深度学习应用在超分辨率领域的9个模型-澳门皇冠赌场官网|澳门皇冠赌场网站|皇冠赌场娱乐官方网站

<small id='bsxgj'></small><noframes id='bsxgj'>

  • <tfoot id='bsxgj'></tfoot>

      <legend id='bsxgj'><style id='bsxgj'><dir id='bsxgj'><q id='bsxgj'></q></dir></style></legend>
      <i id='bsxgj'><tr id='bsxgj'><dt id='bsxgj'><q id='bsxgj'><span id='bsxgj'><b id='bsxgj'><form id='bsxgj'><ins id='bsxgj'></ins><ul id='bsxgj'></ul><sub id='bsxgj'></sub></form><legend id='bsxgj'></legend><bdo id='bsxgj'><pre id='bsxgj'><center id='bsxgj'></center></pre></bdo></b><th id='bsxgj'></th></span></q></dt></tr></i><div id='bsxgj'><tfoot id='bsxgj'></tfoot><dl id='bsxgj'><fieldset id='bsxgj'></fieldset></dl></div>

          <bdo id='bsxgj'></bdo><ul id='bsxgj'></ul>

        1. 深度学习应用在超分辨率领域的9个模型

          人工智能头条 2018-07-13 09:40 次阅读

          吴晓然,声网高级视频工程师,专注于视频编解码及相关技术研究,个人技术兴趣包括多媒体架构、深度学习

          在 AlphaGo 对弈李世石、柯洁之后,更多行业开始尝试通过机器学习优化现有技术方案。其实对于实时音视频来讲,对机器学习的研究已有多年,我们曾分享过的实时图像识别只是其中一种应用。我们还可以利用深度学习来做超分辨率。我们这次就分享一下用于超分辨率的深度学习基本框架,以及衍生出的各种网络模型,其中有些网络在满足实时性方面也有不错的表现。

          ▌机器学习与深度学习

          对于接触机器学习与深度学习较少的开发者,可能会搞不清两者的差别,甚至认为机器学习就是深度学习。其实,我们用一张图可以简单区分这个概念。

          上世纪50年代,就有人工智能的概念,后来也有一些较基础的应用,比如国际象棋。但到了70年代,由于硬件性能的制约,以及训练数据集的匮乏,使得人工智能经历了一段低谷。人工智能包括了很多,比如机器学习、调度算法、专家系统等。到了80年代才开始出现更多机器学习的应用,比如利用算法来分析数据,并进行判断或预测。机器学习包括了逻辑树、神经网络等。而深度学习,则是机器学习中的一种方法,源于神经网络。

          ▌超分辨率是什么?

          超分辨率是基于人类视觉系统提出的概念。1981年诺贝尔医学奖获奖者David Hubel、Torsten Wiesel,发现人类视觉系统的信息处理方式是分层级的。第一层是原始的数据输入。当人看到一个人脸图像时,首先会先识别出其中的点、线等边缘。然后进入第二层,会识别出图像中一些基本的组成元素,比如眼睛、耳朵、鼻子。最后,会生成一个对象模型,也就是一张张完整的脸。

          而我们在深度学习中的卷积神经网络(如下图为例),就是模仿了人类视觉系统的处理过程。正因此,计算机视觉是深度学习最佳的应用领域之一。超分辨就是计算机视觉中的一个经典应用。

          超分辨率是通过软件或硬件方法,提高图像分辨率的一种方法。它的核心思想,就是用时间带宽换取空间分辨率。简单来讲,就是在我无法得到一张超高分辨率的图像时,我可以多拍几张图像,然后将这一系列低分辨率的图像组成一张高分辨的图像。这个过程叫超分辨率重建。

          为什么超分辨率可以通过多拍几张图像,就能提高图片分辨率呢?

          这牵涉到抖动。我们经常说的拍照防抖动,其实防的是较明显的抖动,但微小的抖动始终存在。在拍摄同一场景的每张图像之间,都有细微差别,这些微小的抖动其实都包含了这个场景的额外信息,如果将他们合并,就会得到一张更为清晰的图像。

          有人可能会问,我们手机都能前后置两千万,为什么需要超分辨率技术呢?这种技术应用场景是不是不多?

