在上一篇文稿中主要对深度学习的基础做了一个阐述，对于其中的神经网络和BP算法进行额外的延伸与拓展。但作为日前最为火热的人工智能技术，掌握这些内容远远还不够。因为深度学习面临的实际问题往往不是线性可分的问题，有时甚至超出了分类的问题，这就必须对深度学习模型加

卷积操作在图像处理的领域应用广泛，图像做卷积处理有一个天然的好处，即：每个像素点的位置与相邻位置相对固定，也就是说，除了边缘，每一个节点都有相同数量的相邻节点。所以卷积操作相对容易。但是，随着文本表示的发展，用向量来表示文本的思想应用的越来越广泛深入。to

深度学习最令人兴奋的领域之一就是计算机视觉。通过卷积神经网络，我们已经能够创建自动驾驶汽车系统、面部检测系统和自动医学图像分析等等。在本文中，我将向你展示卷积神经网络的基本原理以及如何自己创建一个对手写数字进行分类的系统。这些发现奠定了我们现在称之为卷积神

为了让文章不那么枯燥，我构建了一个精灵图鉴数据集这都是一些受欢迎的精灵图。我们在已经准备好的图像数据集上，使用Keras库训练一个卷积神经网络。在这种多样化的训练图像的情况下，实验结果证明，CNN模型的分类准确度高达97％！请注意：将滤波器大小从32增加到

CNN和RNN几乎占据着深度学习的半壁江山，所以本文将着重讲解CNN+RNN的对比，以及各种组合方式。CNN网络中全连接层特征描述图片，特征与LSTM输入结合。并不是所有的视频 图像包含确定分类信息RNN用于确定哪些frame 是有用的对有用的图像特征 融

最近阅读了一篇论文，加上看了一些之前的工作。记录一下，CNN 到底学到了什么东西，或者换句话讲。到底是什么样的特征在影响着CNN 的性能？在医学领域引入深度学习技术，可以将许多诊断过程全自动化，因此可以让贫穷地区或国家的人们享受到顶级的治疗。开篇完毕，现在

超分辨重构是图像处理领域地一项非常有趣的任务。它可以通过算法将一张低分辨率的图片放大成一张高分辨率地图片。这个事情乍一听挺简单的，普通的插值算法即可胜任。但其实里面大有玄机，尤其是细节的恢复。最近，来自俄罗斯斯科尔科沃科技研究院的博士生Dmitry Uly

本文为你介绍CNN架构，包括ResNet, AlexNet, VGG, Inception。本文翻译自ResNet, AlexNet, VGG, Inception: Understanding various architectures of Convo

3D点云中相邻点的空间几何关系能够有区分性地表达其所隐含的3D形状。基于该先验，来自中科院自动化所模式识别国家重点实验室的研究者提出了Relation-Shape CNN，将经典的2D CNN拓展至3D点云领域进行几何关系学习，该方法在三个主流的点云分析任

深度神经网络很大程度上还是一种黑箱中技术，我们还不完全清楚其如此有效的原因。南加利福尼亚大学的研究者 C.-C. Jay Kuo 提出了一种用于理解卷积神经网络的数学模型。机器之心技术分析师对该研究进行了解读，本文为解读的中文版。在计算机视觉领域，学术界的

深度神经网络在很多任务上都已取得了媲美乃至超越人类的表现，但其泛化能力仍远不及人类。德国蒂宾根大学等多所机构近期的一篇论文对人类和 DNN 的目标识别稳健性进行了行为比较，并得到了一些有趣的见解。选自arXiv，机器之心编译，参与：吴攀。其次，我们的研究表

选自Nature,作者：Julie Chang 等,机器之心编译,参与：高璇、刘晓坤.CNN 计算效率的研究一直备受关注，但由于功率和带宽的严格限制，CNN 仍难以应用在嵌入式系统如移动视觉、自动驾驶中。在斯坦福大学发表在 Nature 旗下 Scient

通过卷积神经网络，我们已经能够创建自动驾驶汽车系统、面部检测系统和自动医学图像分析等等。在本文中，我将向你展示卷积神经网络的基本原理以及如何自己创建一个对手写数字进行分类的系统。卷积神经网络的功能似乎是人类大脑中生物功能的复制，早在1959年，David

今日，一篇关于皮肤癌诊断的文章发表在医疗期刊《肿瘤学年鉴》上，这篇出自医疗界高级管理医师的研究首次表明：深度学习卷积神经网络在检测皮肤癌方面的表现优于有经验的皮肤科医生。对比对象是来自 17 个国家的 58 位皮肤科医生，其中包括 30 位专家。这是人工智

卷积神经网络在计算机视觉领域已经取得了前所未有的巨大成功，但我们目前对其效果显著的原因还没有全面的理解。近日，约克大学电气工程与计算机科学系的 Isma Hadji 和 Richard P. Wildes 发表了论文《What Do We Understa

现有的最优方法在文本、人脸以及低光照图像上的盲图像去模糊效果并不佳，主要受限于图像先验的手工设计属性。本文研究者将图像先验表示为二值分类器，训练 CNN 来分类模糊和清晰图像。实验表明，该图像先验比目前最先进的人工设计先验更具区分性，可实现更广泛场景的盲图

因此，本文教大家如何仅使用NumPy来构建卷积神经网络模型，具体实现了卷积层、ReLU激活函数层以及最大池化层，代码简单，讲解详细。CNN是较早提出的一种神经网络，直到近年来才变得火热，可以说是计算机视觉领域中应用最多的网络。但实际上，这样会使得开发人员不

ICLR 2019一篇论文指出：DNN解决ImageNet时的策略似乎比我们想象的要简单得多。这个发现使我们能够构建更具解释性和透明度的图像分类管道，同时也解释了现代CNN中观察到的一些现象。CNN非常擅长对乱序图像进行分类，但人类并非如此。这些模型被称为

在机器学习中，精确地计数给定图像或视频帧中的目标实例是很困难的一个问题。很多解决方案被发明出来用以计数行人、汽车和其他目标，但是无一堪称完美。当然，我们正在讨论的是图像处理，所以神经网络不失为解决这一问题的好办法。下面，本文将对神经网络目标计数领域的不同方

随着复杂和高效的神经网络架构的出现，卷积神经网络的性能已经优于传统的数字图像处理方法，如 SIFT 和 SURF。在计算机视觉领域，学者们开始将研究重点转移到 CNN，并相信 CNN 是这一领域的未来趋势。但是，人们对成效卓著的 CNN 背后的机理却缺乏了