深度学习

最新!全球学术排名出炉:18所中国大学位居世界100强

假装没事ソ 提交于 2020-10-28 20:58:48
点击上方 “ AI算法与图像处理 ”,选择加"星标"或“置顶” 重磅干货,第一时间送达 来源:iNature 编辑:双一流高校 9月5日, Nature 指数公布了2019年7月1日到2020年6月30日大学/机构排名,也就是说最新的一期机构/大学的学术排名正式出炉。iNature编辑部进行了及时的整理发现: 在全球大学/机构综合排名中,中国科学院再次位居榜首,其次是中国科学技术大学,北京大学及清华大学。 中国科学技术大学再次蝉联高校第一;另外有19个大学/机构顺利挺进全球前100名,吉林大学、四川大学、武汉大学、华中科技大学再次进步;兰州大学表现卓越,位列109名。 全球大学/机构综合排名 对于全球大学排名,我们发现,中国科学院已经连续多年盘踞着榜首的位置,哈佛大学及马克思普朗克协会紧随着其后。 中国有 18名大学进入 全球前100名 ,分别是:中国科学院(第1名), 中国科学技术大学(第8名),北京大学(第10名) ,清华大学(第11名),南京大学(第14名),中国科学院大学(第16名),浙江大学(第23名),复旦大学(第32名),中山大学(第37名),南开大学(第38名),上海交通大学(第39名),苏州大学(第45名),四川大学(第47名),武汉大学(第49名),华中科技大学(第54名),厦门大学(第63名),吉林大学(第72名),天津大学(第76名),湖南大学(第91名)

目标检测综述

独自空忆成欢 提交于 2020-10-28 16:43:58
目录 1 INTRODUCTION 2 OBJECT DETECTION IN 20 YEARS 2.1 A Road Map of Object Detection 2.1.1 Milestones: Traditional Detectors 2.1.2 Milestones: CNN based Two-stage Detectors 2.1.3 Milestones: CNN based One-stage Detectors 2.2 Object Detection Datasets and Metrics 2.2.1 Metrics 2.3 Technical Evolution in Object Detection 2.3.1 Early Time’s Dark Knowledge 2.3.2 Technical Evolution of Multi-Scale Detection 2.3.3 Technical Evolution of Bounding Box Regression 2.3.4 Technical Evolution of Context Priming 2.3.5 Technical Evolution of Non-Maximum Suppression 2.3.6 Technical Evolution of Hard Negative

计算机视觉目标检测算法综述

主宰稳场 提交于 2020-10-28 15:09:05
计算机视觉目标检测算法综述 版权声明:转载请注明出处 https://blog.csdn.net/qq_16525279/article/details/81698684 传统目标检测三步走:区域选择、特征提取、分类回归 遇到的问题: 1.区域选择的策略效果差、时间复杂度高 2.手工提取的特征鲁棒性较差 深度学习时代目标检测算法的发展: Two-Stage: R-CNN 论文地址: Rich feature hierarchies for accurate object detection and semantic segmentation 地位:是用卷积神经网络(CNN)做目标检测的第一篇,意义影响深远。 核心思想: 1.区域选择不再使用滑窗,而是采用启发式候选区域生成算法(Selective Search) 2.特征提取也从手工变成利用CNN自动提取特征,增强了鲁棒性。 流程步骤: 1.使用Selective Search算法从待检测图像中提取2000个左右的区域候选框 2.把所有侯选框缩放成固定大小(原文采用227×227) 3.使用CNN(有5个卷积层和2个全连接层)提取候选区域图像的特征,得到固定长度的特征向量 4.将特征向量输入到SVM分类器,判别输入类别;送入到 全连接网络 以回归的方式精修候选框 优点: 1.速度 传统的区域选择使用滑窗,每滑一个窗口检测一次

阿里云设计团队为我们带来了「数字」+「设计」的可能……

本小妞迷上赌 提交于 2020-10-28 14:26:00
Q: 阿里云设计?设什么计? 作为设计师,我们的日常就是解决问题,披荆斩棘不在话下;而其中几乎最棘手的一个竟然是: “如何在过年回家时,给七姑八婶解释我做什么工作。” 虽然大可以从「工艺美术革命」讲到「现代主义」,再从「GUI」的出现讲到「包容性设计」,最终可能也只会换来一个恍然大悟式的唏嘘: “Yooo,你在阿里画图啊。” 感谢这个时代,这个问题随着爷爷奶奶们换上智能手机而得到缓解,淘宝/支付宝的设计同学,只需打开手机轻点屏幕: “喏,瞧瞧,我做的。” 世界,安,静,了。但身为「阿里云」的设计师,我们远没有如此这般的幸运;甚至面对可爱的同行,我们都经常要面对一个发人深思令人深省的灵魂拷问: “你们的设计很棒的样子;但,你们到底在设计什么呢?” 这篇文章,便是我们 尝试 对这个问题给出的答案(之一)。 A: 数 字 + 设计 计算机的出现,带来的最核心的改变之一,便是“数”这个“无处不在”却“无声无形”的东西,终于脱离了岩石、竹片、纸张等有形的桎梏,找到了合适的宿主 —— 由硅原子构成的薄薄晶片。在这里,“数”可以以边际成本近乎为零的方式复制、繁衍、生长和演化,构建出无穷的可能性。如今,你在 C4D 中按下cmd+C 和 cmd+V,复制出完整而细腻的人体模型;这个习以为常的操作,对于一个千年前古希腊的雕刻师来说,却宛如神迹复现。正如克拉克所言: “任何足够先进的技术,都与魔术无异

