計算機深度學(xué)習(xí)
關(guān)注創(chuàng)建者：UltraLAB 創(chuàng)建時間：2021-04-28
計算機深度學(xué)習(xí)的視頻教程
Dragonfly深度學(xué)習(xí)教程
特征提取：接下來，利用深度學(xué)習(xí)模型（如卷積神經(jīng)網(wǎng)絡(luò)，CNN）從預(yù)處理后的材料圖像中提取特征。CNN通過多層卷積和池化操作，學(xué)習(xí)圖像的高級特征表示。 模型訓(xùn)練：將提取到的特征輸入到深度學(xué)習(xí)模型中進行訓(xùn)練。訓(xùn)練過程中，模型會不斷調(diào)整參數(shù)，以最小化損失函數(shù)（如交叉熵?fù)p失、均方誤差等）并提高預(yù)測準(zhǔn)確性。 模型評估：在訓(xùn)練過程中或訓(xùn)練完成后，需要對模型進行評估，以檢驗?zāi)Ｐ托阅堋?/p>
￥3000 24分鐘 35播放
查看
深度學(xué)習(xí)與流體力學(xué)結(jié)合
3、深入理解深度學(xué)習(xí)與湍流超分辨率的耦合機制。 實操環(huán)節(jié)： 1、基于深度學(xué)習(xí)的流場時序超分辨率處理（數(shù)據(jù)與代碼提供給學(xué)員） 實驗流體力學(xué)與人工智能 四、實驗流體力學(xué) 核心知識點： 1、掌握實驗流體力學(xué)的基礎(chǔ)知識，了解相關(guān)實驗設(shè)備。 2、了解機器學(xué)習(xí)技術(shù)在實驗流體力學(xué)中的應(yīng)用。 3、掌握Python語言進行實驗數(shù)據(jù)的后處理，增強數(shù)據(jù)處理能力。 4、風(fēng)洞試驗
￥499 6小時6分鐘 186播放
查看
計算機深度學(xué)習(xí)的實例教程
編輯 | 計算機視覺聯(lián)盟
還是做一些背景介紹。已經(jīng)是很熱的深度學(xué)習(xí)，大家都看到不少精彩的故事，我就不一一重復(fù)。
簡單的回顧的話，2006年Geoffrey Hinton的論文點燃了“這把火”，現(xiàn)在已經(jīng)有不少人開始潑“冷水”了，主要是AI泡沫太大，而且深度學(xué)習(xí)不是包治百病的藥方。
計算機視覺不是深度學(xué)習(xí)最早看到突破的領(lǐng)域，真正讓大家大吃一驚的顛覆傳統(tǒng)方法的應(yīng)用領(lǐng)域是語音識別，做出來的公司是微軟，而不是當(dāng)時如日中天的谷歌。計算機視覺應(yīng)用深度學(xué)習(xí)堪稱突破的成功點是2012年ImageNet比賽，采用的模型是CNN，而不是Hinton搞的RBM和DBN之類，就是Hinton學(xué)生做出來以他命名的AlexNet。
（注：順便提一下，2010年的ImageNet冠軍是余凱/林元慶領(lǐng)導(dǎo)的NEC和UIUC Tom Huang組的合作團隊，當(dāng)時采用的方法是基于sparse coding+SVM。）
當(dāng)然，真正一直在研究CNN的專家是Yann LeCun，小扎后來拉他去FB做AI research的頭。第一個CNN模型就是他搞出來的，即LeNet，原來就是做圖像數(shù)字識別。不得不說，CNN非常適合2-D信號的處理任務(wù)，RNN呢，是時域上的拓展。
現(xiàn)在CNN在計算機視覺應(yīng)用的非常成功，傳統(tǒng)機器學(xué)習(xí)方法基本被棄之不用。其中最大的一個原因就是，圖像數(shù)據(jù)的特征設(shè)計，即特征描述，一直是計算機視覺頭痛的問題，在深度學(xué)習(xí)突破之前10多年，最成功的圖像特征設(shè)計 (hand crafted feature)是SIFT，還有著名的Bag of visual words，一種VQ方法。后來大家把CNN模型和SIFT比較，發(fā)現(xiàn)結(jié)構(gòu)還蠻像的：），之后不是也有文章說RNN和CRF很像嗎。
