IT思维

Chen等人报道了另一种排名很靠前的方法。其基本思想是利用人工制作的特征将激光雷达点云投影到基于体素的RGB地图上，如密度、最大高度和一个具有代表性的点强度。

因其强大的表征能力，除图像分类以外，包括目标检测和人脸识别在内的许多计算机视觉应用都得到了性能提升。

想在夜里获得视野并不是什么难事，如今 红外技术的发展已经非常成熟。

本研究提出的模型由两个卷积网络（ConvNet）构成——外观流和动态流，二者分别经过预训练，用于目标识别和光流预测。

预测未来事件是实现智能行为的一个重要的先决条件，而视频预测就是其中一项任务。

恩达对话Yann LeCun：从相识Hinton到深度学习崛起

人类对图像的感知远远超出了物体、形状、纹理和轮廓这些因素。

如今来自史密斯学会和哥斯达黎加理工学院的研究人员们正致力于更加充分地深入利用这些数据，将大数据分析、计算机数据和GPU计算技术结合起来，希望更深入地理解植物信息学。

“目前，检测一个地方有什么物种的最好方法是坐下来，卷起裤子，看看有什么蚊子咬你。” Sinka说，“但这显然是有一些不足的。”

的确，如今学习人工智能最大的困难不是找不到资料，更多同学的痛苦是：网上资源太多了，以至于没法知道从哪儿开始搜索，也没法知道搜到什么程度。

神经网络非常强大，但是它们需要大量的能量。麻省理工学院的工程师们现开发出了一种新的芯片，可以将神经网络的功耗降低95%，这也许会使得其可在电池驱动的移动设备上运行。

与人类专家相比，现在人工智能在病人身上检测心脏病功能已经开始拥有相当高的准确性了。

人工智能目前在与专业医生的能力对比上还罕有胜迹。但深度神经网络方法最近已经可以在灰指甲这一真菌疾病的诊断上击败 42 名皮肤科专家了——这种疾病每年困扰着 3500 万美国人。

新加坡有位高中生Karan Jaisingh已经学习人工智能和机器学习一年了。不久前，他在GitHub发出了一篇长文，专门教广大高中生（以及高中老师、高中生家长、准高中生、准高中生家长……）入门人工智能。

近日，来自美国东北大学和美国信息科学研究所的研究者联合发布论文《MoNet: Moments Embedding Network》。

近年来，深度学习在计算机视觉领域已经占据了绝对的主导地位，在许多相关任务和竞赛中都获得了最好的表现。

近年来，深度学习有了突破性发展，NLP 领域里的情感分析任务逐渐引入了这种方法，并形成了很多业内最佳结果。本文中，来自领英与伊利诺伊大学芝加哥分校的研究人员对基于深度学习的情感分析研究进行了详细论述。

当今世界人工智能领域，Yann LeCun被业内奉为“神一样的人物”，他是卷积神经网络的发明者，与Geoffrey Hinton、Yoshua Bengio并成为“深度学习三巨头”。

目前，深度学习和深度强化学习已经在实践中得到了广泛的运用。

2017年末，Facebook应用机器学习组发布最新论文，对整个Facebook的机器学习软硬件架构进行了介绍。

1月18日，召开国家人工智能标准化总体组、专家咨询组成立大会，在会上，国家标准化管理委员会宣布成立国家人工智能标准化总体组、专家咨询组，负责全面统筹规划和协调管理我国人工智能标准化工作。

提起欧洲的人工智能，或许大多数人的第一反应是驻地应该的DeepMind，或者是俄罗斯的Yandex。其实在法国，这个以往人们印象中的浪漫之都，也存在不少人工智能企业。

近日，微软全球执行副总裁沈向洋、微软研究院首席研究员何晓东、微软（亚洲）互联网工程院副院长李迪（小冰项目负责人）共同提交了一篇论文《From Eliza to XiaoIce: Challenges and Opportunities with Social Chatbots》引起了人们的很大关注。

如果你已经建立了一个工作原型，你就可能是这个房间里最聪明的人。恭喜你，你成了高级俱乐部的成员。

谷歌的人工智能研究人员最近展示了一种新的训练方式，可以让计算机理解为什么有些图像比其他图像更美观。