深度学习

　　 随着学会的队伍不断发展壮大，分支机构的发展愈发完善，丰富多彩的分支活动与学术分享也频频呈现。今年以来，CAAI认知系统与信息处理专委会积极倡导学会“疫情防控不放松，学习充电不间断”的理念，邀请年轻学者结合本专委会自身领域研究精选相关文献进行研究与再解读，本期与大家分享《假肢手的综述（2）》。 　　第一次假手的应用可以追溯到第二次布匿战争早期（公元前218-201年），罗马将军马库斯·塞尔吉乌斯（Marcus Sergius）在战争中失去了右臂，他的假手臂是用铁制成的。 　　在16世纪早期，德国雇佣兵戈兹·冯·贝里辛根戴着两只假手。第一个是一个简单的装置，由一个拇指和手指连接的手套组成。手指可以向内移动，这样他就可以握紧他的剑了。另一种升级版的手可以独立移动指骨和拇指，骑士可以握住马缰，拿起羽毛笔。16世纪中叶，法国军医Ambroise Pare发明了弹簧式假肢，手指可以用杠杆和齿轮独立操作。Pare还开发了肘部假手上方，杠杆和链轮机构控制着屈伸。自动身体动力假肢始于18世纪的彼得·巴利夫（Peter Baliff），假肢由肩部和躯干的完整肌肉驱动，使用皮革带作为传输机制。1911年，威廉·T·卡恩斯（William T.Carnes）发明了另一种复杂的机械假肢并获得了专利。以上假体受健康肢体或胸部的整体运动控制。 　　19世纪初，随着朱利亚诺·万赫蒂博士的“电影整形植入物

NCF在推荐领域应用背景 CF，也就是协同过滤，在推荐领域有极其广泛的应用，应该没有谁的智能推荐系统是没用到过CF的。CF其实就是挖掘user和item的交互关系，然后生成I2I或者U2I表示向量。传统的CF从数学角度上还是偏行为统计计算的，没有用到很复杂的网络。因为深度学习很火，也是有一些关于Neural Collaborative Filtering的工作。今天介绍一下最近看的叫《Neural Collaborative Filtering》这篇论文。也有一个对应的开源项目，地址： https://github.com/hexiangnan/neural_collaborative_filtering 有兴趣的做推荐相关工作的同学，可以在自己的工作中用用。 隐式反馈vs显式反馈 其实把任何算法前面加个N，改成neural某某都是比较好发paper或者取得效果的。这篇文章比较有意思的一个点我觉得不在于将GMF或者MLP加在CF中，而是为CF构建了一套针对隐式反馈的建模理论。 说到这里先要提下隐式反馈和显式反馈。首先推荐业务一般都是按照有监督学习方式建模，也就是说要构建特征和目标列。在目标列的选择上一般会认为购买、点击、收藏这种行为是正样本，标记成label=1，其它行为全都是0。 但是这其中有一些问题，有的时候点击了的不一定是用户真正喜欢的，没点击的不一定是用户不喜欢的。

在阅读此书之前，我曾简单的了解过图数据库的一些知识，并对其应用的几个场景有了简单的了解。我曾狭义的以为知识图谱的目的就是通过一些行业的标准，将知识标准化，然后通过机器学习对知识路径进行自动学习和训练，挖掘出一些尚未被挖掘的价值。直到我阅读了《知识图谱- 方法、实践与应用》之后，我才发现我对知识图谱的了解内容还是太少了。 其实，自从知识被人类应用之后，人类就一直在探索和挖掘知识图谱，期望通过知识图谱来帮助人们解决工作生活中的一些问题。比如最早的《本草纲目》，这应该是国内最早的医学知识图谱。然而知识图谱最早以一种抽象的知识语义被提出却是1960年才提出的概念，其真正的快速发展也是随着近些年计算机快速发展而解决了原来无法通过机器学习而处理知识的问题才得以速度发展。 知识图谱包含了知识建模、知识存储、知识抽取、知识挖掘、知识图谱融合、知识推理、知识检索、知识问答和知识应用等多方面的知识。在这其中，每个部分又拥有其独特的方法和技术，并且每个部分都可以在学术方面进入深入的研究探讨。知识图谱的目的不是建立图结构，而是通过图结构建立起知识之间的联系，从而为用户提供更好的服务。 在知识存储方面，并非只有通过图数据库进行知识存储才能构建知识图谱，知识图谱同样离不开传统的关系型数据库，只不过原生的图数据库可以加速多维数据的检索效率，当然也可以使用面向RDF的三元组存储数据库来存储

