智能时代的深度学习:基础、算法与应用前景
计算机视觉是深度学习最成功的应用之一。通过卷积神经网络,深度学习能够在图像分类、目标检测、图像分割等任务中取得优异的表现。例如,ImageNet竞赛中,深度学习模型的表现大幅超越了传统方法。2.自然语言处理自然语言处理是另一个深度学习的重要应用领域。循环神经网络和变换器模型(Transformer)在文本生成、情感分析、机...
刷脸背后,卷积神经网络的数学原理原来是这样的
我们的方法几乎与用在密集连接神经网络上的方法相同,唯一的差别就是不使用简单的矩阵相乘,这一次我们将会使用卷积。前向传播包含两个步骤。第一步是计算中间结果Z,它是由前一层的输入数据与张量W(包含滤波器)的卷积结果,加上偏置项b得到的。第二步是给我们的中间结果应用一个非线性的激活函数(我们的激活函...
【广发金工】2024精选深度报告系列之四:基于卷积神经网络的ETF...
而卷积层3和卷积层4作为高维度特征提取器,其对图表中代表不同信息的不同部位的关注点开始发生分化,有的特征图重点捕捉k线图、移动平均线中的信息,而有的特征图则重点捕捉交易量以及MACD中的信息。与此同时,也有的特征图关注到了全局信息。由此可见,训练后的卷积神经网络能对标准化的价量数据图表进行有效的特征提...
2024(第四届)中国安防人工智能创新论坛丨领信数科张震宇:AI深度...
目前,卷积神经网络(CNN)和生成对抗网络(GAN)被广泛应用于检测伪造内容。通过分析视频或图像中的面部特征,检测异常的面部运动和不自然的表情变化等方面,可以有效识别深度伪造。近年来,新的检测方法不断涌现。例如,使用长短期记忆网络(LSTM)结合卷积神经网络来检测面部的动态特征,通过捕捉面部细微运动的异常变化来识别伪造...
TPAMI 2024 | 计算机视觉中基于图神经网络和图Transformers的方法...
近年来,由于在图表示学习(graphrepresentationlearning)和非网格数据(non-griddata)上的性能优势,基于图神经网络(GraphNeuralNetworks,GNN)的方法被广泛应用于不同问题并且显著推动了相关领域的进步,包括但不限于数据挖掘(例如,社交网络分析、推荐系统开发)、计算机视觉(例如,目标检测、点云处理)和自然语言处理(例...
QB 伯晓晨/李昊/陈河兵团队合作提出从三维染色质结构中高效检测...
图卷积神经网络在CNV预测任务中的有效性团队进一步探究了不同染色体空间结构特征与CNV之间的关系,将Hi-C数据使用图的方式进行建模,并基于图卷积神经网络模型从捕获的染色质空间结构特征推断CNV(www.e993.com)2024年10月23日。首先,通过Node2Vec算法构造图的节点特征后,使用一个权重参数共享的GCN模型在三种细胞系的不同染色体中进行预测,预测准确率达...
电子书上新 |《智能时代:机器学习实战》
文章讨论了大模型应用开发的知识地图,包括技术架构、应用开发生命周期、模型调优策略,以及如何将大模型能力整合到业务场景中。真实复杂场景下的图神经网络:何东晓教授分享了图神经网络在处理真实复杂场景时的挑战和进展,包括网络嵌入的对抗性表征机制学习、块建模引导的图卷积神经网络等。
特斯联研发新突破 Transformer架构中的动态一元卷积神经网络
DUCT的提出在学术上推动了Transformer和卷积神经网络的融合,在实际应用中亦具有广泛潜在价值,有助于推动计算机视觉技术的发展和创新。在图像分类方面,DUCT能够处理图像并将其分类到不同的类别中,这对于图像识别、内容分析和检索等任务至关重要;在图像分割中,在医学成像、自动驾驶和机器人视觉等领域,DUCT可辅助将...
上海专家开发超快速的卷积光学神经网络,助力人工智能成像
澎湃新闻记者6月17日获悉,由上海理工大学智能科技学院张启明教授,智能科技学院、张江实验室光计算所顾敏院士领衔的研究团队,开发了一种超快速的卷积光学神经网络(ONN),这一技术在无需依赖光学记忆效应的情况下,实现了对散射介质后的物体进行高效、清晰的成像。这不仅是对传统光学成像技术的一次颠覆,更是卷积网络在人工...
卷积神经网络(CNN):如何高效的识别图像?
上文介绍了神经网络的基础概念,今天我们在神经网络的基础上,看看卷积神经网络(CNN)是如何完成图像识别任务的。一、图像识别的痛点问题在CNN出现之前,图像识别有两个大难题:图像需要处理的数据量太大:图片是由像素构成的,每个像素又由颜色(R、G、B三个数值)构成,用720p的手机摄像头随便拍张照片,就是1280*720...