深度学习

点击 上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 整理：公众号@新智元 本文仅做学术分享，如有侵权，请联系删除。 ECCV 2020已于昨日开奖！ 今年主办方共收到5025篇有效文章，数据为ECCV 2018的两倍还多，再创新高。最终有1361篇文章被接收发表，接收率27%，较上届稍有下降。 ECCV 2020论文接收情况已于昨日公布！ 今年，由于疫情的影响，诸多会议转为线上。每两年举办一次的ECCV也不例外，ECCV将于2020年8月23日至28日在线上举行。 论文投稿「爆仓」，接收率为27% 近年来，计算机视觉大热，直接导致三大顶会：ICCV、CVPR、ECCV的论文接收暴涨，可以用「爆仓」来形容。今年主办方共收到 5025篇 有效文章， 数据为ECCV 2018的两倍还多 ，再创新高。最终有 1361篇 文章被接收发表，接收率仅27%，不到三成。 其中，oral的论文数为 104篇 ，占提交总量的 2% ；spotlight的数目为 161篇 ，占提交总量的 5% ；其余论文为poster。 回顾一下上两届的数据：ECCV 2016 有效投稿数为 1561 篇，录用论文 415 篇（占26.6％），其中 oral 论文 28 篇（占1.8%）。ECCV 2018有效投稿数共计 2439 篇，接收论文 776 篇（占31.8%），其中oral 论文 59 篇（占2

本文为深度学习的学习总结，讲解卷积神经网络。欢迎交流 计算机视觉 如果我们想要输入的图片像素为 1000×1000×3，则此时神经网络特征维度为 3 百万， W [ 1 ] W^{[1]} W [ 1 ] 采用全连接时，维度更夸张。我们使用卷积运算来解决这个问题。 边缘检测 I 卷积运算是卷积神经网络最基本的组成部分。我们使用 边缘检测 作为入门样例。 为了让电脑搞清楚下面这张图片的内容，我们可能需要先检测图片中的垂直边缘，右上角的图为垂直 边缘检测器 的输出，右下角为水平边缘检测器的输出： 接下来我们讲解如何检测出这些边缘。下图中，左边为一个 6×6 的灰度图像，即 6×6×1 的矩阵，没有 RGB 三通道。我们可以构造图中中间的 3×3 矩阵，成为 过滤器 （或核）， ∗ * ∗ 运算符为 卷积运算 。而矩阵运算的结果是一个 4×4 的矩阵，因为过滤器在图中左边的矩阵中有 4×4 个可能的位置，可将其看作 4×4 的图像： 我们计算右边矩阵中的第一个元素的值。将 3×3 的过滤器覆盖在输入图像的蓝色区域，并在每个元素上标记过滤器的值，将对应元素相乘后求和 1 × 3 + 0 × 0 + . . . + 2 × − 1 = − 5 1\times3+0\times0+...+2\times-1=-5 1 × 3 + 0 × 0 + . . . + 2 × − 1 = − 5

人员信息 主讲嘉宾 姓名 ： 朱俊彦 （Jun-Yan Zhu） 现状 ：麻省理工学院博士后（PostDoc at MIT），计算机科学与人工智能实验室（Computer Science and Artificial Intelligence Laboratory, CSAIL） 个人主页 ： http://people.csail.mit.edu/junyanz/ 图形学中的尝试：趁手的武器 or 白费功夫？ 在传统的图形学管线（pipeline）中，输出图像需要经过建模、材质贴图、光照、渲染等一系列繁琐的步骤（见下图）。 现在大家看到了Deep Learning的潜力，那我们自然的就有个想法：有没有可能使用Deep Learning简化计算机图形学（Computer Graphics）的研究呢？ 一个直接的想法是把DNN“倒过来用”。之前的DNN可能是输入一幅图像，输出一个标签（比如说猫），那我们能不能输入“猫”这个字，输出一张猫的照片呢？ 很遗憾，答案是No！因为这种任务实在太复杂啦！我们很难让DNN凭空输出图像这样的 高维数据（High dimensional data） （这里的“高维”可以理解成数据量大）。实际上，在很长一段时间里，DNN只能输出数字这种简单的、低分别率的小图像，就像下面这样： 而想要生成想游戏场景这类的图片，这种方法根本没用。所以