展開 4).游戲和控制：體感游戲；
5).監(jiān)控：公共場所隨處可見的監(jiān)控攝像機，用來監(jiān)視可疑行為；
6).生物識別技術(shù)：指紋、虹膜和人臉匹配是生物特征識別中常用的方法；
7).智能汽車：視覺仍然是觀察交通標(biāo)志、信號燈及其它視覺特征的主要信息來源；
正如斯坦福大學(xué)公開課CS231所言，計算機視覺任務(wù)大多是基于卷積神經(jīng)網(wǎng)絡(luò)完成。比如圖像分類、定位和檢測等。那么，對于計算機視覺而言，有哪些任務(wù)是占據(jù)主要地位并對世界有所影響的呢？本篇文章將分享給讀者5種重要的計算機視覺技術(shù)，以及其相關(guān)的深度學(xué)習(xí)模型和應(yīng)用程序。相信這5種技術(shù)能夠改變你對世界的看法。
1.圖像分類
圖像分類這一任務(wù)在我們的日常生活中經(jīng)常發(fā)生，我們習(xí)慣了于此便不以為然。每天早上洗漱刷牙需要拿牙刷、毛巾等生活用品，如何準(zhǔn)確的拿到這些用品便是一個圖像分類任務(wù)。官方定義為：給定一組圖像集，其中每張圖像都被標(biāo)記了對應(yīng)的類別。之后為一組新的測試圖像集預(yù)測其標(biāo)簽類別，并測量預(yù)測準(zhǔn)確性。
如何編寫一個可以將圖像分類的算法呢？計算機視覺研究人員已經(jīng)提出了一種數(shù)據(jù)驅(qū)動的方法來解決這個問題。研究人員在代碼中不再關(guān)心圖像如何表達，而是為計算機提供許多很多圖像（包含每個類別），之后開發(fā)學(xué)習(xí)算法，讓計算機自己學(xué)習(xí)這些圖像的特征，之后根據(jù)學(xué)到的特征對圖像進行分類。
鑒于此，完整的圖像分類步驟一般形式如下：
1).首先，輸入一組訓(xùn)練圖像數(shù)據(jù)集；
2).然后，使用該訓(xùn)練集訓(xùn)練一個分類器，該分類器能夠學(xué)習(xí)每個類別的特征；
3).最后，使用測試集來評估分類器的性能，即將預(yù)測出的結(jié)果與真實類別標(biāo)記進行比較；
對于圖像分類而言，最受歡迎的方法是卷積神經(jīng)網(wǎng)絡(luò)（CNN）。
展開 源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學(xué)習(xí)算法在多目標(biāo)跟蹤中的實時性問題, 提出一種基于MobileNet的多目標(biāo)跟蹤算法. 借助于MobileNet深度可分離卷積能夠?qū)?em>深度網(wǎng)絡(luò)模型進行壓縮的原理, 將YOLOv3主干網(wǎng)絡(luò)替換為MobileNet, 通過將標(biāo)準(zhǔn)卷積分解為深度卷積和逐點卷積, 保留多尺度預(yù)測部分, 以有效減少參數(shù)量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進行跟蹤. 實驗結(jié)果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關(guān)鍵詞
深度學(xué)習(xí) 多目標(biāo)跟蹤 目標(biāo)檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標(biāo)跟蹤是計算機視覺領(lǐng)域的研究熱點, 可應(yīng)用于交通監(jiān)測、安防等多個領(lǐng)域, 具有一定的應(yīng)用價值和挑戰(zhàn)性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標(biāo)后再進行跟蹤; 后者需要在第1幀手動初始化目標(biāo), 然后進行跟蹤. 在目標(biāo)跟蹤中, 涌現(xiàn)出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現(xiàn)出較強的優(yōu)勢.
