都说做一件事情最好的时机就是「现在」,但是从何开始往往会难倒一大批人,更不用说是想要入门数据科学和机器学习的朋友了。
显著性检测的主要任务是检测出图像中具有最独特视觉特征的目标区域,它在视觉内容编辑、目标检测、渲染、分割等领域有着重要的应用。
图像修复技术对于众多修图软件来说十分重要,在深度学习的帮助下图像修复算法的功能越来越强大,甚至对于大幅度污损的照片也能轻松修复。
举例来说,将行为预测神经网络犯的错当训练数据就非常有意义,而这个纠错的过程是个进步的捷径,比投喂各种随机数据有效多了。
NLP 是人工智能中最难的问题之一,对它的研究与落地充满了挑战性。预训练模型 BERT 的出现给自然语言处理领域带来了里程碑式的改变。
最近,谷歌大脑团队发表了一篇论文,文中提出了一种叫做概念激活向量(Concept Activation vectors,CAV)的新方法,这种方法为深度学习模型的可解释性提供了一个全新的视角。
面部图像操作是计算机视觉和计算机图形学里十分重要的研究方向,包括自动表情生成和面部风格迁移方向都离不开它的身影,也成为了美妆app里重要的AI技术。
先进的机器学习算法逐步在专业的医疗诊断领域发挥出重要的作用,在检测糖尿病引起的眼部疾病和乳腺癌中都发挥了重要作用。
公众号/将门创投 From:Awesome_FGIA 编译:T.R 细粒度图像分析(fine-grained […]
数据对于深度学习来说至关重要,而数据增强策略对于提升训练样本数据量、改善模型稳定性和鲁棒性,提高对于真实世界的适应性和泛化性具有重要的作用。
机器学习算法利用统计数据从大量数据中找到数据的模式。这里的数据可以有很多形式,如数值、文字、图像,甚至你点一次鼠标也算,反正就是你周围的一切一切。
来自Facebook的研究人员提出了Mesh R-CNN模型,可以从单张输入图像中检测不同物体,并预测出每个物体对应的三角网格,将二维目标检测的能力成功地拓展到了三维目标检测和形状预测。