目前AI行业的薪资普遍较高。这也是大部分人想转AI的原因。 以互联网行业的平均薪资来说，两个学历和工作年限一样的开发者，AI开发的会比移动端开发高20%左右。 若以应届毕业来说，现在深圳的算法岗位博士月薪在3W左右浮动。 可以说很多人是冲着这一点去学习AI的。 而且就技术前瞻性来说的话，在未来10年内，掌握AI技术的相关人才会更吃香。很多大公司也开始在储备这方面的人才。
大家好，我是袁振，现在就职于网易云信，主要负责视频后处理算法的开发和研究。今天我将和大家分享AI驱动的超分辨技术应用现状，主要是结合我之前的研究方向，以及当前的业务需求，来向大家分享一下基于深度学习的超分技术在RTC领域落地应用所面临的一些机遇和挑战。
AI 科技评论按：卷积神经网络则是深度学习最具代表性的模型，在计算机视觉和自然语言翻译等领域有着极其广泛的应用。随着精度以及复杂度的逐步提升，卷积网络的推理效率问题越来越明显的成为制约其在实际应用中的瓶颈。 黄高博士，现为美国康奈尔大学计算机系博士后，主要研究领域为深度神经网络的结构设计与优化算法，以及深度学习在计算机视觉与自然语言理解中的应用；获得北京航空航天大学学士学位，清华大学控制科学与工程博士学位。其博士论文被评为中国自动化学会优秀博士学位论文以及清华大学优秀博士论文一等奖。目前已发表学术论文20余
AI 科技评论按：卷积神经网络则是深度学习最具代表性的模型，在计算机视觉和自然语言翻译等领域有着极其广泛的应用。随着精度以及复杂度的逐步提升，卷积网络的推理效率问题越来越明显的成为制约其在实际应用中的瓶颈。 在近期 GAIR 大讲堂上，来自康奈尔大学的博士后黄高做了一场主题为「高效卷积神经网络的结构设计与探索」的技术分享，本文根据直播分享内容整理而成，更多细节推荐点击阅读原文观看视频回放。 黄高博士，现为美国康奈尔大学计算机系博士后，主要研究领域为深度神经网络的结构设计与优化算法，以及深度学习在计算机视觉与
随着深度学习算法在图像领域中的成功运用，学术界的目光重新回到神经网络上；而随着 AlphaGo 在围棋领域制造的大新闻，全科技界的目光都聚焦在“深度学习”、“神经网络”这些关键词上。与大众的印象不完全一致的是，神经网络算法并不算是十分高深晦涩的算法；相对于机器学习中某一些数学味很强的算法来说，神经网络算法甚至可以算得上是“简单粗暴”。只是，在神经网络的训练过程中，以及算法的实际运用中，存在着许多困难，和一些经验，这些经验是比较有技巧性的。 有道云笔记不久前更新的文档扫描功能中使用了神经网络算法。本文试图以文
卷积神经网络（CNN）已被广泛用于图像分类、人脸识别、目标检测和其他领域。然而，为移动设备设计 CNN 是一项具有挑战性的工作，因为移动端模型需要体积小、速度快，还要保持精准。尽管人们已经做了大量努力来设计和改进移动端模型，如 MobileNet 和 MobileNetV2，但手动创建高效模型仍然是一项挑战，因为要考虑的因素太多。从最近 AutoML 神经架构搜索方面的进展受到启发，我们在想移动端 CNN 模型的设计是否也能受益于 AutoML 方法。
接上文 上一节内容里，我们大致介绍了我们对移动端可用的硬件条件的探索，接下来，我们更专注于介绍一些专注于移动端设备的机器学习框架，以及在Q音探歌，我们接入深度学习服务的一般流程。 4.移动端机器学习框架介绍 深度学习算法推断要在移动端落地，需要着重衡量尺寸和性能的限制，同时又要尽可能的提供给用户较好的体验（推断速度足够快）。Q音探歌倾向使用成熟的机器学习框架快速搭建深度学习服务，我们对比了一些专注于为边缘设备带来高效深度学习的框架，包括NCNN, TensorFlow Lite, Pytorch Mobi
人脸识别是近两年计算机视觉领域创业热潮中的一个热门方向，DeepID是这股热潮中不可忽视的一种人脸算法。针对DeepID的研发心得，人脸识别应用的现状、难点与未来，深度学习的实践经验等问题，CSDN记者近日采访了DeepID人脸算法发明者孙祎。 孙祎先后就读于清华大学、香港中文大学，2013年在CVPR上发表了用深度学习做面部特征点检测最早的论文。随后陆续发表了四篇在人脸识别领域有影响力的论文（ICCV’13，CVPR’14，NIPS’14，CVPR’15），使深度学习方法的人脸识别准确率远远超过了人眼的准