2020 年，成为真正意义上的新基建“元年”，各种利好政策密集落地，全国各地都开始重视起这个频频出现在国家政策文件上的新概念。近期，国家发改委近期多次强调加快 5G 网络、数据中心等新型基础设施建设，业内人士指出，新基建投资计划正加速推出，预计年内投资规模将达万亿元。 新基建暖风下， 算力市场“蛋糕”怎么分？ 新基建中，人工智能的基础建设是最重要的部分之一，而人工智能的发展，离不开算力的支撑。我们都知道，随着 5G、物联网等新兴技术的发展，数据量将以更加难以计量的速度膨胀爆发，据 IDC 预测，2020 年全球数据总量将达到 44ZB，中国的数据总量超过8ZB，占全球数据总量的 18%，而到 2025 年，全球数据总量预计将达到180ZB。与此同时，模型计算也将变得更加复杂，对算力的需求节节拔升，挑战难度不断升级。 日前，国家发改委明确“新基建”的范围，其中包括信息基础设施、融合基础设施、创新基础设施等三个方面，以数据中心、智能计算中心为代表的算力基础设施，就包含在信息基础设施当中。 在这样的背景下，AI 算力将成为 AI 基础设施建设的重中之重，甚至成为整个新基建的核心支撑。顺应时代需求，各大算力供应商纷纷摩拳擦掌，意图瓜分算力市场这块巨大的“蛋糕”。 群狼环伺， 华为为何能杀出重围？ 华为就是这对算力市场“虎视眈眈”的企业中的其中一个。在 AI 计算领域，华为是国内起步较早

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 整理：公众号@智车科技 本文仅做学术分享，如有侵权，请联系删除。 这是一个arXiv上2020年6月底上传的综述“A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence“，作者来自英国牛津大学，文章覆盖了odometry、mapping和SLAM等。 这是一个arXiv上2020年6月底上传的综述“A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence“，作者来自英国牛津大学，文章覆盖了odometry、mapping和SLAM等。 如图给出了传统方法和学习方法的比较：X是传感器数据，Y是目标（运动、姿态和几何+语义等）。 关于深度学习在这个领域的应用，作者给出了如下的分类： 而这里给出综述的全貌，也是以上模块在所构成系统的相互关系图： 这是odometry的方法列表：分视觉、视觉-惯导和激光雷达三个类。 下面这张图告诉我们：非监督方法还是比监督方法误差大，深度学习和传统方法的混合精度不错。 这是mapping的方法列表：

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 本文整理自知乎问答，仅用于学术分享，著作权归作者所有。 如有侵权，请联系后台作删文处理。 方法一 作者｜知乎用户 https://www.zhihu.com/question/333112953 1、项目中拿钱 能名正言顺拿的钱不多； 能名正言顺拿的只能说是小钱； 。。。 不论何种方法，如果能拿到钱，把钱投进去做其他两项内容算是眼光长远一些 当然，因地制宜，因人而异 2、专利 本身值钱的专利极少 有也不是常规学术圈的人能作为赚钱的工具 专利有价值的是技术体系 现在各大学技术转化都是在专利名义下的技术体系产业化 这种专利需在在开始就是奔着产业化去的，并形成大量数据、经验、技术特征、配套体系 能做到产业化的专利，需要长久投入 国家和学校都鼓励支持，名正言顺且更赚钱规模最大 3、和产业界合作横向课题 2的一种前体，但主体在企业一方 学术界负责以顾问的形式解决生产中出现的大小问题 钱不大不小，钱名正言顺，技术难度中等，国家鼓励，学校收管理费没额外话说 需要注意学生劳务问题，多给干活儿的学生发工资才好 4、按照从小到大，或从暗到明的过程 先做1，不要从中拿钱，即便拿了，再投进去换技术经验 然后开始接3，并根据情况协调1和3的比例 做1和3做得没感觉了，或有足够技术了，或有额外因素了，启动2 人多少还是要有点儿追求

