教父怼了教父!杨立昆怼辛顿:AI威胁人类?大模型比你的猫还笨
在巴黎出生的美籍科学家YannLeCun(中文名杨立昆)是一位享誉全球的计算机科学家,在纽约大学和美国贝尔实验室任职,并担任Meta公司首席人工智能科学家。作为图灵奖获得者,杨立昆凭借在卷积神经网络方面的贡献,和约书亚·本吉奥、杰弗里·辛顿并称“人工智能三大教父”。▲(从左到右)本吉奥、杨立昆和辛顿尽管这三位“...
TPAMI 2024 | 计算机视觉中基于图神经网络和图Transformers的方法...
尽管基于卷积神经网络(CNN)的方法在处理图像等规则网格上定义的输入数据方面表现出色,研究人员逐渐意识到,具有不规则拓扑的视觉信息对于表示学习至关重要,但尚未得到彻底研究。与具有内在连接和节点概念的自然图数据(如社交网络)相比,从规则网格数据构建图缺乏统一的原则且严重依赖于特定的领域知识。另一方面,某些视觉数据...
这份书单为这届注定会载入史册的诺贝尔奖提供有力注脚!
2024.06本书阐述基于忆阻器的神经网络设计与实现,主要包括基于忆阻器的仿生突触与仿生神经元实现方案、采用模拟值和脉冲编码的神经网络算法原理与忆阻交叉阵列实现方案、卷积神经网络算法原理与忆阻交叉阵列实现方案、全光神经网络算法原理与基于忆阻器光学特性的实现方案、忆阻阵列在稀疏编码等其他与神经网络架构相似的应用...
柔性+磁性皮肤,浙大团队通过神经网络算法,实现磁性皮肤的多点、多...
团队将该磁性皮肤与卷积神经网络相结合实现了不同尺度的物体按压信号识别(图3a),通过获取的十六个传感器的四十八维度磁场变化信号结合卷积神经网络模型可以进行小尺度按压头(有效磁场变化信号维度小于等于12个)的按压信号识别,在小尺度按压头识别中团队使用了五种不同的按压头进行了二十五个不同位置的按压,最终按压识别准...
域控综述 | 智驾功能高速渗透,域控迎来增量空间?
早期高速NOA融合高精地图,在部分高速公路或高架等封闭路段行驶时,可以让车辆实现自动变道、自动进入和驶出匝道口的技术功能。但上下匝道需要高精地图和高精定位模块,成本较高。随着车企成本压力增加,高速NOA或将向简化版方案发展,即舍弃上下匝道功能,仅在目标匝道前进行接管提醒,避免错过匝道等问题发生。
“单纯靠大模型无法实现 AGI”!万字长文看人工智能演进 | 新程序员
2011年,在IJCNN2011德国交通标志识别比赛中,深度卷积神经网络模型实现了99.15%的识别率,超越了人类的98.98%识别率(www.e993.com)2024年10月23日。这是人造模型第一次超越了人类视觉的模式识别。此后,越来越多的视觉模式匹配任务中,人类都开始落后。2012年,深度卷积网络在ImageNet的2万个类别的分类任务、ICPR2012乳腺癌组织图像...
上理工团队开发超快速的卷积光学神经网络,助力人工智能成像
近日,由上海理工大学智能科技学院顾敏院士和张启明教授领衔的研究团队,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、清晰成像。这不仅颠覆传统光学成像技术,也证明了卷积网络在人工智能领域的应用潜力。该成果于6月14日以“基于超快卷积...
视野扩大271倍,上海理工大学开发超快卷积光学神经网络
卷积神经网络(CNN)凭借其出色的图像识别能力,在人工智能领域表现出色,尤其是在ChatGPT等平台中。近日,上海理工大学团队成功将CNN概念引入光学领域,实现卷积全光神经网络,为人工智能成像技术带来了革命性的进步。研究团队开发了一种超快卷积光学神经网络(ONN),该网络无需依赖光学记忆效应,即可实现对散射介质后方...
CNN卷积+Transformer打造DETR视觉模型
DETR模型首先使用卷积神经网络来提取图像特征,然后通过Transformer编码器和解码器来学习目标的位置和类别信息。DETR模型通过全局注意力机制来实现目标检测任务,避免了传统目标检测方法中需要设计复杂的网络结构和损失函数的问题。#动图详解transformer模型#
湖南工业大学研究者提出应用脉冲卷积神经网络诊断轴承故障的新方法
基于深度学习的端到端训练方法,可以直接处理复杂的轴承振动信号,实现故障模式的自动识别。相比传统方法,深度学习技术避免了手工特征工程的限制,使故障诊断更加智能化和准确化。常用的基于深度学习的故障诊断方法包括堆叠降噪自动编码器(SDAE)、卷积神经网络(CNN)、门控循环单元(GRU)、对抗神经网络(GAN)等。