人脸识别是近两年计算机视觉领域创业热潮中的一个热门方向，DeepID是这股热潮中不可忽视的一种人脸算法。针对DeepID的研发心得，人脸识别应用的现状、难点与未来，深度学习的实践经验等问题，CSDN记者近日采访了DeepID人脸算法发明者孙祎。 孙祎先后就读于清华大学、中国香港中文大学，2013年在CVPR上发表了用深度学习做面部特征点检测最早的论文。随后陆续发表了四篇在人脸识别领域有影响力的论文（ICCV’13，CVPR’14，NIPS’14，CVPR’15），使深度学习方法的人脸识别准确率远远超过
人工智能（AI）和机器学习（ML）在过去十年中取得了爆炸式的增长。在计算机视觉中，这种增长背后的关键驱动力是神经网络的重新出现，尤其是卷积神经网络（CNNs）和最近的视觉Transformer。尽管通过反向传播训练的神经网络是在20世纪80年代发明的，但它们被用于更小规模的任务，如字符识别。直到AlexNet被引入ImageNet竞赛，神经网络reshape人工智能领域的潜力才得以充分实现。
论文解读: Quantized Convolutional Neural Networks for Mobile Devices
Yann LeCun 开场介绍说，当前几乎所有的机器学习从业者在实践中使用的都是监督式学习：向机器展示大量的样本，然后告诉机器正确的答案与内部参数，然后就能做图像识别之类的任务。而过去几年，监督式学习有了极大的成功，应用也非常广泛。下图对比了传统机器学习与深度学习各自的特点。
嵌入式人工智能的机会 深度学习、机器学习、人工智能可以说是当下最火爆的字眼，随着 AlphaGo 的一炮走红，仿佛人人都谈论着人工智能，说话不带 DL、CNN 这些字眼的就落伍了，创业企业不和人工智能联系起来的就无法拉到投资。 各大巨头也纷纷在 AI 领域布局，目前比较流行的深度学习框架有： 谷歌的开源深度学习框架 TensorFlow Facebook 的开源深度学习框架 Torchnet 百度的开源深度学习框架 Paddle 源自伯克利的 Caffe 基于 Theano/TensorFlow 的 Ker
本文介绍了语音识别技术中的端到端模型、基于CTC的序列模型、基于序列学习的注意力机制模型、基于3D卷积神经网络的语音识别系统等。其中，端到端模型可以直接从原始音频数据中学习到针对语音识别的抽象表示，具有较好的可扩展性和鲁棒性；而基于CTC的序列模型则通过连接主义学习的方法，将CTC定义的序列映射问题转化为神经网络中的参数优化问题，进一步提高了语音识别的准确率；基于序列学习的注意力机制模型则借鉴了语言学中的注意力机制，通过对输入序列进行加权处理，进一步提高了模型的识别准确率；基于3D卷积神经网络的语音识别系统则利用3D卷积核对输入序列进行卷积处理，提取出序列中的特征信息，进一步提高了模型的识别准确率。
大场面的科幻动作片，拍摄过程肯定离不开绿幕。 制作过程更加磨人。 抠绿+后期要做到完美（空间位置关系、光影关系），不仅要求细心，还得堆大量时间。 为了让影视制作简单点，谷歌研发出了可以在手机端就实时抠
本书作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。
【编者按】三大牛Yann LeCun、Yoshua Bengio和Geoffrey Hinton在深度学习领域的地位无人不知。为纪念人工智能提出60周年，最新的《Nature》杂志专门开辟了一个“人工智能 + 机器人”专题 ，发表多篇相关论文，其中包括了Yann LeCun、Yoshua Bengio和Geoffrey Hinton首次合作的这篇综述文章“Deep Learning”。本文为该综述文章中文译文的下半部分，详细介绍了CNN、分布式特征表示、RNN及其不同的应用，并对深度学习技术的未来发展进行展