整理 | 夕颜 出品 | CSDN（ID:CSDNnews） 近日有媒体爆料称，字节跳动副总裁、人工智能实验室马维英离职，并将赴清华大学智能产业研究院，加入正在筹备该产业院的原百度总裁张亚勤团队。CSDN 向字节跳动方面求证，证实马维英确实离职，并出于自身兴趣，选择到清华大学从事人才培养和科研相关工作，但他本人将继续担任字节跳动技术顾问。 2019年12月31日，张亚勤已加盟清华大学，受聘清华大学“智能科学”讲席教授，在清华大学车辆与运载学院、计算机系和相关院系开展科研、教学和人才培养工作。张亚勤同时负责牵头筹建“清华大学智能产业研究院（AIR）”，面向第四次工业革命，以自动驾驶、人工智能+物联网和类脑智能为关键的技术突破方向，打造世界顶尖的创新研发平台。 消息透露，马维英将作为联合创始人与张亚勤一起筹备清华大学智能产业研究院（AIR），另一共同创始人为前海尔集团CTO赵峰。预计，清华大学智能产业研究院（AIR）预计年底可正式成立。 资料显示，字节跳动人工智能实验室（AI Lab）成立于2016年，马维英于2017年离开微软亚洲研究院加盟实验室。AI Lab的使命是推动机器智能的极限，致力于将AI理论研究快速追踪用于产品部署，研究领域包括自然语言处理、计算机视觉、机器学习、数据挖掘、计算及图形&增强现实、系统&网络。 自成立以来，该实验就成为字节跳动产品AI应用的技术支持“大后方”

前言 姿态估计，一直是近几年的 研究热点 。 它就是根据画面，捕捉人体的运动姿态，比如 2D 姿态估计： 再比如 3D 姿态估计： 看着好玩， 那这玩应有啥用呢 ？ 自动驾驶 ，大家应该都不陌生，很多公司研究这个方向。 自动驾驶里，就用到了 人体行为识别 。 通过摄像头捕捉追踪人体的动作变化，根据肢体动作或变化角度判断人体动作行为，可用于无人车、机器人、视频监控等行为分析需求场景。 而这些的基础，就是人体的姿态估计。 再比如， 虚拟形象 。 通过 真人驱动 ，让虚拟形象具备类比真人的肢体动作，并支持与3D人脸特效、手势识别等功能结合应用，让虚拟形象更加灵活生动，可用于虚拟IP驱动、肢体驱动类游戏、远程授课或播报等场景。 姿态估计，无疑有着巨大的 应用价值 。 但今天，咱们说的这个算法，比上文提到的，还要酷炫一些！ 它就是 FrankMocap。 FrankMocap FrankMocap 是港中文联合 Facebook AI 研究院提出的 3D 人体姿态和形状估计 算法 。 不仅仅是估计人体的运动姿态，甚至连 身体的形状 ， 手部的动作 都可以一起计算出来。 算法很强大，能够从 单目视频 同时估计出 3D 人体和手部运动，在一块 GeForce RTX 2080 GPU 上能够达到 9.5 FPS。 缺点就是，速度有点慢，计算量较大，达到实时性有一定难度。 不过随着硬件的快速发展

