簡介： 近幾年來, 深度學習在機器學習研究領域中取得了巨大的突破, 深度學習能夠很好地實現復雜問題的學習, 然而, 深度學習最大的弊端之一, 就是需要大量人工標注的訓練數據, 而這需要耗費大量的人力成本. 因此, 為了緩解深度學習存在的這一問題, Palatucci 等于 2009 年提出了零樣本學習 (Zero-shot learning). 零樣本學習是遷移學習的一種特殊場景, 在零樣本學習過程中, 訓練類集和測試類集之間沒有交集, 需要通過訓練類與測試類之間的知識遷移來完成學習, 使在訓練類上訓練得到的模型能夠成功識別測試類輸入樣例的類標簽. 零樣本學習的意義不僅在于可以對難以標注的樣例進行識別, 更在于這一方法模擬了人類對于從未見過的對象的認知過程, 零樣本學習方法的研究, 也會在一定程度上促進認知科學的研究. 鑒于零樣本學習的應用價值、理論意義和未來的發展潛力, 文中系統綜述了零樣本學習的研究進展, 首先概述了零樣本學習的定義, 介紹了 4 種典型的零樣本學習模型, 并對零樣本學習存在的關鍵問題及解決方法進行了介紹, 對零樣本學習的多種模型進行了分類和闡述, 并在最后指明了零樣本學習進一步研究中需要解決的問題以及未來可能的發展方向。
作者簡介：
劉建偉，男。中國石油大學博士生導師/碩士生導師。曾任加拿大溫哥華英屬哥倫比亞大學訪問學者，加拿大滑鐵盧大學高級訪問學者。講授模式識別專題（博士生），可編程序控制器原理及其應用，模式識別與機器學習導論等課程。
長期從事模式識別與智能系統、復雜系統分析與智能控制、機器學習和數據挖掘方面的研究工作。美國數學會《數學評論》評論員，中國人工智能學會機器學習分會高級會員。在計算機學報，自動化學報、計算機研究與發展、電子學報、TNNLS、Neurocomputing等期刊上和國內國際會議上發表學術研究論文180多篇，其中三大檢索100多篇。
付費5元查看完整內容
相關內容
摘要： 深度學習的可解釋性研究是人工智能、機器學習、認知心理學、邏輯學等眾多學科的交叉研究課題，其在信息推送、醫療研究、金融、信息安全等領域具有重要的理論研究意義和實際應用價值.從深度學習可解釋性研究起源、研究探索期、模型構建期3方面回顧了深度學習可解釋性研究歷史，從可視化分析、魯棒性擾動分析、敏感性分析3方面展現了深度學習現有模型可解釋性分析研究現狀，從模型代理、邏輯推理、網絡節點關聯分析、傳統機器學習模型改進4方面剖析了可解釋性深度學習模型構建研究，同時對當前該領域研究存在的不足作出了分析，展示了可解釋性深度學習的典型應用，并對未來可能的研究方向作出了展望.
付費5元查看完整內容
摘要： 大數據時代,數據呈現維度高、數據量大和增長快等特點。如何有效利用其中蘊含的有價值信息,以實現數據的智能化處理,已成為當前理論和應用的研究熱點。針對現實普遍存在的多義性對象,數據多標簽被提出并被廣泛應用于數據智能化組織。近年來,深度學習在數據特征提取方面呈現出高速、高精度等優異性,使基于深度學習的多標簽生成得到廣泛關注。文中分五大類別總結了最新研究成果,并進一步從數據、關系類型、應用場景、適應性及實驗性能方面對其進行對比和分析,最后探討了多標簽生成面臨的挑戰和未來的研究方向。
付費5元查看完整內容
摘要：近年來，深度學習模型在圖像、語音、文本識別等領域內取得了顯著成就。然而，深度學習模型嚴重依賴于大量標簽數據，使得其在數據缺乏的特殊領域內應用嚴重受限。面對數據缺乏等現實挑戰，很多學者針對數據依賴小的弱監督機器學習方法開展研究，出現了很多典型研究方向，如小樣本學習、零樣本學習等。針對弱監督機器學習方法，系統闡述了小樣本學習、零樣本學習、零—小樣本學習的問題定義、當前主要方法以及主流實驗設計，最后基于當前研究中出現的問題，對下一階段研究方向進行了總結展望。
付費5元查看完整內容
題目： 基于深度學習的行人重識別研究進展
摘要：
行人重識別是計算機視覺領域近年來非常熱的一個研究課題, 可以被視為圖像檢索的一個子問題, 其目標是給定一個監控行人圖像檢索跨設備下的該行人圖像. 傳統的方法依賴手工特征, 不能適應數據量很大的復雜環境。近年來隨著深度學習的發展, 大量基于深度學習的行人重識別方法被提出。本文先簡單介紹了該問題的定義及傳統方法的局限, 并列舉了一些適用于深度學習方法的行人重識別數據集。 此外我們詳細地總結了一些比較典型的基于深度學習的行人重識別方法, 并比較了部分算法在 Market1501 數據集上的性能表現。最后我們對該問題未來的研究方向做了一個展望。
