IT思维

计算成像系统架起了硬件和图像重建间的桥梁，让很多复杂的光学成像系统包括断层扫描、超分辨和相位成像等，都在计算成像的助力下得以通过对商业显微镜和计算重建的简单改造而实现。

近日，谷歌大脑团队提出一种结构化方法从单目视频中进行无监督学习，获得了较高质量的场景深度和自运动预测。

Hinton 团队在 2017 年发表在 NIPS 上的论文曾经介绍，通过添加一个能够从顶层胶囊的姿态参数和身份重构输入图像的网络，可以提高胶囊网络的判别能力（Dynamic routing between capsules）。

这些是我对处于早期阶段的公司或非营利组织提出的关于机器学习应用场景的建议。

公众号/AI前线 作者 | Chris Ying 等 编译 | 郝毅 编辑 | Natalie AI 前线导读 […]

青光眼是世界上导致失明的第二大原因。

美国艺术家 Jackson Pollock 说过：“所有的一切，都是一场建筑游戏，有的人用刷子，有的人用铲子，还有的人用钢笔。”

但如果我们从不承认我们的缺点，那么我们就无法采取措施来解决它们。

在中文科技媒体的世界里，日本的人工智能产业就像是“薛定谔的AI”，有时候它是值得学习的好榜样，有时候又会被拎出来吊打。

目前，有很多深度学习框架支持与 Spark 集成，如 Tensorflow on Spark 等。

公众号/AI报道 人工智能正热。 技术创新是经济增长的根本动力。这些技术中，最重要的就是经济学家提到的“通用技 […]

近日，谷歌 AI 的一篇 NLP 论文引起了社区极大的关注与讨论，被认为是 NLP 领域的极大突破。

为了将最新的计算机视觉模型引入移动设备，Facebook 开发了 QNNPACK，一个针对低强度卷积进行优化的函数库。

德勤连续调查了有关认知技术/人工智能的主管，因为他们代表了今天正在测试和实施这些技术的公司。

现如今，“大数据”通常指的是包含数十万甚至数百万个数据点的数据集！

本文将用一个葡萄酒是不是好喝的例子，让你迅速了解整个机器学习的技术过程。

做好防灾减灾工作是气象人员面临的巨大挑战。

对移动式工作的机器人来说，如何判断周边环境的安全，以保证畅通无阻是非常重要的。还没动两步就“咣咣”碰壁，这样的机器人就太尴尬了。

作为独立于监督和非监督机器学习之外的机器学习重要分支，强化学习在多学科多领域中发挥了重要的决策支持作用。

许多重要的神经网络架构都是在上世纪八十年代中期和九十年代早期完成的。

MIT 和清华大学的研究者提出目标几何、外观和姿态的分解表征架构，并将其整合到深度生成模型中，实现了对 2D 图像目标的 3D 操控。

有些公司表示看好，也有些公司打算跟随特朗普政府的政策。

如何优化 SQL 连接是数据库社区数十年来一直在研究的一个大问题。

从有一些有趣的用例看，我们似乎完全可以将 CNN 和 RNN/LSTM 结合使用。许多研究者目前正致力于此项研究。

人工智能正越来越多的渗透入人们的生活，改变人们的生活，从自然语言生成到语音识别、从医疗诊断到商业决策，AI逐渐开始显露出巨大的优势，并且它的脚步不会停止。