​1.背景 当我们打开导航，开车驶向目的地的过程中，有时候会碰到这样的问题：前方明明没有路，可能在施工封闭，可是导航仍然让我们往前开车，以至于我们无法顺利到达目的地。全国道路千千万，每天都有巨量的道路变得不可通行，那么如何动态的识别出哪些道路走不通了呢？ 图中所示即为因封路事件导致的导航路线改变 道路不通往往导致该条道路汽车流量突然降低。监控汽车流量的变化是挖掘封路事件的重要指标。但是，目前业务中遇到的一个重要问题是，针对汽车无法通行的封路事件，行人、自行车可能都可以穿行，这些行人、自行车等的噪声流量大大削弱了道路流量变化。 因此，如果能够对行人、自行车、汽车的轨迹进行分类，就可以对道路流量的噪声进行过滤，仅仅关注汽车流量，流量随着封路事件的变化将更为显著，从而便于道路封闭的挖掘。本文主要针对非机动车、机动车分类探索轨迹分类问题。 2.样本获取与标签制定 由于轨迹数据缺少原始真值，我们将用户导航模式作为轨迹分类的伪标签。例如当时用户采用汽车导航，其轨迹对应的标签即为汽车。由于汽车导航数据远远多于非机动车，不同伪标签样本比例差异巨大，存在严重的样本不平衡问题。此外，用户导航模式与用户实际出行方式可能并不一致。比如有些用户可以根据汽车导航步行到达目的地。下文介绍的标签- 概率混合贝叶斯模型 将分析并试图解决上述2个问题。 3.特征分析 可以将轨迹分类相关特征划分为5类。分别是：

转自 | 软件定义世界 受访者表示，人工智能正在迅速普及，但预计不会大规模减少企业用工人数。目前，仅有极少数企业具备让人工智能创造规模化价值的基本要素。 麦肯锡一项以人工智能为主题的最新全球调研【1】 显示，人工智能正在全球商业领域迅速普及。人工智能通常是指机器执行与人类思维相关的认知功能（如感知、推理、学习和解决问题）的能力，包括一系列通过人工智能解决业务问题的能力。 在调研中，我们特别询问了九项相关能力【2】，近一半的受访者表示，企业在标准业务流程中至少嵌入了一项能力，此外有30% 的受访者则表示，所在企业正在试点使用人工智能。 不过总体而言，各行各业只不过刚刚开始采用这些技术并从中获利。在那些已将人工智能部署到特定职能的企业中，大多数受访者表示，新技术的使用已经创造出一定或显著的价值，但仅有21% 的受访者表示，企业已将人工智能部署到多个业务单元或职能中。 事实上，许多企业仍然缺乏通过人工智能的规模化应用创造价值的基本实践——例如，了解哪些领域存在人工智能的机会，以及制定明确的战略以获取人工智能所需的数据。 调研结果表明，通过数字化推动核心业务的转型，是企业有效使用人工智能的一个关键因素。 在数字化程度较高的企业中【3】，受访者表示，与同行相比，他们在更多的业务职能上更充分地使用了人工智能，对人工智能的投资力度更大并从中获得了更大的总体价值。

点击 上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 最近，有许多朋友都在关注缺陷检测领域，今天来看看缺陷检测。 目前, 基于机器视觉的表面 缺陷装备已经在各工业领域广泛替代人工肉眼检测，包括3C、汽车、家电、机械制造、半导体及电子、化工、医药、航空航天、轻工等行业。传统的基于机器 视觉的表面缺陷检测方法，往往采用常规图像处理 算法或人工设计特征加分类器方式。一般来说，通常利用被检表面或缺陷的不同性质进行成像方案的设计，合理的成像方案有助于获得光照均匀的图像，并将物体表面缺陷明显的体现出来。近年来，不少基于深度学习的缺陷检测方法也被广泛应用在各种工业场景中。 对比计算机视觉中明确的分 类、检测和分割任务, 缺陷检测的需求非常笼统. 实 际上, 其需求可以划分为三个不同的层次: “缺陷是什么”（分类）、“缺陷在哪里”（定位）和“缺陷是多少”（分割）。 1 表面缺陷检测关键问题 1、小样本问题 目前深度学习方法广泛应用在各种计算机视觉 任务中, 表面缺陷检测一般被看作是其在工业领域的具体应用。在传统的认识中, 深度学习方法无法直接应用在表面缺陷检测中的原因是因为在真实的 工业环境中, 所能提供的工业缺陷样本太少。 相比于ImageNet数据集中1400多万张样本数据, 表面缺陷检测中面临的最关键的问题是小样本问题, 在很多真实的工业场景下甚至只有几张或几十张缺陷图片。 实际上