作者簡介：
羅浩，浙江大學控制科學與工程學院智能系統與控制研究所博士研究生。2015年獲得浙江大學控制科學與工程學士學位，主要研究方向為行人重識別, 多目標跟蹤, 深度學習, 計算機視覺方向。
姜偉，浙江大學控制科學與工程學院智能系統與控制研究所副教授。2005年獲得日本東京工業大學博士學位，主要研究方向為機器視覺, 計算機圖形學, 機器學習。
范星，浙江大學控制科學與工程學院博士研究生。2015年獲得浙江大學控制科學與工程學士學位，主要研究方向為行人重識別。
張思朋，2016年獲得浙江大學控制科學與工程碩士學位，主要研究方向為計算機視覺, 行人重識別。
付費5元查看完整內容
11月30日下午，2019中國人工智能產業年會重磅發布《2019人工智能發展報告》（Report of Artificial Intelligence Development 2019）。清華大學計算機系副主任、唐杰教授主持了報告發布儀式，九三中央科技委副主任、中國傳感器與物聯網產業聯盟副理事長郭源生教授，日本工程院院士、中國人工智能學會名譽副理事長、日本德島大學任副繼教授及與會嘉賓共同為報告揭幕。
該報告力圖綜合展現中國乃至全球人工智能重點領域發展現狀與趨勢，助力產業健康發展，服務國家戰略決策。報告內容涵蓋了人工智能13個子領域，包括：機器學習、知識工程、計算機視覺、自然語言處理、語音識別、計算機圖形學、多媒體技術、人機交互、機器人、數據庫技術、可視化、數據挖掘、信息檢索與推薦。
付費5元查看完整內容
題目： Transfer Adaptation Learning: A Decade Survey
摘要： 我們看到的世界是不斷變化的，它總是隨著人、事物和環境的變化而變化。域（domain）是指在某一時刻的世界狀態。當研究問題需要不同時刻之間的知識對應時，其特征是域遷移自適應。傳統的機器學習旨在通過最小化訓練數據的正則化經驗風險來尋找測試數據風險最小的模型，而訓練數據和測試數據具有相似的聯合概率分布。遷移自適應學習的目的是通過從語義相關但分布不同的源域學習知識，建立能夠執行目標域任務的模型。這是一個越來越有影響力和重要性的充滿活力的研究領域。本文綜述了近年來在遷移自適應學習方法和潛在基準方面的研究進展，遷移自適應學習的研究人員面臨著更廣泛的挑戰，即，instance re-weighting adaptation， feature adaptation，classifier adaptation，deep network adaptation，和adversarial adaptation，均超出了早期的半監督和無監督情況。這篇工作為研究人員更好地了解和確定該領域的研究現狀、挑戰和未來方向提供了框架。
作者： Lei Zhang,重慶大學微電子與通信工程學院研究員，博士生導師，重慶市生物感知與智能信息處理重點實驗室副主任，LiVE智能學習與視覺團隊負責人（//www.leizhang.tk）, IEEE Senior Member。主要聚焦于遷移學習服務于深度學習以及開放環境下的視覺分析問題。以第一或通訊在IEEE TIP/TNNLS/TMM/TCYB/TSMCA/TIM等期刊發表論文48篇、在 ICCV/AAAI/ACM MM/ACCV等會議上發表論文30余篇，出版英文專著1部，授權專利10項，多篇論文入選ESI高被引論文，Google Scholar引用1500余次。擔任TPAMI/TIP/TNNLS/TMM/TCSVT等50余個期刊和AAAI/ICLR/CVPR/ICCV/IJCAI等多個會議的審稿，主持國家自然科學基金、重慶市重點研發子課題等項目10余項。曾獲CCBR最佳論文獎、香江學者獎、黃尚廉院士青年創新獎、教育部學術新人獎、重慶市優博等。入選重慶大學百人計劃，重慶市學術帶頭人后備人選、重慶市高層次人才計劃—青年拔尖人才。
研究方向： 機器學習、計算機視覺、模式識別、信號處理
個人主頁：
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191