亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

論文題目：

Collective Intelligence for Deep Learning: A Survey of Recent Developments 論文鏈接： //www.zhuanzhi.ai/paper/36613f5c67816e164c05ae3a13538809

目錄

摘要 一、引言 二、歷史背景 三、深度學習中的集體智能 1、圖像處理 2、深度強化學習 3、多智能體學習 4、元學習 四、將深度學習用于集體智能研究 五、結論

在過去十年里，我們見證了深度學習崛起并在人工智能領域占據主導地位的過程。人工神經網絡的進步，以及相應的具有大內存容量的硬件加速器的發展，再加上大型數據集的可得性，使得研究人員和從業人員能夠訓練和部署復雜的神經網絡模型，在計算機視覺、自然語言處理和強化學習等多個領域的任務上取得最佳性能。然而，隨著這些神經網絡變得更大、更復雜、應用更廣泛，當前深度學習模型的根本問題變得更加明顯。眾所周知，當前最先進的深度學習模型也有一些問題，包括不夠穩健，無法適應新的任務，配置需要嚴格和不靈活的假設等。來自集體智能的觀念，特別是來自復雜系統的概念，如自組織、涌現行為、粒子群優化（swarm optimization）和元胞自動機，往往會產生穩健的、適應性的解決方案，并且對環境配置的假設沒那么嚴格。因此，看到這些觀念被納入到新的深度學習方法中，并不奇怪。在這篇綜述里，我們將提供一個涉及復雜系統的神經網絡研究的歷史脈絡，并著重于現代深度學習研究中幾個活躍的領域，這些領域結合了集體智能的原理來提升當前模型的能力。為了促進觀念的雙向流動，我們還討論了那些利用現代深度學習模型來幫助推進復雜系統研究的研究。我們希望這篇綜述可以成為復雜系統和深度學習社區之間的橋梁，促進觀念的交叉傳播，并促進跨學科的新合作。

近年來，神經網絡在解決許多問題方面有了巨大的發展。不同類型的神經網絡被引入來處理不同類型的問題。然而，任何神經網絡的主要目標是將非線性可分的輸入數據轉換為更線性可分的抽象特征，使用層次結構。這些層是線性和非線性函數的組合。最流行和常見的非線性層是激活函數(AFs)，如Logistic Sigmoid、Tanh、ReLU、ELU、Swish和Mish。本文對深度學習神經網絡中的激活函數AFs進行了全面的綜述和研究。不同類別的AFs，如Logistic Sigmoid和基于Tanh，基于ReLU，基于ELU，和基于Learning。指出了AFs的輸出范圍、單調性和平滑性等特點。并對18種最先進的AFs在不同網絡上的性能進行了比較。本文提出了AFs的見解，以幫助研究者進行進一步的研究，并幫助實踐者在不同的選擇中進行選擇。用于實驗比較的代碼。

近年來，深度學習在解決人臉分析[2][113]、預測評級[74]、情感分析[143]、[152]、高光譜圖像分析[144]、圖像合成和語義處理[1]、數字圖像增強[72]、圖像檢索[33]等具有挑戰性的問題方面取得了巨大的增長。深度學習中已經發展了各種類型的神經網絡來從數據中學習抽象特征，如多層感知器(Multilayer Perceptron, MLP)[30]，卷積神經網絡(CNN)[82]，[73]，循環神經網絡(RNN)[54]，生成對抗網絡(Generative Adversarial networks, GAN)[12]。神經網絡的重要方面包括權值初始化[104]、損失函數[130]、正則化[102]、過擬合控制[18]、激活函數[136]和優化[35]。

激活函數在神經網絡[36]中起著非常重要的作用，它通過非線性變換學習抽象的特征。AFs的一些共同性質如下: A)在優化中增加非線性曲率以提高網絡的訓練收斂性; B)它不應該廣泛地增加模型的計算復雜性; C)不妨礙訓練過程中的梯度流動;d)它應該保留數據的分布，以便更好地訓練網絡。近年來，為了實現上述特性，人們已經探索了幾種用于深度學習的AFs。本綜述致力于神經網絡中AFs領域的發展。不同AFs的見解和推理被提出，以使深度學習社區受益。這項綜述的主要貢獻概述如下:

1. 本綜述為廣泛的AFs提供了詳細的分類。它還非常全面地包括了AFs，包括Logistic Sigmoid/Tanh, Rectified Unit, Exponential Unit, 和Adaptive AFs。

2. 本綜述從不同角度對AFs進行分析，為讀者提供最新的AFs。它特別涵蓋了用于深度學習的AFs的進展。

3. 本綜述還通過簡要的重點和重要的討論總結了AFs，以描述其對不同類型數據的適用性(參見表VI)。

4. 將本次綜述與現有綜述/分析進行比較，顯示其重要性(見表七)。

5. 本文還介紹了使用18種最先進的AFs和不同類型網絡在4個不同模式的基準數據集上的性能比較(參見表VIII, IX和XI)。

細粒度視覺分析(FGVA)是計算機視覺和模式識別中一個長期存在的基本問題，它支撐著一系列真實世界的應用，如生物多樣性自動監測、氣候變化評估、智能零售、智能交通、在節約資源、促進經濟增長、提高社會運行效率等方面已取得了積極的社會經濟效果。FGVA任務的目標是分析從屬類別的視覺對象，例如鳥類的種類、汽車的模型、產品的庫存單位或體操的動作。由于其非常細粒度的特性，類間小而類內大變化使其成為一個具有挑戰性的問題。借助深度學習的蓬勃發展，近年來使用深度學習技術的FGVA取得了顯著進展。

