靡网络的FaceApp吗，它是利用AI算法的自拍应用，把人们上传的照片中的人脸变年轻或者老化。
随着近年来智能城市监控的发展和自动驾驶的兴起，视频目标跟踪得到了更多的研究者的关注，其中包括单目标跟踪、多目标跟踪、跨摄像头多目标跟踪等等。目标跟踪也涉及很多相关领域，例如视频分割、轨迹预测、行人重识别等等。5月30日(周四)，两位主讲嘉宾（高旭，王强）为大家精选了视频目标跟踪及相关领域中的几篇代表性工作，和大家一起学习、分享最新的研究进展。
介绍一篇对抗学习最新论文 Meta Adversarial Training ，作者来自德国博世公司。
大数据文摘作品 作者：龙牧雪 深度学习合成图像并不是什么新鲜事。谷歌自己就做过SketchRNN，能识别8条腿的猪有异常，输出4条腿的猪（戳这里看）。 不过这些都依赖于人类输入数据的指导。人类需要告诉模型，哪些输入图片是猪，模型才能从中总结规律。 昨天，谷歌DeepMind发出了一篇博文，介绍了其最新论文Synthesizing Programs for Images using Reinforced Adversarial Learning（大数据文摘公众号后台回复“图像”即可下载）。 谷歌使用一种名叫
在今年的神经网络顶级会议NIPS2016上，深度学习三大牛之一的Yann Lecun教授给出了一个关于机器学习中的有监督学习、无监督学习和增强学习的一个有趣的比喻，他说：如果把智能（Intellige
在图像处理方面，机器学习实践者们正在逐渐转向借助生成对抗网络的力量，本文带你了解其中五种生成对抗网络，可根据自己的实际需求进行选型。
选自Guimperarnaublog 作者：Guim Perarnau 机器之心编译 参与：赵华龙、黄小天 你是否曾经想了解生成对抗网络（GAN）？也许你只是想赶时髦？或者也许只想看看这些网络在过去几年中的改进？那么在这些情况下，你没准会对这篇文章感兴趣！ 本文不涉及的内容 首先，你不会在本文中发现： 复杂的技术说明 代码（尽管有为那些感兴趣的人留的代码链接） 详尽的研究清单（点击这里进行查看 链接：http://suo.im/2opXlF） 本文涉及的内容 关于 GAN 的相关主题的总结 许多其他网站、帖
---- 新智元报道 来源：venturebeat 编辑：科雨 【新智元导读】Nivida最新力作将于NeurlPS2020露面，强大的ADA模型可大幅降低GAN的训练数据要求，仅靠千张图片，即可训练出强大的GAN网络，下面我们就来一探究竟。 我们大家都知道，训练GAN需要大量的数据，可多达100，000张图。 近日，Nivida的研究人员研发出了一种被称为自适应鉴别器增强（ADA, Adaptive Discriminator Augmentation）的方法，直接将训练数据量减少10到2
近日，Nivida的研究人员研发出了一种被称为自适应鉴别器增强（ADA, Adaptive Discriminator Augmentation）的方法，直接将训练数据量减少10到20倍，此研究成果已经被发布在《用有限数据训练生成对抗网络(Training Generative Adversarial Networks with Limited Data》这篇论文中，该论文也将参加今年的NeurlPS2020会议。
也许您已经了解到，当前的人工智能已经可以生成类似于人类的语音，或者生成难以与真实照片区分开的人物图像，甚至达到足以“以假乱真”（假作真时真亦假，无为有处有还无）的地步！
也许你听说过FaceApp，这是一款利用AI来改变自拍的移动应用程序，你可能也听说过“这些人物都不存在”网站，它可以显示计算机生成的虚构人物照片。但是生成完完全全的新视频的算法你听说过吗？最近，DeepMind的一篇最新论文详细介绍了AI剪辑生成领域的最新进展。
机器之心原创 参与：李泽南、李亚洲、黄小天 2016 年，人工智能行业经历了语音识别准确率飙升、神经机器翻译重大突破、图像风格迁移的兴盛。2017 年，人们对于 AI 领域的期待变得更高了，不过在这一
漫画可被定义为通过素描、铅笔笔画或其他艺术形式以简化或夸大的形式描绘人物的形式（通常是面部）。作为传达幽默或讽刺的一种形式，漫画通常用于娱乐，作为礼品或纪念品，也可由街边艺术家创作。艺人可以从被画者面部捕捉到独特的特征，并进行夸大和艺术化。
选自Reddit 机器之心编译 昨日，DeepMind 在《自然》杂志上发表了一篇论文，正式推出人工智能围棋程序 AlphaGo 的最新版本 AlphaGo Zero。同时，在 DeepMind 发布的官方博客中，DeepMind 强化学习团队负责人、AlphaGo 项目负责人 David Silver 视频介绍了最新的 AlphaGo Zero。今天，David Silver 与团队另一成员 Julian Schrittwieser 代表 AlphaGo 创造者在 Reddit 上回答了读者的一系列问题。
仅凭声音就能知道人的长相，这似乎只存在于科幻小说中。现在麻省理工学院的研究人员通过人工智能取得了惊人的成就。
2. A 20-Year Community Roadmap for Artificial Intelligence Research in the US
生成对抗网络（GAN）已被用于发现新药物，创建令人信服的汉堡和蝴蝶照片，并产生脑癌的合成扫描。而荷兰马斯特里赫特大学（Maastricht University）发表的一篇新论文显示，它在生成标识方面也不差。
2018 年底，英伟达借鉴风格迁移的思路，提出当时最先进的无条件生成模型—— StyleGAN ，吸引了大家广泛关注。随后，代码开源，一位 Uber 工程师更是利用此模型设计了网站“ThisPersonDoesNotExist.com”，轰动一时。自此，对虚假信息生成技术的研究与讨论延续至今。