《人民日报》发声:科研人员收入理应体现他们的价值

99封情书 提交于 2020-10-28 11:58:00
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@ 中外学术情报 本文仅做学术分享,如有侵权,请联系删除。 8月10日,《人民日报》刊发署名成长群的文章《激励更多科研人员创新创业》,文章表示,科技研发是重要的智力劳动,可以创造巨大的精神财富和物质财富, 科研人员收入理应体现其价值。 把尊重知识、尊重人才落到实处,要让科研人员智力、体力的付出得到合理回报。 具体内容如下。 去年7月份科创板开市以来,一大批参与创新创业的科研人员通过公司上市获得了丰厚的回报,这将吸引更多科研人员创新创业,未来或将诞生更多科学家创业者。 改革开放以来,党和政府一直强调尊重知识、重视人才。科研人员实际贡献与收入分配不完全匹配、股权激励等政策缺位、内部分配激励机制不健全等突出问题逐步得到解决。 长期以来,一代又一代科学家默默耕耘、勇攀高峰,为祖国和人民作出了重大贡献。在去年颁发的8名“共和国勋章”获得者中,有5名是科学家,充分体现了党和国家对卓越科技工作者的肯定、关心和尊崇。 今年8月,钟南山又被推为“共和国勋章”建议人选。 于敏长期领导并参加核武器的理论研究和设计,填补了我国原子核理论空白,为氢弹突破作出重大贡献; 袁隆平用毕生心血培育杂交水稻,创建了超级杂交稻技术体系,为保障我国的粮食安全厥功甚伟; 屠呦呦研究发现了青蒿素,为中医药科技创新和人类健康事业作出巨大贡献……

记华为面试

怎甘沉沦 提交于 2020-10-28 11:47:21
点击上方“ 逆锋起笔 ”,选择“星标” 我们一起「在看」 作者:BBBBBigOrange 来源:简书 整理:君未读 作者:BBBBBigOrange 链接:https://www.jianshu.com/p/c554935d9f3c 之前在华为官网上投递了华为的车联网岗位,不过华为没有理我。后来华为来同济开宣讲会,给了一个邮箱,顺手就又给车联网部门投递了一个邮件。 然后上周一个电话过来叫我周六早上去他们上海的总部面试。 华为还是很受高校学生欢迎的,当天去的时候发现来面试的依然还是全都是上交复旦同济的学生。不过华为的面试安排流程不是很好,效率很低,本来是10点面试。整个流程走完拖到了下午两点。原因是华为面试分为初面和终面,终面是部门老大面。这感觉就好像有很多中间服务器处理大量用户请求,最后都交给一个中央服务器去处理。。这效率不低就怪了。。 初面和终面过程都差不多,这个部门面试都是简历面,不考写代码。 先说一下初面,面试官上来先问了我一下最近做过的项目,然后我就给他介绍了一下最近实习做的那个车道线检测的项目。不过感觉华为好像特别关心在学校里的事情,然后面试官问我课题组研究方向,发的EI论文的内容,让我介绍了一下论文内容,还让我手画了一下结构图,控制流程图(说实话真心不记得了。。过那么久)。然后问我对做电池有没有兴趣,跟我说他们目前有这个计划。被我一口回绝。。

记华为面试

痴心易碎 提交于 2020-10-28 11:23:32
点击上方“ 逆锋起笔 ”,选择“星标” 我们一起「在看」 作者:BBBBBigOrange 来源: 简书 整理:君未读 作者:BBBBBigOrange 链接:https://www.jianshu.com/p/c554935d9f3c 之前在华为官网上投递了华为的车联网岗位,不过华为没有理我。后来华为来同济开宣讲会,给了一个邮箱,顺手就又给车联网部门投递了一个邮件。 然后上周一个电话过来叫我周六早上去他们上海的总部面试。 华为还是很受高校学生欢迎的,当天去的时候发现来面试的依然还是全都是上交复旦同济的学生。不过华为的面试安排流程不是很好,效率很低,本来是10点面试。整个流程走完拖到了下午两点。原因是华为面试分为初面和终面,终面是部门老大面。这感觉就好像有很多中间服务器处理大量用户请求,最后都交给一个中央服务器去处理。。这效率不低就怪了。。 初面和终面过程都差不多,这个部门面试都是简历面,不考写代码。 先说一下初面,面试官上来先问了我一下最近做过的项目,然后我就给他介绍了一下最近实习做的那个车道线检测的项目。不过感觉华为好像特别关心在学校里的事情,然后面试官问我课题组研究方向,发的EI论文的内容,让我介绍了一下论文内容,还让我手画了一下结构图,控制流程图(说实话真心不记得了。。过那么久)。然后问我对做电池有没有兴趣,跟我说他们目前有这个计划。被我一口回绝。。

玻璃做介质,用光记录或删除数据,全息云存储来了!

