鱼和熊掌我都要！BAIR公布神经支持决策树新研究，兼顾准确率与可解释性。然而，深度神经网络缺乏可解释性也是出了名的，这就带来了一种矛盾。决策树是一种用于分类的经典机器学习方法，它易于理解且可解释性强，能够在中等规模数据上以低难度获得较好的模型。之前很火的微

在满是「MNIST」这样的小数据里，图神经网络也需要「ImageNet」这样的大基准？近日，斯坦福大学的 Jure Leskovec 教授在 NeurlPS 2019 大会演讲中宣布开源 Open Graph Benchmark，这是迈向图神经网络建模统一

对人类而言，这些答案显而易见。然而，世界上最强大的图像识别人工智能却还无法解决上述难题。之所以会这样，是因为每一张照片都经过精心挑选，专门用来“欺骗”图像识别技术。这些照片来自一套专门的数据集，其中的7000张照片由加州大学伯克利分校、华盛顿大学以及芝加哥

近日，小米 AI 实验室 AutoML 团队放出了升级 NAS 算法的新工作，其提出的超网络训练及多目标强化演化搜索 FairNAS，解决了 DL 模型 rank 稳定性的核心问题，在 ImageNet 分类任务上超过 Google Brain 的 Mna

近日，何恺明团队所在的Facebook AI推出ResNeXt-101模型，利用Instagram上的用户标记图片作为预训练数据集，省去了人工标记数据的巨额成本，而且使用中只需微调，性能即超越了ImageNet任务的SOTA水平。事实上，如果没有有监督式预

自然语言处理领域正在发生变化。作为NLP的核心表现技术——词向量，其统治地位正在被诸多新技术挑战，如：ELMo，ULMFiT及OpenAI变压器。这些方法预示着一个分水岭：它们在 NLP 中拥有的影响，可能和预训练的 ImageNet 模型在计算机视觉中的

译者 | linstancy作者| I. Zeki Yanlniz, Herve Jegou, Kan Chen, Manohar Paluri, Dhruv Mahajan编辑 | 蓝色琥珀鱼，Rachel出品 | AI科技大本营本文提出了一种十亿级数据

卷积神经网络在近几年获得了跨越式的发展，虽然它们在诸如图像识别任务上的效果越来越好，但是随之而来的则是模型复杂度的不断提升。越来越深、越来越复杂的卷积神经网络需要大量存储与计算资源，因此设计高效的卷积神经网络是非常重要和基础的问题，而消除卷积的冗余性是该问

卷积神经网络在近几年获得了跨越式的发展，虽然它们在诸如图像识别任务上的效果越来越好，但是随之而来的则是模型复杂度的不断提升。越来越深、越来越复杂的卷积神经网络需要大量存储与计算资源，因此设计高效的卷积神经网络是非常重要和基础的问题，而消除卷积的冗余性是该问

FAIR 的研究者提出了一种为卷积网络进行大规模端到端训练的聚类方法。他们证明了用聚类框架获得有用的通用视觉特征是可实现的。在 ImageNet 和 YFCC100M 等典型规模数据集上的卷积神经网络的无监督训练的实验结果表明，该方法在所有基准性能中都远远

斯坦福的 CS231n 是深度学习和计算机视觉领域的经典课程之一。近日，斯坦福又开放了由李飞飞主讲的 CS231n Spring 2017 全部视频课程。最终，学生将完成包含数百万个参数的卷积神经网络的训练任务，并将其应用于最大的图像分类数据集。除了李飞飞

当前的分类模型泛化到新数据时总会有不同程度的准确率下降，传统观点认为这种下降与模型的适应性相关。但本文通过实验证明，准确率下降的原因是模型无法泛化到比原始测试集中更难分类的图像上。机器学习的首要目标是生成泛化模型。我们常通过测量模型在测试集上的性能来量化模

图像识别的小可爱们在哪里？这里有 34G 真实线下门店零售数据，等你 pick！零售行业正成为 AI 落地的新风口。2018 BOT新零售大赛正是聚焦大数据、人工智能在零售场景的创新应用。BOT 新零售大赛技术挑战赛，将赛题锁定「线下零售导购和顾客行为智能

选自arXiv，作者：Mathilde Caron等，机器之心编译，参与：高璇、刘晓坤。在 ImageNet 和 YFCC100M 等典型规模数据集上的卷积神经网络的无监督训练的实验结果表明，该方法在所有基准性能中都远远优于目前的技术。预训练的卷积神经网络

计算机视觉领域常使用在 ImageNet 上预训练的模型，它们可以进一步用于目标检测、语义分割等不同的 CV 任务。Sebastian Ruder 表示语言模型有作为整体预训练模型的潜质，它能由浅到深抽取语言的各种特征，并用于机器翻译、问答系统和自动摘要等

现代计算机视觉研究的一个隐含的假设是，在 ImageNet 上性能更好的模型必定在其它的视觉任务上表现得更好。实验结果表明，ImageNet 架构在其它数据集上的泛化能力很强，在 ImageNet 数据集上的精确率的小小的提升就能够导致在其它数据集上性能的

本届 CVPR 2017大会上出现了很多值得关注的精彩论文，国内自动驾驶创业公司 Momenta 联合机器之心推出 CVPR 2017 精彩论文解读专栏。除此之外，Momenta 还受邀在 CVPR 2017 的 ImageNet Workshop 中发表

最后一届 ImageNet 挑战赛刚刚落下帷幕，而新加坡国立大学参与的三个团队都凭借着双路径网络获得了非常不错的成绩，其中 NUS-Qihoo_DPNs 团队获得了目标定位任务中的冠军。在本文中，我们将简要介绍这篇双路径网络论文，希望能有助于读者构建更加

自残差网络以来，深度模型拥有了极大的容量，同时 GPU、TPU 等硬件为深度学习提供了巨大的计算力。但计算机视觉最主要的数据集还是仅拥有 1M 图片的 ImageNet，因此谷歌希望利用 300M 的大数据集进一步检验模型的能力和提升空间。过去十年，计算视

华为云ModelArts在国际权威的深度学习模型基准测试平台斯坦福DAWNBenchmark上取得了当前图像识别训练时间最佳成绩，ResNet-50在ImageNet数据集上收敛仅用10分28秒，比第二名成绩提升近44%。华为自研了分布式通用加速框架MoX