由于深度學(xué)習(xí)的發(fā)展, 卷積神經(jīng)網(wǎng)絡(luò)模型逐漸替代了傳統(tǒng)手工設(shè)計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網(wǎng)絡(luò)深度和尺寸也在成倍增長, 需要GPU來進行加速, 使得基于深度學(xué)習(xí)的跟蹤算法無法直接應(yīng)用于移動設(shè)備, 導(dǎo)致難以符合實時性要求. 因此降低算法復(fù)雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻[8-10]使用剪枝方法對神經(jīng)網(wǎng)絡(luò)進行網(wǎng)絡(luò)壓縮. 文獻[11]提出從零開始訓(xùn)練低秩約束卷積神經(jīng)網(wǎng)絡(luò)模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 會開發(fā)AI的AI：超網(wǎng)絡(luò)有望讓深度學(xué)習(xí)大眾化
超網(wǎng)絡(luò)（hypernetwork）可以加快訓(xùn)練AI的過程。
編者按：在執(zhí)行特定類型任務(wù)，如圖像識別、語音識別等方面，AI已經(jīng)可以與人類相媲美了，甚至有時候已經(jīng)超越了人類。但這些AI事先必須經(jīng)過訓(xùn)練，而訓(xùn)練是個既耗時又耗計算能力的過程，有上百萬甚至幾十億的參數(shù)需要優(yōu)化。但最近研究人員做出了能瞬時預(yù)測參數(shù)的超網(wǎng)絡(luò)。通過利用超網(wǎng)絡(luò)（hypernetwork），研究人員現(xiàn)在可以先下手為強，提前對人工神經(jīng)網(wǎng)絡(luò)進行調(diào)優(yōu)，從而節(jié)省部分訓(xùn)練時間和費用。文章來自編譯。譯者：boxi。
劃重點：
人工智能是一場數(shù)字游戲，訓(xùn)練耗時耗力
超網(wǎng)絡(luò)可以在幾分之一秒內(nèi)預(yù)測出新網(wǎng)絡(luò)的參數(shù)
超網(wǎng)絡(luò)的表現(xiàn)往往可以跟數(shù)千次 SGD 迭代的結(jié)果不相上下，有時甚至是更好
超網(wǎng)絡(luò)有望讓深度學(xué)習(xí)大眾化
人工智能在很大程度上是一場數(shù)字游戲。10 年前，深度神經(jīng)網(wǎng)絡(luò)（一種學(xué)習(xí)識別數(shù)據(jù)模式的 AI 形式）之所以開始超越傳統(tǒng)算法，那是因為我們終于有了足夠的數(shù)據(jù)和處理能力，可以充分利用這種AI。
現(xiàn)如今的神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)和處理能力更加渴望。訓(xùn)練它們需要對表征參數(shù)的值進行仔細(xì)的調(diào)整，那些參數(shù)代表人工神經(jīng)元之間連接的強度，有數(shù)百萬甚至數(shù)十億之巨。其目標(biāo)是為它們找到接近理想的值，而這個過程叫做優(yōu)化，但訓(xùn)練網(wǎng)絡(luò)達到這一點并不容易。 DeepMind研究科學(xué)家Petar Veli?kovi? 表示：“訓(xùn)練可能需要數(shù)天、數(shù)周甚至數(shù)月之久”。
但這種情況可能很快就會改變。加拿大安大略省圭爾夫大學(xué)（University of Guelph）的Boris Knyazev和他的同事設(shè)計并訓(xùn)練了一個“超網(wǎng)絡(luò)”——這有點像是凌駕于其他神經(jīng)網(wǎng)絡(luò)之上的最高統(tǒng)治者——用它可以加快訓(xùn)練的過程。
展開 以下內(nèi)容關(guān)于機器學(xué)習(xí)與深度學(xué)習(xí)的入門資料。
計算機深度學(xué)習(xí)的相關(guān)專題、標(biāo)簽、搜索
計算機深度學(xué)習(xí)的最新內(nèi)容
到訓(xùn)練與渲染
- 編寫清晰、模塊化且適合研究的代碼，便于擴展或修改以用于實驗
- 掌握3D高斯基元、視角相關(guān)輻射建模和潑濺光柵化的數(shù)學(xué)基礎(chǔ)
- 獲得相機姿態(tài)處理和3D場景可視化工具的實踐經(jīng)驗
三、前置要求
- 具備Python編程能力（中高級水平）
- 熟悉線性代數(shù)概念，如向量、矩陣、點積/叉積
- 有計算機視覺或深度學(xué)習(xí)經(jīng)驗者優(yōu)先
摘要：本研究旨在探索和構(gòu)建融合深度學(xué)習(xí)技術(shù)的電阻抗（EIT）、電磁（EMT）與電容層析成像（ECT）方法，以提升成像分辨率、抗噪能力和重建速度。傳統(tǒng)層析成像方法依賴于迭代反演與物理建模，存在非線性強、病態(tài)性高、對噪聲敏感等問題，限制了其在實際工業(yè)過程監(jiān)測與生物醫(yī)學(xué)成像中的應(yīng)用性能。為克服這些挑戰(zhàn)，本課題系統(tǒng)設(shè)計了多種基于CNN、VGG、ResNet、U-Net、Transformer等結(jié)構(gòu)的深度成像網(wǎng)絡(luò)