          其实不是。了解摄影的人都知道。在相同的感光元器件上,拍摄的图像分辨率越高,在感光元器件上,单个像素占的面积越小,那会导致通光率越低,当你的像素密度到达一定程度后,会带来大量噪声,直接影响图像质量。超分辨率就可以解决这种问题。超分辨率有很多应用,比如:

          数字高清,通过这种方法来提高分辨率

          显微成像:合成一系列显微镜下的低分辨率图像来得到高分辨率图像

          卫星图像:用于遥感卫星成像,提升图像精度

          视频复原:可以通过该技术复原视频,例如老电影

          但是,有很多情况下,我们只有一张图像,无法拍摄多张,那么如何做超分辨率呢?这就需要用到机器学习了。比较典型的例子,就是在2017年Google 提出的一项“黑科技”。他们可以通过机器学习来消除视频图像中的马赛克。当然,这项黑科技也有一定限制,以下图为例,它训练的神经网络是针对人脸图像的,那么如果你给的马赛克图像不是人脸,就无法还原。

          ▌超分辨率神经网络原理

          超分辨率神经网络(Super-Resolution CNN,SRCNN)是深度学习应用在超分辨率领域的首个模型。原理比较简单。它有三层神经网络,包括:

          特征提取:低分辨率图像经过二项式差值得到模糊图像,从中提取图像特征,Channel 为3,卷积核大小为 f1*f1,卷积核个数为 n1;

          非线性映射:将低分辨率图片特征映射到高分辨率,卷积核大小1*1;

          图像重构:恢复细节,得到清晰的高分辨率图像,卷积核为f3*f3;

          参数调节是神经网络中比较玄的部分,也是最为人诟病的部分。很多人认为参数调节很像老中医看病,通常缺少理论依据。在这里列出了几个在 n1 取不同值的时候,所用的训练时间和峰值信噪比(PSNR,用于判断图片质量的参数,越高越好)。

          在训练中,使用均方误差(Mean Squared Error, MSE)作为损失函数,有利于获得较高的PSNR。

          训练结果如何呢?在下表中,列出了几个传统方法与 SRCNN 方法的结果对比。最左一列是图片集,右侧分别列出了每个方法的所用训练时间和图片峰值信噪比。可以看出,尽管有些图片,传统方法得出的结果更优于深度学习,但是总体来讲,深度学习稍胜一筹,甚至所需时间更短。

          有人说一图胜千言。那么实际图片效果如何呢?我们可以看下面两组图片。每组第一张是小分辨率的原图,后面通过不同的方法来实现高分辨率的大图。相比传统方法,SRCNN 的图片边缘更加清晰,细节恢复的更好一些。以上就是最初的超分辨率的深度学习模型。

          ▌9个超分辨率神经网络模型

          SRCNN 是第一个超分辨率的神经网络模型。在 SRCNN 这个模型出现后,更多应用于超分辨率的神经网络模型。我们以下分享几个:

          FSRCNN

          相对 SRCNN,这个方法不需要对原始图片使用二项式差值,可以直接对小分辨率图像进行处理。在提取特征值之后,缩小图片,然后经过 mapping、expending、反卷积层,然后得到高分辨率图片。它好处是,缩小图片可以降低训练的时间。同时,如果你需要得到不同分辨率的图片,单独训练反卷积层即可,更省时。

          ESPCN

          这个模型是基于小图进行训练。最后提取了 r² 个 Channel。比如说,我想将图片扩大到原图的3倍,那么 r 就是缩放因子 3,Channel 为9。通过将一个像素扩充为一个3x3的矩阵,模拟为一个像素的矩阵,来达到超分辨率的效果。

          对实时视频进行超分辨率处理的实验结果也非常理想。对 1080 HD 格式的视频进行3倍放大,SRCNN 每帧需要0.435s,而 ESPCN 则只需0.038s。

          VDSR

          这是2016年获奖的一个模型。我们做视频编解码的都知道,图像之间是存在残差的。它认为原始的低分辨率图片与高分辨率图片之间,低频分量几乎一样,缺失的是高频分量,即图片细节。那么训练的时候,只需要针对高频分量进行训练就行了。

          所以它的输入分为两部分,一是将整张原图作为一个输入,另一部分则是对残差进行训练然后得到一个输入,将两者加起来就得到一张高分辨率图像。这样就大大加快了训练速度,收敛效果也更好。

          DRCN

          它还是分为三层。但是在非线性映射这一层,它使用了一个递归网络,也就是说,数据循环多次地通过该层。将这个循环展开的话,等效于使用同一组参数的多个串联的卷积层。

          RED

          每一个卷积层都对应一个非卷积层。简单来讲,可以理解为是将一张图片进行了编码,然后紧接着进行解码。它的优势在于解决了梯度消失的问题,而且能恢复出更干净的图片。它和 VDSR 有相似的思路。中间卷积层与反卷积层的训练是针对原始图片与目标图片的残差。最后原图会与训练输出结果相加,得到高分辨率的图片。