本文介绍了基于深度学习的图像超分辨率技术，该技术可以生成更高清晰度的图像，并可以应用于各种领域，例如视频处理、医学成像和自然语言处理等。该技术使用深度学习算法来学习图像的底层表示，并利用这些表示来生成更高质量的图像。该技术还可以使用基于注意力的方法来选择最相关的图像区域，从而进一步提高图像质量。本文还介绍了一种基于深度学习的图像超分辨率技术，该技术可以在手机端使用，并可以节省用户75%的流量。
机器之心报道 参与：高静宜 7 月初，Facebook 人工智能研究院院长、纽约大学终身教授 Yann LeCun 受邀现身上海交通大学闵行校区，围绕 Deep Learning and AI：Pas
LeNet5不是CNN的起点，但却是它的hello world，让大家看到了卷积神经网络商用的前景。
选自Google Blog 作者： Valentin Bazarevsky、Andrei Tkachenka 机器之心编译 为视频中人物实时替换背景的技术能够催生出很多新类型的应用。谷歌最近提出的机器学习视频分割技术首先被应用在了自家的 YouTube app 上，实现了令人惊艳的效果。同时，由于模型被高度压缩，其在 iPhone 7 这样的移动端设备上也可以达到 100+ FPS 的高帧率。 视频分割是一项广泛使用的技术，电影导演和视频内容创作者可以用该技术将场景中的前景从背景中分离出来，并将两者作为两个
好的模型结构是深度学习成功的关键因素之一，不仅是非常重要的学术研究方向，在工业界实践中也是模型是否能上线的关键。对各类底层深度学习模型设计和优化技术理解的深度是决定我们能否在深度学习项目中游刃有余的关键，因此我们在修行之路专栏的《不惑境界》中，着重于深入讲解主流的网络结构设计思想，包括对网络深度，宽度的理解，残差网络和分组网络的设计，多尺度与注意力机制的设计，以及深度学习模型压缩之模型剪枝，量化，蒸馏，还有AutoML技术，本次来给大家进行总结。
【新智元导读】百度开源了其移动端深度学习框架Mobile Deep Learning (MDL)的全部代码和脚本。MDL是一个基于卷积的神经网络，支持iOS gpu计算，体积小，速度快，可以用于使用手机的相机识别图片中的对象等应用。 GitHub地址：https://github.com/baidu/mobile-deep-learning在开源PaddlePaddle深度学习框架的一年后，百度再次将另一AI技术投入公共领域——一个旨在将AI放到智能手机上的项目。 25日，百度在GitHub开源了其移动端深
峰会现场，香港科技大学教授，CVPR 2022、ICCV 2011大会主席，Altizure创始人权龙教授发表了题为《三维视觉重新定义人工智能安防》的演讲。
作者：Marvin T. T. Teichmann、Roberto Cipolla 机器之心编译 参与：Pedro、思源 语义分割等结构化预测任务可以从条件随机场等概率图模型获取很多优势，但由于条件随机场的训练速度及训练难度，目前研究者基本上都仅使用卷积网络进行处理。本文提出了一种卷积条件随机场，它能以卷积运算的方式解决 CRF 的两个大问题，并结合 CNN 实现更好的语义分割效果。 语义图像分割旨在为图像中的每个像素生成分类标签，是视觉感知中的一个重要任务。卷积神经网络已在解决语义分割任务上取得了很好的
未来是一个AI的时代吗？很有可能是的，几乎每天都能看到AI相关的新闻，你会不会也有一种想要钻研AI，制造下一个AlphaGo的冲动？ 可是学习AI说难不算特别难，但是说简单也绝不简单，尤其是对于初学者
在科学研究中，从方法论上来讲，都应“先见森林，再见树木”。当前，人工智能学术研究方兴未艾，技术迅猛发展，可谓万木争荣，日新月异。对于AI从业者来说，在广袤的知识森林中，系统梳理脉络，才能更好地把握趋势。为此，我们精选国内外优秀的综述文章，开辟“综述专栏”，敬请关注。
写这篇文章的目的是给现有web开发的同事提供一些新的开发方向，认识新的js开发领域!