幾何深度學(xué)習(xí)
1.什么是幾何深度學(xué)習(xí)？
幾何深度學(xué)習(xí)（GDL-Geometric Deep Learning）是從非歐幾里得數(shù)據(jù)類型中學(xué)習(xí)的一種神經(jīng)網(wǎng)絡(luò)方法。
歐幾里得數(shù)據(jù)包括圖像、文本、音頻等。
非歐幾里得數(shù)據(jù)可以比一維或二維表達更復(fù)雜的結(jié)構(gòu)
背景
隨著時間的推移，老照片可能會因褪色、損壞或曝光不當(dāng)而影響其視覺質(zhì)量。這些珍貴的影像承載著歷史和回憶，但由于物理損耗，它們的觀賞價值和可讀性逐漸下降。為了恢復(fù)這些照片的清晰度和色彩，本項目采用深度學(xué)習(xí)與先進的圖像處理技術(shù)，實現(xiàn)自動化的老照片修復(fù)，使其煥發(fā)新生。
項目概述
本項目致力于利用深度學(xué)習(xí)方法對老照片進行智能修復(fù)，針對照片的損壞、褪色、模糊、曝光不均等問題進行自動處理。通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型
1.AI 驅(qū)動研發(fā)升級：幾何深度學(xué)習(xí)創(chuàng)造行業(yè)新價值
人工智能正加速推動各行業(yè)研發(fā)能力升級。麥肯錫最新報告顯示，該技術(shù)在制藥、化工和航空航天等領(lǐng)域的應(yīng)用，有望為相關(guān)企業(yè)創(chuàng)造高達5600億美元的經(jīng)濟價值。 AI 技術(shù)應(yīng)用的先行者，全球500強汽車零部件制造商麥格納（Magna）。通過與 Altair 合作，運用幾何深度學(xué)習(xí)（Geometric Deep Learning, GDL）技術(shù)，顯著提升了汽車工程創(chuàng)新效率
疲勞斷裂
材料力學(xué)的傳統(tǒng)分析方法在面對多維度、多物理場的復(fù)雜問題時，往往需要大量的實驗數(shù)據(jù)支持，并且計算過程繁瑣。而人工智能，特別是深度學(xué)習(xí)的應(yīng)用，正在推動材料科學(xué)領(lǐng)域的革命。通過將物理學(xué)定律與深度學(xué)習(xí)模型結(jié)合，如物理信息神經(jīng)網(wǎng)絡(luò)（PINN），工程師可以實現(xiàn)更為精確的疲勞與斷裂分析。AI技術(shù)的引入，不僅使得傳統(tǒng)的疲勞與斷裂分析方法更為高效，而且能夠自動處理非結(jié)構(gòu)化數(shù)據(jù)，如圖像、傳感器數(shù)據(jù)等，打破了傳統(tǒng)方法的限制
摘要：鯊魚是海洋環(huán)境健康的指標(biāo)，但受到過度捕撈和數(shù)據(jù)缺乏的挑戰(zhàn)。傳統(tǒng)的觀察方法成本高昂且難以收集數(shù)據(jù)，特別是對于具有較大活動范圍的物種。論文討論了如何利用基于媒體的遠(yuǎn)程監(jiān)測方法，結(jié)合機器學(xué)習(xí)和自動化技術(shù)，來填補鯊魚種群評估中的信息空白。提出了一個包含53,345張鯊魚圖片的數(shù)據(jù)庫，覆蓋了219種鯊魚，并開發(fā)了一個名為“Shark Detector”的軟件包，利用PyQt5設(shè)計了簡約的系統(tǒng)UI界面，
在本文中，我們將討論我們的兩階段 COVID-19 口罩檢測器，詳細(xì)介紹我們將如何實施我們的計算機視覺/深度學(xué)習(xí)管道。
我們將使用此 Python 腳本來訓(xùn)練口罩檢測器并查看結(jié)果。
MP4 |視頻：h264， 1920×1080 |音頻：AAC，44.1 KHz
語言：英語 |大小： 6.00 GB |時長： 14h 21m
在這個一體化深度學(xué)習(xí)訓(xùn)練營中，使用 Python、PyTorch 和 TensorFlow 掌握神經(jīng)網(wǎng)絡(luò)、DNN 和 CNN。
您將學(xué)
到什么 ? 機器學(xué)習(xí)的基礎(chǔ)知識。
? 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識。
? 使用梯度下降算法訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)
【f'luet深度學(xué)習(xí)驅(qū)動流體力學(xué)專題】
Python編程偽譜法求解NS方程
方腔流、圓柱繞流、小球入水的Fluent求解流程
梯度下降算法的Python實現(xiàn)
二階函數(shù)極值問題的求解
經(jīng)典模型實現(xiàn)流體超分辨
深度學(xué)習(xí)模型實現(xiàn)流體的超分辨
利用Neural ODE求解特定流體（多體問題）
流體力學(xué)的拉格朗日算法
流體力學(xué)的拉格朗日神經(jīng)網(wǎng)絡(luò)
高精度格式求解可壓縮流體力學(xué)方程