          DRRN

          在这个模型里你可以看到DRCN、VDSR的影子。它采用了更深的网络结构来提升性能。其中有很多个图片增强层。可以理解为,一张模糊的图片,经过多个增强层,一级级变得更加清晰,最终得出高清图片。大家可以在名为tyshiwo的 Github 上找到源码。

          LapSRN

          LapSRN 的特别之处在于引入了一个分级的网络。每一级都只对原图放大两倍,然后加上残差获得一个结果。如果对图片放大8倍的话,这样处理的性能会更高。同时,在每一级处理时,都可以得到一个输出结果。

          SRDenseNet

          它引入了一个 Desent Block 的结构。上一层网络训练出的特征值会传递到下一层网络,所有特征串联起来。这样做的好处是减轻梯度消失问题、减少参数数量。而且,后面的层可以复用之前训练得出的特征值,不需要重复训练。

          SRGAN

          它可以利用感知损失(perceptual loss)和对抗损失(adversarial loss)来提升恢复出的图片的。

          在这个模型中有两个网络,一个是生成网络,另一个是判别网路,前者会生成高分辨率图片,后者则会判断这张图是否是原图,如果结果为“否”,那么前者会再次进行训练、生成,直到可以骗过判别网络。

          以上这些神经网络模型都可以应用于视频处理中,但实际应用还需要考虑很多因素,比如系统平台、硬件配置、性能优化。其实,除了超分辨率,机器学习与实时音视频有很多可结合的应用场景,比如音视频体验优化、鉴黄、QoE 改进等。

          热门推荐

          原文标题:普通视频转高清:10个基于深度学习的超分辨率神经网络

          文章出处:【微信号:AI_Thinker,微信公众号:人工智能头条】欢迎添加关注!文章转载请注明出处。

          收藏 人收藏
          分享:

          评论

          相关推荐

          揭秘语音交互:个性化AI打造“数字化的你”

          终端侧的语音交互已经成为现实。Qualcomm AI Research已经可以在终端侧实现整体的端到....

          的头像 章鹰 发表于 07-18 15:42 2次 阅读
          揭秘语音交互:个性化AI打造“数字化的你”

          至纯科技收购波汇科技 股票复牌

          至纯科技公告,公司通过发行股份及支付2.48亿元现金,拟作价6.8亿元,购买波汇科技100%股权,并....

          的头像 半导体投资联盟 发表于 07-18 14:58 40次 阅读
          至纯科技收购波汇科技 股票复牌

          AI还有哪些“不可告人的秘密”?

          月初外媒曝光了科技行业一个“不可告人的秘密”,很多“人工智能”能够如此智能的奥秘,竟然是因为这些公司....

          的头像 嵌入式资讯精选 发表于 07-18 09:58 86次 阅读
          AI还有哪些“不可告人的秘密”?

          深度学习如何驱动“牛联网”的发展?

          这些被称为“牛联网” (Internet of Cows)的先驱公司正利用图像识别算法检测牛的健康问....

          的头像 英伟达NVIDIA企业解决方案 发表于 07-18 09:18 134次 阅读
          深度学习如何驱动“牛联网”的发展?

          关于对生成式对抗网络的研究

          博弈中的一名玩家称为生成器, 它的主要工作是生成样本, 并尽量使得其看上去与训练样本一致.。

          的头像 摄像头观察 发表于 07-17 17:40 529次 阅读
          关于对生成式对抗网络的研究

          iPhone X的面部识别系统陷入困境的某些情况

          虽然苹果宣称被他人通过FaceID解锁手机的概率不到百万分之一,但在经过了一整天的工作生活之后,人脸....

          的头像 人工智能 发表于 07-17 17:26 515次 阅读
          iPhone X的面部识别系统陷入困境的某些情况

          集成学习和随机森林,提供代码实现

          令人惊奇的是这种投票分类器得出的结果经常会比集成中最好的一个分类器结果更好。事实上,即使每一个分类器....

          的头像 人工智能爱好者社区 发表于 07-17 17:07 80次 阅读
          集成学习和随机森林,提供代码实现

          文本分类任务介绍和传统机器学习方法

          Static vs. Non-static Representations: 在大部分的语料上,CN....

