深度学习

人工智能视频学习 链接：https://pan.baidu.com/s/18jgBkorX6xsjCTENrNTSWw 密码：hhun 复制这段内容后打开百度网盘手机App，操作更方便哦 机器学习 链接：https://pan.baidu.com/s/1mocbfNRHAD3KfTxTAM63uQ 提取码：0t3z 复制这段内容后打开百度网盘手机App，操作更方便哦 大数据和深度学习课程 链接：https://pan.baidu.com/s/1443KaozyEOTr4eVgwmE2wQ 提取码：jstx 复制这段内容后打开百度网盘手机App，操作更方便哦 有读者反映百度云链接已失效，现更新一下 链接：https://pan.baidu.com/s/1LnAThLnepNx5l1etweuDNw 密码：bxx7 为更好方便大家学习，若百度云链接失效，麻烦提示一下，我会立刻更新 来源： oschina 链接： https://my.oschina.net/u/4418610/blog/4316660

张钹院士：AI奇迹短期难再现 深度学习技术潜力已近天花板 在Alphago与韩国围棋选手李世石对战获胜三年过后，一些迹象逐渐显现，张钹院士认为到了一个合适的时点，并接受了此次的专访。 深度学习目前人工智能最受关注的领域，但并不是人工智能研究的全部。张钹认为尽管产业层面还有空间，但目前基于深度学习的人工智能在技术上已经触及天花板，此前由这一技术路线带来的“奇迹”在Alphago获胜后未再出现，而且估计未来也很难继续大量出现。技术改良很难彻底解决目前阶段人工智能的根本性缺陷，而这些缺陷决定了其应用的空间被局限在特定的领域——大部分都集中在图像识别、语音识别两方面。 同时，在张钹看来，目前全世界的企业界和部分学界对于深度学习技术的判断过于乐观，人工智能迫切需要推动到新的阶段，而这注定将会是一个漫长的过程，有赖于与数学、脑科学等结合实现底层理论的突破。 作为中国少有的经历了两个人工智能技术阶段的研究者，张钹在过去数年鲜少接受采访，其中一个原因在于他对目前人工智能技术发展现状的估计持有部分不同看法，在时机未到之时，张钹谨慎的认为这些看法并不方便通过大众媒体进行传播，即使传播也很难获得认同。 一、“奇迹并没有发生，按照我的估计，也不会继续大量发生” 经济观察报：您是如何估计和评价目前人工智能发展的现状？ 张钹：这一轮人工智能热潮是本世纪初兴起的。首先是出现在学术界。学术界过去对人工智能是冷遇的

　　 　　 作者 | Mr Bear 　　 编辑 | 丛 末 　　近年来，图神经网络掀起了将深度学习方法应用于图数据分析的浪潮。不过其作为一门古老的认识世界的方法论，人们对于图数据表征技术的研究从很早以前就开始了。 　　图数据表征学习，远不止图神经网络一种方法。 　　本文是一篇出自帝国理工学院的图表征学习综述，详细介绍了图核、卷积、图神经网络、图嵌入、概率模型共五类图表征学习方法的起源与发展，并对图数据表征学习方法的最新进展和未来发展方向进行总结和讨论。 　　 　　原文地址：https://arxiv.org/abs/1906.02989 　　 1 　　 引言 　　将数据构造为图的形式可以帮助我们以一种系统化的方式研究如何发掘复杂的关系和模式。例如，互联网图展示出了给定网页间高频链接的复杂结构；在自然语言处理领域中，人们有时以树的形式表征文本，理解单词之间的联系，从而推断出句子的意义。 　　然而，机器学习领域的研究主要关注于向量形式的表征，而真实世界中的数据并不能很轻易地被表征为向量。现实世界场景下复杂图结构的例子包括：生物学网络、计算机网络、传感器网络、社交网络、论文引用网络、电力网络和交通网络。通过使用基于图的表征，我们可以捕获结构化数据的顺序、拓扑、集合和其它关系特性。 　　神经网络是通用的函数近似器。近年来的研究进展表明，深度学习模型已经在语音识别、目标识别与探测