大数据文摘作品，转载要求见文末 编译 | 宁云州、张礼俊、笪洁琼 每一次DeepMind发布一篇新论文，媒体都会疯狂地报道。其中不乏许多让人迷惑的术语。比如就有未来主义者这样报道： DeepMind开发了一个可以感知周围事物的神经网络。 这不仅仅误导人，还吓跑了那些没有接受过博士阶段的学习的人。所以在这篇文章里，我打算用尽量简单的语言来解释这个新的神经网络架构，这篇文章也要求一些神经网络方面的基础知识。 你可以在这里找到原论文：https://arxiv.org/pdf/1706.01427.pdf 什么是
未来科学大奖设立于 2016 年，关注原创性的基础科学研究。目前设置了「生命科学奖」、「物质科学奖」和「数学与计算机科学奖」三大奖项，单项奖金 725 万元人民币（等值 100 万美元）。
深度神经网络模型被广泛应用在图像分类、物体检测等机器视觉任务中，并取得了巨大成功。然而，由于存储空间和功耗的限制，神经网络模型在嵌入式设备上的存储与计算仍然是一个巨大的挑战。
感知（模式识别）是从传感数据判断模式的存在、类别，给出结构描述和关系描述的过程。目前以深度神经网络为主的模式识别方法只解决了初级感知（检测、分类）问题，属于高级感知层面的结构和关系理解已有一些研究进展但还没有解决，而结合知识进行模式识别和理解并把结果用于决策规划则属于高级认知的范畴，是未来要加强研究的方向。 作者 | 杏花 编辑 | 青暮 今年10月12日，2021中国人工智能大会（CCAI 2021）在成都正式启幕，23位中外院士领衔，近百位学术技术精英共聚西南人工智能新高地，深入呈现人工智能学术研究，以
作为 Facebook 人工智能部门主管， Yann LeCun 是 AI 领域成绩斐然的大牛，也是行业内最有影响力的专家之一。 近日，LeCun在卡内基梅隆大学机器人研究所进行了一场 AI 技术核心问题与发展前景的演讲。他在演讲中提到三点干货： 1. 无监督学习代表了 AI 技术的未来。 2. 当前 AI 应用的热点集中在卷积神经网络。 3. 用模拟器提高无监督学习的效率是大势所趋。 演讲完整视频如下。该视频长 75 分钟，并包含大量专业术语，因此雷锋网节选关键内容做了视频摘要，以供读者浏览。 以下
关于全连接神经网络（Full Connected Neural Network，FC）的讨论已经说的不少了，本篇将要介绍的是，从2006年至今的神经网络第三次浪潮中，取得巨大成功、处于最核心位置的技术
本文主要介绍了计算机视觉领域中的卷积神经网络在图像分类、物体检测、语义分割和人脸识别等任务中的应用。通过详细的实战案例，展示了如何使用卷积神经网络解决实际问题。同时，本文还介绍了如何使用 TensorFlow 实现卷积神经网络，包括数据读取、网络结构、训练和评估等步骤。
来源 | hackernoon 编译 | 孙薇 每当 DeepMind 发表一篇新文章时，媒体都会有狂热的报道，而你常常会在这些报道中读到一些充满误导性的词句。例如，有充满未来主义色彩的媒体是这样报道 DeepMind 关于关系推理网络的新论文的： DeepMind 研发了一种可以感知周围事物的神经网络。 这样的表达不仅是误导，也使得对于人工智能领域并不是那么熟悉的用户感受到威胁。在这篇文章中，笔者整理了 DeepMind 的新论文，尝试用简单的方式来解释这个新的架构。 你可以在这里（https://arx
明敏 萧箫 发自 凹非寺 量子位 | 公众号 QbitAI 不知道你们有没有这样一种感觉，芯片性能要遇上瓶颈了。 光就芯片制程来看，从7nm卷到5nm再卷到3nm，已经越来越逼近摩尔极限。 于是，不少厂商开始试着用AI给芯片性能提供灵感，从神经拟态到用AI设计芯片，各种技术路线都有人在尝试。 这种情况下，哪些新AI技术最可能被应用到下一代芯片当中？ 对此，我们采访了一下高通工程技术副总裁侯纪磊。 侯纪磊博士毕业于加州大学圣迭戈分校，在高通已经工作了19年，目前是高通公司AI研究项目负责人，负责高通AI研究（