中国软件网 出品 作者 曹开彬 ------- 今年是微软Office诞生的 30年。 1990年，微软正式推出Office 1.0。 2020年，微软的Office被升级并改名为Microsoft 365。 从Office到Office 365，到如今的Microsoft 365，微软办公软件Office名字的变化，这背后反映了Office市场的哪些特点？ 另一方面，国内Office办公软件的旗帜——金山办公2019年11月18日正式上市，开启国产办公软件发展的新纪元。 更值得关注的是，疫情让办公软件、尤其是在线文档的需求大幅上升。根据QuestMobile发布的报告显示，2020年春节后办公软件日均活跃用户规模上升了4000万。 而金山办公的相关负责人也曾表示，疫情期间近2.4亿人使用在线协作文档，而金山文档月活跃用户已突破2.39亿。 这一切，正预示着一个不一样的未来。 三十而立的Office办公软件未来有什么发展趋势？ 为此，中国软件网对业内专家刘昌伟先生进行了专访。 刘昌伟 刘昌伟，北京航空航天大学硕士，北京金山办公软件股份有限公司合伙人，海淀信息服务业常务副会长。20余年IT行业生涯，从技术研发、产品策划到公司管理，积累和沉淀了丰富的经验，具有敏锐的嗅觉。多年来，管理过大型研发团队，获得了10余项专利。曾主持、策划、设计和研发过多款成功产品，主持研发天驭网络照片管理系统

2020年5月28日下午，十三届全国人大三次会议表决通过了中华人民共和国民法典，民法典将在2021年1月1日正式施行。6月1日晚，两会已授权民法典正式文本发布。 这是中国1949年后首部以“法典”命名的法律，财新评价它：“象征生命、自由、财产的私权立法迎来高光时刻。”值得注意的是，民法典人格权编中明确规定了不得用技术手段伪造等方式侵害他人肖像权， 矛头直接指向 AI 换脸、变声 。 “ 民法典正式施行后，即便用户利用 AI 技术换脸只是单纯的娱乐，没有营利目的，也有可能被认定为是侵犯肖像权 。”广东合邦律师事务所律师肖锦阳对开源中国表示，《民法典》第1019条明确规定了肖像权的消极权能，这对 AI 换脸等滥用信息技术手段侵犯肖像权的行为进行禁止和预防具有积极意义。 我国新颁布的民法典中第1019条就规定： 任何组合或者个人 不得以丑化、污损，或者利用信息技术手段伪造等方式侵害他人的肖像权 。未经肖像权人同意，不得制作、使用、公开肖像权人的肖像，但是法律另有规定的除外。 未经肖像权人同意，肖像作品权利人不得以发表、复制、发行、出租、展览等方式使用或公开肖像权人的肖像。 而在此之前，我国的肖像权保护主要参照《民法通则》第一百条规定： 公民享有肖像权，未经本人同意，不得以营利为目的使用公民的肖像。 AI 换脸在技术层面只是做深度学习训练的一个切入点，往往兼具娱乐性。但在应用和商业方面

作者：Amit Chaudhary 编译：ronghuaiyang 原文链接： 计算机视觉中的半监督学习 ​ mp.weixin.qq.com 导读 图解半监督的各种方法的关键思想。 计算机视觉的半监督学习方法在过去几年得到了快速发展。目前最先进的方法是在结构和损失函数方面对之前的工作进行了简化，以及引入了通过混合不同方案的混合方法。 在这篇文章中，我会通过图解的方式解释最近的半监督学习方法的关键思想。 1、自训练 在该半监督公式中，对有标签数据进行训练，并对没有标签的数据进行伪标签预测。然后对模型同时进行 ground truth 标签和伪标签的训练。 a. 伪标签 Dong-Hyun Lee[1] 在 2013 年提出了一个非常简单有效的公式 —— 伪标签。 这个想法是在一批有标签和没有标签的图像上同时训练一个模型。在使用交叉熵损失的情况下，以普通的监督的方式对有标签图像进行训练。利用同一模型对一批没有标签的图像进行预测，并使用置信度最大的类作为伪标签。然后，通过比较模型预测和伪标签对没有标签的图像计算交叉熵损失。 总的 loss 是有标签和没有标签的 loss 的加权和。 为了确保模型已经从有标签的数据中学到了足够的知识，在最初的 100 个 epoch 中，αt 被设置为 0。然后逐渐增加到 600 个 epochs，然后保持不变。 b. Noisy Student Xie

Regularization Deep Learning models have so much flexibility and capacity that overfitting can be a serious problem ，if the training dataset is not big enough. Sure it does well on the training set, but the learned network doesn't generalize to new examples that it has never seen!（它在训练集上工作很好，但是不能用于 它从未见过的新样例） You will learn to: Use regularization in your deep learning models. Let's first import the packages you are going to use. # import packages import numpy as np import matplotlib.pyplot as plt from reg_utils import sigmoid, relu, plot_decision_boundary, initialize_parameters, load_2D