分布式技术是深度学习技术的加速器。 同时利用多个工作节点，分布式地、高效地训练出性能优良的神经网络模型，能够显著提高深度学习的训练效率、进一步增大其应用范围。 《首席AI架构师——分布式高性能深度学习实战培养计划》，力图从更宽的视角，梳理清楚深度学习框架、AI应用、部署上线的整个环节，让你在AI职业规划上可以多一些选择。 课程会针对 Tensorflow、Pytorch、PaddlePaddle、TNN等 框架，底层图编译优化，分布式并行计算通信优化，存储优化等， 多个方面的讲解，帮助你的更好的认识并适应新框架带来的变化，加深对框架的技术把控能力。 对课程有意向的同学 添加课程顾问小姐姐微信咨询课程 对课程有意向的同学 添加课程顾问小姐姐微信咨询课程 《首席Ai架构师 》 分布式高性能深度学习实战培养计划 对课程有意向的同学 添加课程顾问小姐姐微信咨询课程 知识拓展、更多 收获 01 专业的论文解读 在课程里，我们每1-2周会安排一篇经典论文供学员阅读，之后由老师帮助解读。 ▲节选至部分论文安排 02 行业案例分享 训练营过程中会邀请合作的专家来分享行业案例以及技术解决方案。 下面是一场源自曾博士的分享↓↓↓ 《Google YouTube 基于深度学习的视频推荐》 嘉宾简介：曾博士 计算机视觉，机器学习领域专家 先后在CVPR，ACMMM，TPAMI，SCI 期刊，EI

贾扬清一度担心自己毕业就失业。 当他站在台上，以阿里巴巴副总裁的身份开始演讲时，世界开始认识这个年仅35岁的年轻人。 如果走在马路上，或者在杭州街边，你遇见他，他可能跟其他程序员一样，格子衫、双肩包和一张羞赧的笑脸。 看上去他普通的不能再普通了，如果你知道他的经历，一定惊为天人。 01、清华也沮丧 刚从学校毕业，贾扬清就进了谷歌，头上顶着研究科学家的光环，埋头搞AI。 谷歌呆了两年，跳槽Facebook，做了AI架构总监。 Google、Facebook、亚马逊，科技圈里的明星企业，也被称为“顶尖科学家收割机”，更是公认硅谷薪水最高的公司。 当AI圈里的人还在争论，贾扬清会不会回来报效祖国，他已经悄悄成了阿里副总裁，花名——去掉偏旁三点水：扬青。 写代码，38岁并不是最好的年纪。不是整日担忧中年危机的降临，就是担心头顶仅存的稀疏头发。 贾扬清今年38岁，头发依然茂密，中年似乎没有危机，只有转机。 1982年，贾扬清出生于绍兴上虞，父母都是中学语文老师。 老师的孩子不一定爱读书，但一定会寂寞。别的孩子回家有父母，但老师的孩子只有老师。 在那个没有网络的年代，看书是满足对世界好奇的唯一方法。学会识字，贾扬清就经常一个人安静看书。 还在上小学，母亲就曾给他写过一封家书： “每个人都要做好自己的事情，父母亲要教好书，你读好书，求得真知识； 所有教你的老师都是优秀的，教育学生绰绰有余；