2020年01月_MrCharles

12月 11月 10月 09月 08月 07月 04月 03月 02月 01月

原创 Monash call：人工智能永远不可能真正智能

假设我被锁在一个房间里，并且得到了大量的中文写作。我不会中文，也不会书面或口语。我什至无法将其文字与其他类似脚本（例如日语）区分开。现在，我收到了第二批写作，但是这次提供了一组英语说明（我确实知道），以指导如何使第一批与第二批相关。我使用这些英语说明来查找写作中的图案和常见符号。然后，我收到第三批文字，再加上一组英语说明，这有助于我将其与前两批文字联系起来。这些说明还帮助我使用相同的符号和字符集...

2020-01-15 00:11:03 1495 2

转载 Monash call：如何做好计算机视觉的研究？

简单说一下这篇文章的背景：从我去年（2015年）回到微软亚洲研究院之后接触到很多聪明的实习生。一方面感受到他们对计算机视觉研究的热情，另方面也有感于他们对计算机视觉研究认知的局限性，或者说大一点，是基本研究方法和思路上的局限性，就有想法要对如何做好计算机视觉的研究写点什么，但一直也没有找到合适的机会。最近计算机视觉领域国际权威、加州大学洛杉矶分校的朱松纯老师发表了一篇关于计算视觉的三个起源和人工智...

2020-01-14 23:50:48 447

原创 Monash call (莫纳什来电) -开篇

本专栏取名为Monash Call, 主要是用于发表笔者在monash university写作的一些文章，主要是和本人research息息相关的内容，分享等等。monash call专注与简要，通俗的，对某一个方面的介绍，能够让读者对这一个小方面有一个大致的把握。monash call不能让你学习到新的技能，但是可以帮助你感性认识到新的技术，以及他们能够用来做什么。Charles@Mona...

2020-01-14 01:05:01 593 1

原创 Monash call：通过生成对抗网络创造现实-GAN的过去，现在和未来

Monash call (莫纳什来电)：通过生成对抗网络创造现实-GAN的过去，现在和未来最近，我们已经目睹了各种工具的日益普及，这些工具可以自动创建不存在的人物，物体或场景的图像，或者通过添加它们从未拥有的品质来修改现有物体的表示。这样的解决方案的一个典型例子是FaceApp。该应用程序可以拍摄人物照片，并创建具有其他功能的人脸图像。例如，它可以添加胡须，...

2020-01-14 01:01:04 1004 1

原创综述：神经网络的优化-优化器，动量，自适应学习率，批量归一化

综述：神经网络的优化-优化器，动量，自适应学习率，批量归一化在本文中，我将讨论与神经网络优化有关的以下概念：优化面临的挑战动量适应性学习率参数初始化批量归一化优化面临的挑战当谈论神经网络中的优化时，我们其实是在讨论非凸优化问题(non-convex optimization)。与之对应，凸优化(Convex optimization)中，...

2020-01-09 21:08:33 13230 3

原创综述: 3D Unet vs 2D Unet

使用傅立叶变换检测图像边缘几种经典的卷积卷积神经网络（CNN）已显示出实现多种计算机视觉任务的能力（例如图像分割）。分割任务主要有两种：语义分割和实例分割。语义分割是对图像中的每个像素都划分出对应的类别，即实现像素级别的分类；而类的具体对象，即为实例，实例分割不但要进行像素级别的分类，还需在具体的类别基础上区别开不同的实例。比如说...

2020-01-07 23:21:10 9480 1

原创 Tutorial教程：使用傅立叶变换检测图像边缘

Tutorial教程：使用傅立叶变换检测图像边缘通常，在进行图像处理时，您最终会探索各种方法来评估适合您特定需求的最佳方法。我将在这里讨论一种这样的方法，即傅立叶变换。什么是傅立叶变换？用最简单的术语来说，傅立叶变换有助于将进入的信号分解成其构造块。例如，考虑通过将两个或多个具有不同频率的正弦函数叠加而得到的信号f（x）。现在，仅查看f（x）的图，您将无...

2020-01-06 19:04:21 1336