近年来，机器学习变得愈加火热，中国选手柯洁与AlphaGo的人机大战更是引起热议。目前，在图像识别和视觉分析研究中，卷积神经网络（CNN）技术的使用越来越多。Tensorflow是由Google团队开...

由Wang和他的同事开发的基本BRAILS框架会自动从卫星和地面图像自动提取建筑物信息，并将这些信息与来自多个数据源的数据（如微软足迹数据和开放地图）进行合并–这是一个协作项目，可以免费创建可编辑的世界地图…

我们希望机器能够通过低清图像有限的图像信息，推断出图像对应的高清细节，这就需要算法能够像画家一样“理解”图像内容。

近日，谷歌发布了一个高性能的实时手部追踪系统。不需要高性能的GPU、TPU，在手机上就能用！

如果是樱桃味的可口可乐和冰蓝色的百事可乐，你会拜倒新奇口味下，还是跪对高颜值唱征服？

Demiurge Technologies 是一家位于瑞士的人工智能创业公司，他们致力于研究生物神经元的计算原理，开发下一代深度学习，以解决小样本学习和与物理世界交互的难题。他们的深度学习系统将应用于第四级别自动驾驶和探索机器人等领域。

问题1：分箱后，各箱badrate单调递增从业务上怎么理解呀？ 我们有个先验知识，多头越多badrate越大，历史逾期越多badrate越大...等等，如果变量分箱后不符合这个先验，可能就把他剃掉了。 Bad Rate： 坏样本率，指的是将特征进行分箱之后，每个bin下的样本所统计得到的坏样本率 b ....

迁移学习指的是，通过对预训练模型的参数进行微调，将训练好的模型应用到相似或者只有细微差异的不同任务中。通过这个方法，我们可以基于一些性能顶尖的深度学习模型得到别的高性能模型。尽管听上去较为简单，迁移学...

在一个凌乱的房子里，你花过多少时间寻找丢失的房间钥匙？相信很多人都有过这种直到现在仍然是令人沮丧的经历。但是如果一个简单的计算机算法能在毫秒之内找到你的钥匙呢？这就是目标检测算法的能力。虽然这是一个简...

在目标检测的评价体系中，有一个参数叫做IoU，简单而言就是模型产生的目标区域与原来标记区域的交叠率。即检测结果区域(DetectionResult)与真值区域（GroundTruth）的交集比上它们的...

竞赛背景 超分辨率是计算机视觉领域的核心算法之一，受到学术界和工业界的关注，其目的是从低分辨率的图片（视频）恢复出高分辨率的清晰图片（视频）。该技术在实时音视频通话（RTE）有着重要的实用价值，如何将超分辨率算法应用到 RTE，是工业界亟待解决的问题。本次竞赛的目的，旨在吸引更多研究人员参与超分辨率 ....

SIGAI 特约作者 Baoming 算法研究员 导言 自从 anchor-based method 出现之后，物体检测基本上就离不开这个神奇的 anchor 了。只因有了它的协助，人类才在检测任务上第一次看到了 real time 的曙光。但是，夹杂在通用物体检测中，某些特定物体的检测任务由于应用 ....

数据降维问题 在很多应用中，数据的维数会很高。以图像数据为例，我们要识别 32x32 的手写数字图像，如果将像素按行或者列拼接起来形成向量，这个向量的维数是 1024。高维的数据不仅给机器学习算法带来挑战，而且导致计算量大，此外还会面临维数灾难的问题（这一问题可以直观的理解成特征向量维数越高，机器学 ....

感谢 SIGAI 特约作者：mileistone 感受野是卷积神经网络里面最重要的概念之一，为了更好地理解卷积神经网络结构，甚至自己设计卷积神经网络，对于感受野的理解必不可少。 一、定义 感受野被定义为卷积神经网络特征所能看到输入图像的区域，换句话说特征输出受感受野区域内的像素点的影响。 比如下图（ ....

SIGAI 特约作者 cnns . 阿姆斯特丹大学在读博士 研究方向：深度学习，计算机视觉 人群计数监控视频中的人群自动计数有着重要的社会意义和市场应用前景。充分利用兴趣区域的人数统计信息可以为一些人群密集的商场、车站、广场等公共场合的安全预警提供有效的指导。还可以带来经济效益，例如，提高服务质量、 ....

2012 年至今，随着深度神经网络理论与计算设备的发展，卷积神经网络（CNN）得到了快速发展，并被大量应用于计算机视觉、自然语言处理等领域。尤其是在图像分类、目标检测等主要的计算机视觉任务中，CNN 一直都是最主流的方法。 [图片] 图 1：端到端的学习 卷积神经网络的行与不行 卷积神经网络，虽然取 ....