AI 科技评论按：CVPR 2018 日前已公布录用名单，腾讯 AI Lab 共有 21 篇论文入选。本文转载于「腾讯 AI 实验室」， AI 科技评论经授权转载。 近十年来在国际计算机视觉领域最具影响力、研究内容最全面的顶级学术会议 CVPR，近日揭晓 2018 年收录论文名单，腾讯 AI Lab 共有 21 篇论文入选，位居国内企业前列，我们将在下文进行详解，欢迎交流与讨论。 去年 CVPR 的论文录取率为 29%，腾讯 AI Lab 共有 6 篇论文入选。2017 年，腾讯 AI Lab 共有 100
【新智元导读】在视觉人工智能系统中，卷积神经网络（CNN）起着至关重要的作用。旷视(Face++)孙剑等人的研究团队最近发表了《ShuffleNet：一种极高效的移动端卷积神经网络》一文，作者针对移动端低功耗设备提出了一种更为高效的卷积模型结构，在大幅降低模型计算复杂度的同时仍然保持了较高的识别精度，并在多个性能指标上均显著超过了同类方法。本文将对该成果进行详细解读。 （论文下载地址：https://arxiv.org/abs/1707.01083） ShuffleNet的设计思想 卷积神经网络是现代视觉人
文本分类（Text classification）描述了一类常见的问题，比如预测推文（Tweets）和电影评论的情感，以及从电子邮件中区分出垃圾邮件。
借助深度学习，多处理层组成的计算模型可通过多层抽象来学习数据表征（ representations）。这些方法显著推动了语音识别、视觉识别、目标检测以及许多其他领域（比如，药物发现以及基因组学）的技术发展。利用反向传播算法（backpropagation algorithm）来显示机器将会如何根据前一层的表征改变用以计算每层表征的内部参数，深度学习发现了大数据集的复杂结构。深层卷积网络（deep convolutional nets)为图像、视频和音频等数据处理上带来突破性进展，而递归网络（recurrent nets ）也给序列数据（诸如文本、语言）的处理带来曙光。
腾讯AI Lab共有21篇论文入选，位居国内企业前列，我们将在下文进行详解，欢迎交流与讨论。
2016年12月，中国人工智能学会举办了第一期《人工智能前沿讲习班》，国内视觉大数据学者王亮老师做了题为《深度学习与视觉计算》的报告。王亮老师在报告中介绍了视觉大数据的概念与特征、深度学习的发展背景与在计算机视觉领域的应用现状。本文根据王亮老师当日报告内容整理发布，详见后文。
近年来，移动互联、大数据等新技术飞速发展，倒逼传统行业向智能化、移动化的方向转型。随着运营集约化、数字化的逐渐铺开，尤其是以OCR识别、数据挖掘等为代表的人工智能技术逐渐深入业务场景，为用户带来持续的经济效益和品牌效应。图书情报领域作为提升公共服务的一个窗口，面临着新技术带来的冲击，必须加强管理创新，积极打造智能化的图书情报服务平台，满足读者的个性化需求。无论是高校图书馆还是公共图书馆，都需加强人工智能基础能力的建设，并与图书馆内部的信息化系统打通，优化图书馆传统的服务模式，提升读者的借阅体验。
来源 | 腾讯AI实验室（tencent_ailab） 近十年来在国际计算机视觉领域最具影响力、研究内容最全面的顶级学术会议CVPR，近日揭晓2018年收录论文名单，腾讯AI Lab共有21篇论文入选。 ▌计算机视觉未来方向与挑战 计算机视觉（Computer Vision）的未来，就是多媒体AI崛起，机器之眼被慢慢打开的未来。多媒体有的时候又称为富媒体，是对图像、语音、动画和交互信息的统称。多媒体AI就是对这些所有内容的智能处理。 一份国际报告显示，到2021年，视频将占全球个人
作者：Yu (Emma) Wang、Gu-Yeon Wei、David Brooks
很感谢谭哥的开篇废话这四个字，让我把一些废话说出来了，是时候还给谭哥了。因为废话太多会让人感觉，没有能力净废话。
论文：Recent Advances in Deep Learning: An Overview
论文地址：https://arxiv.org/pdf/1807.08169v1.pdf
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
即时通信 IM
腾讯会议