昨天，reddit 上出现了一个关于梳理 GAN 发展脉络的博客，作者在博客中详细梳理了过去几年的 GAN 发展历程，包含众多 SOTA 论文及其代码和对应的学习资源。难能可贵的是，博客作者三月份才刚高中毕业，然后利用上大学之前的时间完成了这篇文章。
关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第二 【Python】：排名第三 【算法】：排名第四 我们会再接再厉 成为全网优质的技术类公众号 Github 用户 saikat
AI 科技评论按，生成对抗网络是当前最热门的技术之一，它掀起了一场技术革命，取得了很多重大的突破。不久前，伊利诺伊大学香槟分校的学生 Ajay Uppili Arasanipalai 在 Deep Learning 专栏发布了一篇文章，文章详细介绍了 GAN 自被提出以来的发展历史，以及各种相关的论文、代码和博客。AI 科技评论将他的文章编译整理如下，相关链接请点击底部【阅读原文】查看。
王小新 编译自 Hackernoon 量子位 出品 | 公众号 QbitAI 目前，生成对抗网络(GAN)作为一种处理图像生成问题的优秀方法，在超分辨率重建、风格迁移等领域已经做出了很多有意思的成就。
机器之心原创 作者：高静宜 2017 年 3 月 22 日下午，Facebook 人工智能研究院院长、纽约大学终身教授 Yann LeCun 在清华大学大礼堂为校内师生以及慕名而来的业内人士呈现了一场主题为《深度学习与人工智能的未来（Deep Learning and the Future of AI）》的精彩公开课。 随着 AlphaGo 事件的不断发酵，神经网络成为时下人工智能产学领域万众瞩目的研究焦点，也成为普罗大众的热门话题。事实上，神经网络作为一种算法模型，很早就已经被广泛关注和研究，也曾长时间内
生成对抗网络（GAN）专知荟萃 一、理论学习 二、报告 三、教程 四、综述 五、中文博客资料 六、Github资源以及模型 七、最新研究论文 一、理论学习 训练GANs的技巧 参考链接：[http://papers.nips.cc/paper/6124-improved-techniques-for-training-gans.pdf] Energy-Based GANs 以及Yann Le Cun 的相关研究 参考链接：[http://papers.nips.cc/paper/4824-imagenet
AI 科技评论按：如何让GAN生成带有指定特征的图像？这是一个极有潜力、极有应用前景的问题，然而目前都没有理想的方法。韩国大学电子工程学院Minhyeok Lee和Junhee Seok近期发表论文，就生成对抗网络的控制问题给出了自己的办法，AI 科技评论根据原文进行如下编辑。 简介 生成对抗网络（GANs）是最近几年提出的新方法，在其问世之后的短短时间内，生成对抗网络已经在生成真实的样本上表现出很多有前途的结果了。然而， 在生成对抗网络的使用上，目前还有未能解决的问题：由于发生器（Generator）
各位同学，今天有三来发布新书了，本次新书为生成对抗网络方向，名为《生成对抗网络GAN：原理与实践》，本次书籍为我与师弟郭晓洲共同写作，也是第一本有三与人合著的书籍。
【CVPR 2023的AIGC应用汇总(2)】可控文生图，基于diffusion扩散模型/GAN生成对抗
如何让 GAN 生成带有指定特征的图像？这是一个极有潜力、极有应用前景的问题，然而目前都没有理想的方法。韩国大学电子工程学院 Minhyeok Lee 和 Junhee Seok 近期发表论文，就生成对抗网络的控制问题给出了自己的办法，雷锋网 (公众号：雷锋网) AI 科技评论根据原文进行如下编辑，原文链接：https://arxiv.org/abs/1708.00598 简介 生成对抗网络（GANs）是最近几年提出的新方法，在其问世之后的短短时间内，生成对抗网络已经在生成真实的样本上表现出很多有前途的
一个月内 Amusi 整理了 目标检测（Object Detection）较为值得关注的论文：
5年前，生成式对抗网络(GAN)开启了深度学习的革命。这场革命取得了一些重大的技术突破。生成式对抗网络是由Ian Goodfellow等人在论文《生成式对抗网络》中提出的。学术界热烈欢迎GAN，工业界也大张旗鼓地欢迎GAN。GAN的崛起是不可避免的:
来自北京航空航天大学(Beihang University)、悉尼大学(University of Sydney)和剑桥大学(University of Cambridge)的一项最新研究成果显示，将一张用打印机简单打印出来的涂鸦贴画贴在路牌上就可以让AI自动驾驶系统完全误分类。
原文：https://towardsdatascience.com/guide-to-learn-computer-vision-in-2020-36f19d92c934
【新智元导读】谷歌公司的 Berthelot、Tom Schumm 和 Metz 本周发表论文 BEGAN（Boundary Equilibrium GAN），提出了“边界均衡 GAN” 的概念，借鉴
下述论文已分类打包好！共116篇，事实上仍有一些GAN论文未被包含入内，比如笔者发推文时，又看到一篇《Rotate-and-Render: Unsupervised Photorealistic Face Rotationfrom Single-View Images》……可见GAN在CVPR 2020的火爆程度。
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
对象存储
腾讯会议
实时音视频