别等时光非礼了梦想. 提交于 2020-10-28 09:55:02
      大数据文摘出品    编译:lin、牛婉杨   你能想象吗,未来有望实现“全系存储”了!什么意思呢,就是利用光来记录数据页、玻璃作为介质实现云上存储。全息晶体可以填充密集的数据,若想删除数据,只需用紫外光就能擦除,也太酷了吧!      这是微软研究院的一项新研究,文摘菌找到了研究人员的博客,来看看他们是怎么描述的吧~    数据存储一直是计算的一个重要原则,随着云计算的大量增长,对云数据存储的需求为重新回顾现有技术和开发新技术开辟了道路。 据预测,到2024年,每年将产生约125ZB的数据,而以经济有效的方式存储这些数据将是一个巨大的挑战。   云也改变了微软对计算和存储的看法。在云计算中,服务被虚拟化。例如,在云数据存储中,客户购买的是存储容量和访问率,而不是物理存储设备(参见图1)。 这种虚拟化为设计和优化仅适用于云的技术提供了新的机会。 这在存储领域尤其有趣,因为当前所有的存储介质都是在前云时代创建的。云存储为具有不同功能的新存储设备提供了机会,既可以补充微软目前部署的现有存储技术,又可以解决云给存储带来的一些挑战。   微软研究院正在他们的光学云计划中直面这些挑战,研究人员正在研究新的方法来改善存储、计算和网络,通过汇集不同领域的技术专家来确定光学的新应用。借助微软在计算机系统和人工智能方面的专业知识,研究人员看到了将光学物理学家和工程师聚集在一起

百分点认知智能实验室:NLP模型开发平台在舆情分析中的设计和实践(下)

别来无恙 提交于 2020-10-28 09:54:24
编者按 NLP模型开发平台是以快速打造智能业务为核心目标,无需机器学习专业知识,模型创建-数据上传-数据标注(智能标注、数据扩充)-模型训练-模型发布-模型校验全流程可视化便捷操作,短时间内即可获得高精度NLP模型,真正为业务赋能。 在北京百分点信息科技有限公司的NLP模型开发平台发布后,舆情分析业务中上线了超过200个个性化定制实时预测模型,依靠强大的资源调度和计算平台,每天都会有数十个模型在进行迭代更新和优化,真正实现全流程的数据和模型的闭环。本文主要介绍NLP模型开发平台的架构和实现细节,以及舆情业务中的应用,希望能为大家提供一些参考。 一、背景介绍 本文中重点介绍NLP模型开发平台在百分点舆情洞察系统(MediaForce)中的设计和实践。MediaForce是一款面向政企客户,提供信息监测、智能分析等多功能的一款SaaS产品。从2014年发展至今,客户标准化的建立以及数据资产的积累,为开展自动化和智能化打下了坚实基础。对内要提高生产和运营效率,缩短行为结果的反馈时间;对外要提供个性化服务,提高客户亲密度。舆情信息是通过关键词检索来获取对应的相关数据, 在基于BM25、TF-IDF等传统信息检索机制下,只是考虑关键词和文档的匹配程度,忽略了文档主题、查询理解、搜索意图等因素,致使召回文档与客户诉求相差较大。另一方面,在客户定制化场景下,需要人工对客户数据进行标签处理

什么是多模态机器学习?

岁酱吖の 提交于 2020-10-28 09:41:35
什么是多模态机器学习? 首先,什么叫做模态(Modality)呢? 每一种信息的来源或者形式,都可以称为一种模态。例如,人有触觉,听觉,视觉,嗅觉;信息的媒介,有语音、视频、文字等;多种多样的传感器,如雷达、红外、加速度计等。以上的每一种都可以称为一种模态。 同时,模态也可以有非常广泛的定义,比如我们可以把两种不同的语言当做是两种模态,甚至在两种不同情况下采集到的数据集,亦可认为是两种模态。 因此,多模态机器学习,英文全称 MultiModal Machine Learning (MMML),旨在通过机器学习的方法实现处理和理解多源模态信息的能力。目前比较热门的研究方向是图像、视频、音频、语义之间的多模态学习。 多模态学习从1970年代起步,经历了几个发展阶段,在2010后全面步入Deep Learning阶段。 人其实是一个多模态学习的总和,所以也有”砖家“说了,多模态学习才是真正的人工智能发展方向。 本文将针对多模态学习在深度学习发面的研究方向和应用做相关介绍,主要参考了来自ACL 2017的《 Tutorial on Multimodal Machine Learning 》。 多模态学习的分类 多模态学习可以划分为以下五个研究方向: 多模态表示学习 Multimodal Representation 模态转化 Translation 对齐 Alignment 多模态融合