CNN做分割需要处理数据量很大的grid数据，需要对所有点的label进行预测，而且传统CNN并不会结合点与点之间的联系。 使用图结构建模分割轮廓或分割曲面，然后采用GCN，仿照传统的deformable model的方法对曲线或曲面进行迭代演变实现分割 ，是一种可行的方案。如何将曲线、曲面和它的演变过程，建模到GCN框架中？本文提到的论文提供了一种实现思路。 本文直接相关的应用场景虽然不涉及医学图像分割，但是其思想，比如3D组织的分割和组织编辑，都可以借助该文章的思路。deformation model的方法在医学图像分割领域应用是非常广泛的，本文本质就是deformation model和GCN的结合。 论文：Fast Interactive e Object Annotation with Curve-GCN 网址： https://arxiv.org/pdf/1903.06874.pdf ​ arxiv.org github： https://github.com/fidler-lab/curve-gcn ​ github.com 摘要 本文提出的新框架，通过使用图卷积网络（GCN）同时预测边界上每个顶点的演变方向。 端到端训练框架和模型； 通过该方法，可实现：画一个多边形，快速完成物体的轮廓标注。 Curve-GCN比现有的方法性能都要好，包括PSP-DeepLab

在医学图象中，多模态数据因成像机理不同而能从多种层面提供信息。多模态图像分割包含重点问题为如何融合(fusion)不同模态间信息，本文主要记录笔者最近所读，欢迎批评指正补充 1. A review: Deep learning for medical image segmentation using multi-modality fusion (Array 2019）*** 融合策略分类 综述，按照方法的位置将融合策略分为三大类：Input-level, Layer-level, Decision-level. 数据集： 几种多模态数据集 2. Co-Learning Feature Fusion Maps from PET-CT Images of Lung Cancer (TMI 2019）**** Abstract : Layer-level fusion, U-net, PET-CT, Lung cancer Method : 对CT与PET各一个encoder，不同层feature stack后经conv得到权重，与concat后的feature点积，得加权feature map。 Experiment : 肺癌数据，对比layer-level fusion : MB(multi-branch), MC(multi-channel), FS(fused)，效果不错。 3.

目录 一、前言 二、软件漏洞数据分析 三、软件漏洞分类实验流程 四、软件漏洞文本预处理 五、软件漏洞文本表示方法 六、软件漏洞分类模型构建 七、软件漏洞分类实验结果与分析 八、总结 一、前言 本人基于网络空间安全研究方向做过入侵检测实验、软件缺陷分类实验、软件安全漏洞分类管理实验等，网络安全方向相关数据集可参看个人总结： 网络安全相关数据集介绍与下载 ( 具体可参看个人博客： Asia-Lee )。 本文的主要目的是为了构造一个有效的软件漏洞分类模型，该模型能有效提高软件漏洞分类管理的效率和软件漏洞分类的准确率，减少系统被攻击和破坏的风险，降低漏洞修复的成本。本文主要使用深度学习相关方法构造漏洞分类模型进行实验调研。 二、软件漏洞数据分析 实验所用数据为美国国家计算机 通用漏洞数据库（National Vulnerability Database，NVD ）和 中国国家信息安全漏洞库（China National Vulnerability Database of Information Security，CNNVD） ，主要以 NVD漏洞数据库 中的漏洞数据为基准数据，本次实验使用的是从2002年到2019年5月份的NVD漏洞数据。 NVD漏洞数据库收录的漏洞数据具有唯一性，规范性，兼容性和统一性，采用国际编码语法规范，因此，可以作为软件漏洞分类研究的基准数据集

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 在计算机视觉领域，我国已经有多家企业崭露头角、获得了明显的竞争优势。在人工智能行业的独角兽群体中，以商汤，旷世为代表的企业，都以计算机视觉业务为主。 36氪最近接触到的「久译科技」，是一家专业从事人工智能(AI)解决方案及深度学习算法的公司。久译科技成立于2018年，以激光扫描与视频智能融合技术为核心，结合人脸识别、视频结构化分析、人群密度监测、以人搜人、智能激光监测、轨迹分析等多项原创技术，为交通、旅游、以及政府相关行业，提供客流与人脸综合监测系统、人车安防系统、激光周界系统、无感场景交互系统等产品服务。 2019年，公司曾为国庆70周年大阅兵仪式提供天安门广场的人脸综合分析系统。客户包括顺义政府、故宫，北京地铁等。在疫情期间，久译科技花费不到一个月的时间研发了高精度、低价格的红外测温产品。 具体来说，公司提供了一整套软硬件结合的解决方案。硬件方面，久译科技已推出“叮咚”和“刺猬”两个边缘计算的硬件核心产品。“叮咚”系列是高度集成的智能摄像机产品，其中，叮咚计数采用“深度相机+深度学习”的方案为公共交通客流计数，叮咚周界用“激光扫描仪+摄像机”做安防监测；“刺猬”系列则是一款边缘计算智能盒子，可以直接连接传统数字相机将其转变为带有边缘计算功能的智能相机。