          的头像 人工智能爱好者社区 发表于 07-17 17:03 110次 阅读
          文本分类任务介绍和传统机器学习方法

          decaNLP通用模型诞生,可以轻松搞定十项自然语言任务

          近日,Salesforce发布了一项新的研究成果:decaNLP——一个可以同时处理机器翻译、问答、....

          的头像 人工智能头条 发表于 07-17 16:25 173次 阅读
          decaNLP通用模型诞生,可以轻松搞定十项自然语言任务

          如何使用OpenCV、Python和深度学习在图像和视频中实现面部识别?

          Face ID 的兴起带动了一波面部识别技术热潮。本文将介绍如何使用 OpenCV、Python 和....

          的头像 人工智能头条 发表于 07-17 16:20 309次 阅读
          如何使用OpenCV、Python和深度学习在图像和视频中实现面部识别?

          一文助你全面理解机器学习

          如果你对人工智能和机器学习的理解还不是很清楚,那么本文对你来说将会很有用。我将配合精彩的视频和文字解....

          的头像 人工智能头条 发表于 07-17 16:04 103次 阅读
          一文助你全面理解机器学习

          工业机器人市场为什么能够快速爆发?成本下降是主要因素之一

          自George Devol于1961发明第一台可编程工业机器人“Unimate”以来,工业机器人产业....

          的头像 OFweek工控 发表于 07-17 14:39 90次 阅读
          工业机器人市场为什么能够快速爆发?成本下降是主要因素之一

          IQ测试是否能测量AI的推理能力?

          基于神经网络的机器学习模型取得了惊人的成绩,但是测量其推理抽象概念的能力却是非常困难的。

          的头像 人工智能学家 发表于 07-17 14:33 78次 阅读
          IQ测试是否能测量AI的推理能力?

          人工智能未来发展趋势是从复制你的双手到复制你的思想?

          当人工智能可以帮助人类承担一些工作时,我们总是把双方的职责划分的很清楚。人类工作时,很少看到人工智能....

          发表于 07-17 12:58 20次 阅读
          人工智能未来发展趋势是从复制你的双手到复制你的思想?

          人工智能在医疗行业的应用

          近年来,人工智能深度学习技术得到突破,使得此前半温不火的人工智能迅速崛起,图像识别、神经网络、机器学....

          的头像 人工智能领域 发表于 07-17 11:19 231次 阅读
          人工智能在医疗行业的应用

          卷积神经网络的问题及其解决方案CoordConv

          这听起来非常聪明,但作者实际上提出的是该领域任何一名从业者都认为是理所当然的东西——添加一个更适合解....

          的头像 新智元 发表于 07-17 09:45 243次 阅读
          卷积神经网络的问题及其解决方案CoordConv

          利用深度学习自动设计符合空气动力学的自行车

          IUT Annecy团队使用了Neural Concept的软件,计算了自行车的最大长度和宽度以及动....

          的头像 新智元 发表于 07-17 09:38 171次 阅读
          利用深度学习自动设计符合空气动力学的自行车

          基于深度学习技术,从头开始搭建图像语义搜索引擎

          和软件工程一样,机器学习中,有很多处理问题的方法,各有各的折衷。如果你正在做一项研究或者一个本地原型....

          的头像 论智 发表于 07-17 09:17 273次 阅读
          基于深度学习技术,从头开始搭建图像语义搜索引擎

          主动脉夹层分割深度学习模型是如何炼成的?

          利用深度学习进行主动脉真假腔分割有赖于大量手动标注的主动脉图像来训练深度学习网络,计算量大,且对计算....

          的头像 英伟达NVIDIA中国 发表于 07-17 09:14 479次 阅读
          主动脉夹层分割深度学习模型是如何炼成的?

          讲解随机梯度下降、类别数据编码、Vowpal Wabbit机器学习库

          在数据量不大的情况下,上面的数学效果不错(我们这里不讨论局部极小值、鞍点、学习率选择、动量等问题,请....

          的头像 论智 发表于 07-17 09:11 169次 阅读
          讲解随机梯度下降、类别数据编码、Vowpal Wabbit机器学习库

          一种用于从文本简历中挖掘相关信息的框架

          上述代码表述了例如姓名、电话、电子邮件等要素的元数据,用来提取它们的方法是“univalue_ext....

          的头像 论智 发表于 07-17 09:07 121次 阅读
          一种用于从文本简历中挖掘相关信息的框架

          蹭着电影的热度,看看AI医疗是怎么回事?