本教程旨在促進研究基于細粒度可視化分析方法的研究人員之間的討論，并將尖端細粒度可視化技術部署到實際應用程序中。具體來說，我們將促進討論各種基于深度學習的細粒度視覺分析主題的最新進展、正在進行的發展和新應用，例如細粒度圖像檢索、細粒度圖像識別、長尾視覺識別、細粒度視頻理解等。

PyTorch是Facebook于2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發布的一個全新的機器學習工具包，一經推出便受到了業界的廣泛關注和討論，目前已經成為機器學習從業人員的研發工具。

《PyTorch深度學習》是使用PyTorch構建神經網絡模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網絡的構成、神經網絡的知識、機器學習基礎知識、深度學習在電腦視覺中的應用、深度學習在序列數據和文本中的應用、生成網絡、現代網絡架構，以及PyTorch與深度學習的未來走向。

《PyTorch深度學習》適合對深度學習領域感興趣且希望一探PyTorch的業內人員閱讀；具備其他深度學習框架使用經驗的讀者，也可以通過本書掌握PyTorch的用法。

Vishnu Subramanian在領導、設計和實施大數據分析項目（人工智能、機器學習和深度學習）方面富有經驗。

擅長機器學習、深度學習、分布式機器學習和可視化等。 在零售、金融和旅行等行業頗具經驗，還善于理解和協調企業、人工智能和工程團隊之間的關系。

人體姿態估計的目的是通過圖像、視頻等輸入數據定位人體部位，構建人體表征(如人體骨架)。在過去的十年中，它受到了越來越多的關注，并被廣泛應用于人機交互、運動分析、增強現實和虛擬現實等領域。盡管最近開發的基于深度學習的解決方案在人體姿態估計方面取得了很高的性能，但由于訓練數據不足、深度模糊和遮擋，仍然存在挑戰。本綜述論文的目的是通過對基于輸入數據和推理的解決方案進行系統的分析和比較，對最近基于深度學習的二維和三維姿態估計解決方案進行全面的回顧。這項綜述涵蓋了自2014年以來的240多篇研究論文。此外，還包括了二維和三維人體姿態估計數據集和評估指標。本文總結和討論了現有方法在流行數據集上的定量性能比較。最后，對所涉及的挑戰、應用和未來的研究方向進行了總結。

//www.zhuanzhi.ai/paper/7459265d2fbd81f9b91bf0f7b461bcc7

視頻中的異常檢測是一個研究了十多年的問題。這一領域因其廣泛的適用性而引起了研究者的興趣。正因為如此，多年來出現了一系列廣泛的方法，這些方法從基于統計的方法到基于機器學習的方法。在這一領域已經進行了大量的綜述，但本文著重介紹了使用深度學習進行異常檢測領域的最新進展。深度學習已成功應用于人工智能的許多領域，如計算機視覺、自然語言處理等。然而，這項調查關注的是深度學習是如何改進的，并為視頻異常檢測領域提供了更多的見解。本文針對不同的深度學習方法提供了一個分類。此外，還討論了常用的數據集以及常用的評價指標。然后，對最近的研究方法進行了綜合討論，以提供未來研究的方向和可能的領域。

//arxiv.org/abs/2009.14146

深度學習在很多人工智能應用領域中取得成功的關鍵原因在于，通過復雜的深層網絡模型從海量數據中學習豐富的知識。然而，深度學習模型內部高度的復雜性常導致人們難以理解模型的決策結果，造成深度學習模型的不可解釋性，從而限制了模型的實際部署。因此，亟需提高深度學習模型的可解釋性，使模型透明化，以推動人工智能領域研究的發展。本文旨在對深度學習模型可解釋性的研究進展進行系統性的調研，從可解釋性原理的角度對現有方法進行分類，并且結合可解釋性方法在人工智能領域的實際應用，分析目前可解釋性研究存在的問題，以及深度學習模型可解釋性的發展趨勢。為全面掌握模型可解釋性的研究進展以及未來的研究方向提供新的思路。

自然語言處理(NLP)幫助智能機器更好地理解人類語言，實現基于語言的人機交流。計算能力的最新發展和大量語言數據的出現，增加了使用數據驅動方法自動進行語義分析的需求。由于深度學習方法在計算機視覺、自動語音識別，特別是NLP等領域的應用取得了顯著的進步，數據驅動策略的應用已經非常普遍。本調查對得益于深度學習的NLP的不同方面和應用進行了分類和討論。它涵蓋了核心的NLP任務和應用，并描述了深度學習方法和模型如何推進這些領域。我們進一步分析和比較不同的方法和最先進的模型。

AutoML: A Survey of the State-of-the-Art

深度學習已經滲透到我們生活的方方面面，給我們帶來了極大的便利。然而，針對某一特定任務構建高質量的深度學習系統的過程不僅耗時，而且需要大量的資源和人力，阻礙了深度學習在產業界和學術界的發展。為了緩解這一問題，越來越多的研究項目關注于自動化機器學習(AutoML)。在本文中，我們提供了一個全面的和最新的研究，在最先進的汽車。首先，根據機器學習的特點，詳細介紹了自動化技術。在此基礎上，總結了神經結構搜索(NAS)的研究現狀，這是目前自動化領域研究的熱點之一。我們還將NAS算法生成的模型與人工設計的模型進行了比較。最后，提出了有待進一步研究的幾個問題。