AI应用
- 从简单的围棋到复杂环境的王者荣耀
- 视频自动标签:标签多且有歧义
- 食品图像分析:细粒度的识别
- 自动生成游戏解说:cv(目标识别)->NLP(文本)->voice(语音)
计算机视觉的挑战(计算所)
- cv是AI最活跃的领域
- 目前对于深度学习是知其然不知其所以然
- 识别->理解,理解是关键,尤其是跨模态的对齐
- AI的必然:机要懂人;机要懂事;说机器语
NLP语义信息处理前言(哈工大)
- NLP是认知智能的核心
- 过程:形式->语义->推理->语用
- 目前处于语义到推理层面
- 四类问题:匹配、分类、生成、组织
- 对话系统:从软件(机器猫)到平台化(siri、小度等)
- 面临的挑战:1)带标数据少;2)尝试知识不熟;
对机器学习的思考(南大)
- 困难:1)机器学习中有太多超参;2)有很多不可微(无法反向传播)的构件
- 三个方向:
- 1、Deep forest,神经网络的替代品
- 2、弱监督,解决标注少问题
- 3、模型要能适应开放的学习环境。目前大多数是封闭静态的环境(数据分布一致、测试指标固定等等)
深度视觉系统安全性探索(腾讯)——图片的对抗攻击与防守
- 输入差异小(图片加噪)----network----->输出差异巨大(类别分错)
- 目标:抑制输出差异