          近期,《自然》上发表了一项研究成果——由全国多家科研机构白血病科学家组成的研究小组使用血液检测和机器....

          的头像 嵌入式资讯精选 发表于 07-17 08:52 564次 阅读
          蹭着电影的热度,看看AI医疗是怎么回事?

          人工智能将模糊图像变清晰只需几毫秒

          7月11日消息,照片光线不是很好?不用担心,人工智能软件可以帮你解决。

          的头像 重庆人工智能 发表于 07-16 17:22 226次 阅读
          人工智能将模糊图像变清晰只需几毫秒

          机器学习的发展近几年有哪些错误的方面?详细概述

          人工智能领域的发展离不开学者们的贡献,然而随着研究的进步,越来越多的论文出现了“标题党”、“占坑”、....

          的头像 人工智能 发表于 07-16 17:20 331次 阅读
          机器学习的发展近几年有哪些错误的方面?详细概述

          科学家用AI识别和统计野生动物 准确率接近100%

          美国奥本大学、哈佛大学、牛津大学、明尼苏达州立大学和怀俄明州立大学的研究人员开发了一种可以识别、描述....

          的头像 高工智能未来 发表于 07-16 17:16 972次 阅读
          科学家用AI识别和统计野生动物 准确率接近100%

          构建一个决策树并查看它如何进行预测

          正如你所看到的,决策树非常直观,他们的决策很容易解释。 这种模型通常被称为白盒模型。 相反,正如我们....

          的头像 人工智能爱好者社区 发表于 07-16 17:12 175次 阅读
          构建一个决策树并查看它如何进行预测

          骁龙AIE在人工智能产业的应用

          高通的AI平台从骁龙820开始,到第二代骁龙830以及第三代的骁龙845。目前已经发布了基于神经网络....

          的头像 面包板社区 发表于 07-16 17:07 204次 阅读
          骁龙AIE在人工智能产业的应用

          “猪脸识别” 影子控股开启AI+养猪新模式

          影子“猪脸识别”应用场景广泛,其中包括猪场猪只身份识别、育种管理、猪场生产管理、猪群健康管理、智能体....

          的头像 MEMS 发表于 07-16 16:05 293次 阅读
          “猪脸识别” 影子控股开启AI+养猪新模式

          NVIDIA成立AI研究实验室 将落户多伦多

          我们希望在今年年底前将在此工作的AI和深度学习研究人员的数量增至三倍。

          的头像 英伟达NVIDIA中国 发表于 07-16 14:57 288次 阅读
          NVIDIA成立AI研究实验室 将落户多伦多

          机器学习技术在蛋白质动力学中的运用

          机器学习算法擅长发现大数据内的复杂模式,因此研究人员通常利用它们作出预测。

          的头像 人工智能学家 发表于 07-16 14:45 171次 阅读
          机器学习技术在蛋白质动力学中的运用

          关于Apollo 2.5预测系统的内容分享

          第二部是逻辑推理阶段,这也是预测直接使用神经网络的方式。就Apollo来说,对车辆进行了深度神经网络....

          的头像 佐思汽车研究 发表于 07-16 10:54 132次 阅读
          关于Apollo 2.5预测系统的内容分享

          人工智能基础高中教材已经正式发布人工智能入门必备籍

          人工智能技术现已进入加速发展的新阶段,人工智能时代的来临,将对人类的社会生活产生深远的影响。政府部门....

          的头像 算法与数据结构 发表于 07-16 10:46 303次 阅读
          人工智能基础高中教材已经正式发布人工智能入门必备籍

          Gartner 安全和风险管理伦敦峰会开启 安全管理者的朝圣会

          网络战愈演愈烈,网络政治干扰和政府要求为其访问软件和服务留下后门,这些都导致软件和基础设施采购过程中....

          的头像 E安全 发表于 07-16 10:01 455次 阅读
          Gartner 安全和风险管理伦敦峰会开启 安全管理者的朝圣会

          在谷歌大脑不能做真正的机器学习科学研究?

          在DeDeo的主页介绍上写着,他们的研究方向是:在社会思想实验室(Laboratory for So....

          的头像 新智元 发表于 07-16 09:55 211次 阅读
          在谷歌大脑不能做真正的机器学习科学研究?

          《硅谷》里使用深度学习识别热狗的软件Not Hotdog正式获得艾美奖提名!