目录 可扩展的机器学习算法库：MADlib 1+1＞2：MADlib + Greenplum 的优势 人工智能算法概览 采用GPU加速的数据库实现方式 结构化分析与非结构化分析的完美结合：GPText Pivotal Greenplum —— 全世界首个开源、多云数据平台，专为高级分析而打造。作为一个开放的数据计算平台，它集成了对数据进行挖掘和分析的高级功能，通过这些功能，用户可以直接在Greenplum数据库里使用高级分析算法，对数据进行分析和处理。 本篇文章将从最近较热的 人工智能 应用场景说起，详细为大家介绍如何运用 Greenplum 的内置算法进行 机器学习 ，帮助企业或用户从1到N，快速处理分析海量数据，获得行业洞察。 首先来讲 Greenplum，我相信大家对 Greenplum 多少有些了解。Greenplum 是一个MPP架构的分布式数据库，其特点是可以做非常大规模的数据计算，它可以在几百个节点的服务器规模的集群内做数据的拓展，并且可以在 PB 级，就是一千个T或者几千个T的数据容量上，做快速的数据存储和计算。 传统来讲，它是一个数据库，但实质上 Greenplum 不只是一个数据库，因为我们在库内集成了很多高级分析的功能。这些高级分析的功能，可以使用户更方便的使用数据，因为数据本身要进行挖掘才能产生价值，对于传统的友商，比如说像 Oracle、MySQL 或者

移动互联网时代以来，人工智能（AI）技术不断发展和完善，不断展现出巨大的商业潜力，并开始在各行各业落地开花，其中计算机视觉AI技术发展最快应用最广。阿里云为响应国家“加快新型基础设施建设“的号召，以“无行业不AI“为主题，特此举办阿里云视觉AI应用创新赛，为行业应用及解决方案落地提供展示创意和想法的舞台。 本次大赛向全行业开发者用户开放，针对优秀人才、优秀作品提供百万现金奖池，为创业人才提供包括阿里巴巴资源对接与扶持、技术培训和上云指导以及导师帮助等与初创企业相关的综合服务。同时为协助本次赛事，阿里云将会与参赛者共享阿里内部视觉AI开发的实践经验，从技术，资金，资源三方面帮助企业实现场景落地。 本文将会通过解析AlibabaWood视频生产工具的算法来介绍视觉AI技术在新零售电商领域中的应用，为参赛人员开发视觉AI应用提供一种可行的思路。 AlibabaWOOD介绍 AlibabaWOOD是阿里云为了提升电商营销视频制作效率和质量而推出的工具。在电商平台，投放商品视频展示可以增加信息传播途径提升引流曝光，针对同一商品，是否投放视频展示对各关键指标影响非常大，如下图所示。 图1 单一商品图像款对比视频款 但传统的批量视频制作通常依赖于设计师提前制作的固定模板，且大批量生产的视频通常千篇一律，缺乏感染力。为了解决这一问题，AlibabaWOOD充分利用目前最先进的AI技术

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 在过去的几个月中，由于与冠状病毒有关的索赔，在这段巨大的压力下，失业系统盗窃了数百万美元。 一个精明的国际骗子团伙一直在为仍然稳定工作的人提出虚假的失业要求。攻击者使用先前获取的个人身份信息(PII)(例如社会安全号码，地址，姓名，电话号码和银行帐户信息)来欺骗公职人员接受索赔。 然后，向这些受雇人员支付的款项将转至洗钱同伙，这些同伙在将现金存入自己的帐户之前先将其转嫁以掩盖现金的非法性质。 对导致这些攻击的PII的收购以及金融机构未能发现的洗钱模式凸显了重新建立安全性的重要性。但是，在基于历史规则的系统失败的地方，经过高质量数据训练的人工智能才是卓越的。 攻击者如何获取您的财务信息 假设您需要汽油，并且已经在平常的车站停了下来。您将信用卡滑入插槽后，设备将像往常一样显示“快速删除卡”。但是，您可能还没有注意到插槽上安装的微型硬件，看上去与通常的插槽相同，在您经过时会读取您的信用卡号。 或者，假设您收到来自Alerts@weIlsfargo的电子邮件，内容为“我们已检测到您帐户中的可疑活动，您最近是否在亚马逊上花费了5000美元?”有一个带您进入网站的按钮，并且在页脚中显示一条消息，指出“出于任何原因，请勿将您的帐户凭据提供给任何人。富国银行绝不会在电子邮件中要求您提供个人信息