          今天,制作这款的APP的Tim Anglade(是的,这款APP是他一个人制作的,当然得到了很多人的....

          的头像 新智元 发表于 07-16 09:46 287次 阅读
          《硅谷》里使用深度学习识别热狗的软件Not Hotdog正式获得艾美奖提名!

          神经网络、机器翻译、情感分类和自动评论等研究方向的5篇论文

          现实世界中很多文档都具有超链接的结构。例如,维基页面(普通网页)之间通过URL互相指向,学术论文之间....

          的头像 新智元 发表于 07-16 09:43 173次 阅读
          神经网络、机器翻译、情感分类和自动评论等研究方向的5篇论文

          Uber提出卷积网络在坐标变换上的缺陷限制了它的性能提升

          所以为什么网络很难定位一个像素呢?是因为从小空间到大空间的转换很困难吗?如果朝一个方向会不会容易点呢....

          的头像 论智 发表于 07-16 09:21 448次 阅读
          Uber提出卷积网络在坐标变换上的缺陷限制了它的性能提升

          推荐系统最新入门指南,如何公平地评估推荐系统?

          这类系统利用用户的交互来过滤感兴趣物品。我们可以将交互的集合可视化为一个矩阵,其中每一项(i, j)....

          的头像 论智 发表于 07-16 08:57 342次 阅读
          推荐系统最新入门指南,如何公平地评估推荐系统?

          不同人眼里的机器学习是什么样的?

          当一个人真正想在机器学习中取得一定成就时,他需要深入微积分、线性代数,掌握一定的统计学知识,研究的深....

          的头像 论智 发表于 07-16 08:42 337次 阅读
          不同人眼里的机器学习是什么样的?

          人工智能对信息基础设施的影响,听听行业大咖怎么说

          扫地机器人、智能农药喷洒机、无人机、自动驾驶汽车……人工智能技术在不断突破我们想象力的同时,也越来越....

          发表于 07-15 10:30 89次 阅读
          人工智能对信息基础设施的影响,听听行业大咖怎么说

          NVIDIA初创加速计划”初显成效 人工智能大放异彩

          飞搜科技通过采用NVIDIA Tesla P100对图像进行大规模的深度学习训练,实现了对视频监控图....

          的头像 英伟达NVIDIA企业解决方案 发表于 07-14 09:51 983次 阅读
          NVIDIA初创加速计划”初显成效 人工智能大放异彩

          一种新的表示学习方法——对比预测编码

          对于语音,我们使用了公开的LibriSpeech数据集中100小时的子数据集。虽然数据集不提供原始文....

          的头像 新智元 发表于 07-14 09:18 199次 阅读
          一种新的表示学习方法——对比预测编码

          学习Python大数据与机器学习必会Matplotlib知识

          发表于 07-05 17:57 288次 阅读
          学习Python大数据与机器学习必会Matplotlib知识

          请问Labveiw如何调用matlab训练好的神经网络模型呢?

          发表于 07-05 17:32 370次 阅读
          请问Labveiw如何调用matlab训练好的神经网络模型呢?

          深度学习与数据挖掘的关系

          发表于 07-04 16:07 252次 阅读
          深度学习与数据挖掘的关系

          不可错过 | 集成学习入门精讲

          发表于 06-06 10:11 309次 阅读
          不可错过 | 集成学习入门精讲

          AI知识科普 | 从无人相信到万人追捧的神经网络

          发表于 06-05 10:11 283次 阅读
          AI知识科普 | 从无人相信到万人追捧的神经网络

          AI知识科普 | 从无人相信到万人追捧的神经网络

          发表于 06-05 10:11 283次 阅读
          AI知识科普 | 从无人相信到万人追捧的神经网络

          机器学习、深度学习、卷积神经网络...人工智能时代的曙光

          发表于 05-22 09:54 1359次 阅读
          机器学习、深度学习、卷积神经网络...人工智能时代的曙光

          机器学习、深度学习、卷积神经网络...人工智能时代的曙光

          发表于 05-22 09:54 1359次 阅读
          机器学习、深度学习、卷积神经网络...人工智能时代的曙光

          如何开始接触机器学习?方法统统分享给你

          发表于 05-16 11:50 672次 阅读
          如何开始接触机器学习?方法统统分享给你

          人脸识别、语音翻译、无人驾驶...这些高科技都离不开深度神经网络了!

          发表于 05-11 11:43 987次 阅读
          人脸识别、语音翻译、无人驾驶...这些高科技都离不开深度神经网络了!