Auteur: Yafeng

Responsable: Chine Institut d'électronique 25-26 Mars 2017 a tenu une « Conférence nationale 2017 de la technologie d'apprentissage en profondeur » à Pékin.

Lei Feng réseau de presse: 2016 est sans aucun doute l'étude la plus approfondie de feu d'un an, la profondeur de l'apprentissage fait un résultat très remarquables dans la voix, l'image, le traitement du langage naturel et d'autres domaines, est devenu l'un des points chauds de la technologie la plus convaincante. Lei Feng réseau (numéro public: Lei Feng réseau) a également signalé à plusieurs reprises sur les géants technologiques majeurs Google, Facebook, Microsoft, Baidu inclus ne ménagent aucun effort pour promouvoir le développement et l'application de l'apprentissage en profondeur.

2017 étude approfondie de l'élan est toujours rapide et une pénétration plus rapide dans diverses industries, ont un impact profond sur le monde.

Etude approfondie permet non seulement l'apprentissage de la machine permet de nombreuses applications, mais aussi d'élargir la portée du domaine de l'intelligence artificielle, l'accessibilité de la machine et faire tout possible. Ses domaines d'application accélère la pénétration dans de nombreux domaines, mais aussi donné naissance à accélérer la profondeur de l'apprentissage et d'autres applications d'intégration de la technologie.

Pour améliorer les chercheurs de première ligne une meilleure idée de la profondeur de l'apprentissage, l'Institut chinois de l'électronique en Mars 201725-26, a tenu le « 2017 technologie d'apprentissage profondeur Conférence nationale » à Beijing, en Chine Institut d'électronique Lin Runhua Secrétaire adjoint à la réunion et les discours prononcés. Président du chercheur Assemblée Wang Liang, vice-président de la Conférence du professeur de saison ensoleillée, le professeur Yu Jun a présidé le rapport d'experts de l'Assemblée générale.

Des experts de renom ont été invités à la profondeur des technologies d'apprentissage dans le domaine de faire rapport spécial national sur l'application des derniers développements et de la profondeur des technologies d'apprentissage. En même temps, l'Institut chinois de l'électronique a également invité les instituts de recherche liés à la technologie étude approfondie et les entreprises de haute technologie pour promouvoir la technologie de présenter leurs résultats de recherche dans le domaine de l'apprentissage en profondeur des contenus nouveaux produits et marchés.

Les clients participant à l'événement sont (classés par ordre du jour Rapports): Chine École des sciences informatiques et de l'Université de technologie Professeur Chen En rouge, Microsoft Research Asia chercheur Dr. Yangkui Yuan, directeur de l'Institut de recherche d'intelligence artificielle de l'Université du Zhejiang, le professeur Wu Fei, directeur de l'Institut de recherche IBM Chine Dr Su Zhong, directeur adjoint des médias numériques Institut de l'Université de Pékin professeur Wang Yizhou, Baidu IDL responsable de la direction technique de Zhou Jie, l'automatisation, professeur de l'Université de Tsinghua saison ensoleillée, directeur technique professeur Wang Changhu gros titres de laboratoire aujourd'hui, Zhang, vice-président de l'ordinateur Université Soochow professeur Min, le Dr Lai Junjie calcul haute performance et appliquée directeur technique du département d'apprentissage profond en Chine pour NVIDIA, le Dr informations sur le réseau informatique Center, Académie chinoise de professeur agrégé Zhao, l'Université de Chine du Sud de la technologie professeur Jin Lianwen deux, Klaeng profonde élève CTO Dengya Feng, Académie chinoise des sciences Institut de l'automatisation Dr. laboratoire national de chercheur de reconnaissance des formes Huangkai Qi.

Ce qui suit est un rapport de 14 invités à la « Conférence nationale 2017 de la technologie de l'apprentissage en profondeur » made in réseau Lei Feng de l'Assemblée générale du rapport complet:

Tout d'abord, l'École des sciences informatiques et de l'Université de technologie de Chine Professeur Chen En Rouge a fait un rapport « méthodes d'apprentissage en profondeur et applications pour le traitement du langage naturel », le rapport de cet examen et discuter des derniers progrès de la recherche sur l'apprentissage en profondeur dans le traitement du langage naturel, et se concentre ensuite sur la profondeur dans le barrage de la méthode d'apprentissage représentation sémantique, d'une entité de génération de la poésie contient l'identification de la relation, la prédiction article difficulté applications connexes.

AI exige beaucoup de travail, y compris un grand nombre de données de formation marquées, les données de conception pour caractériser, le modèle et ainsi de suite. Etude approfondie pour caractériser les données et à la fin d'apprentissage modèle, avait un grand nombre de tâches à l'école beaucoup mieux que les données de caractérisation de conception experts, la libération de mettre du travail dans cette partie de la marque, mais il reste encore beaucoup de données de formation manuellement.

Pour résoudre ce problème, chercheur Microsoft Research Asia Dr Yangkui Yuan a publié un rapport « basé sur des données à grande échelle marquées étude de faible profondeur », le Dr Yangkui Yuan a souligné: Afin de réduire davantage le travail cette partie de leur étude approfondie de l'équipe de données faiblement marquées nous avons effectué une exploration. Avec l'affaiblissement de la supervision des informations requises, ce sera une augmentation substantielle des données de formation disponibles. Pendant ce temps, le modèle de profondeur a été une très bonne capacité de généralisation, les chercheurs modèle de profondeur disponible au lieu de faire des données d'annotation si faible fortement marquée générer automatiquement des données de formation de qualité supérieure pour former un meilleur modèle.

Ces dernières années, sous forme d'apprentissage axée sur les données au cur de la profondeur de l'expression distinctive de la couche d'abstraction de données d'origine par couche, réalisé d'importants progrès dans le domaine du langage naturel, la voix et la vision par ordinateur. Cependant, ce type de tâche, le mécanisme d'apprentissage par stimulus repose sur un grand nombre de données sur l'étiquette, comment former une interprétation forte, les données flexibles qui dépendent de modèles de connaissances et d'orientation et des méthodes, sont les principaux défis que doit relever la prochaine étape du développement de l'intelligence artificielle.

Le directeur de l'Institut de recherche d'intelligence artificielle de l'Université du Zhejiang, le professeur Wu Fei a publié un rapport: « Séquence d'apprentissage - l'intelligence artificielle et le modèle axé sur les données avec une combinaison de guide de connaissances » Quelques réflexions sur les défis et construire des connaissances carte, QA certains aspects des questions de recherche et de réponses et de l'apprentissage de la séquence.

La capacité d'apprendre des grandes données de profondeur marquées d'informations sur des échantillons d'apprentissage généralisation des caractéristiques complexes de l'espace profond avec la combinaison parfaite du réseau de neurones dans ces deux domaines. Profond réseau de neurones est essentiellement basé sur la simulation bionique pour les personnes sur la base d'une compréhension préliminaire du cerveau, l'apprentissage en profondeur dans un certain nombre d'applications innovantes montrent l'importance d'étudier les mécanismes du cerveau pour le développement de la technologie intelligente d'un côté.

IBM Chine mécanisme Directeur de recherche Institut de recherche le Dr Su Zhong cerveau pour cette question, publié « Computing Future: Brain Inspirés et Quantum » rapport, Su Zhongbo font allusion à la nature, l'intelligence vient du mécanisme de fonctionnement du cerveau, le cerveau en permanence pour nous savoir, comprendre en permanence dans notre technologie informatique, ce qui est le cerveau inspiré informatique, l'informatique cognitive IBM est une direction importante.

Avec étude approfondie après la vision de l'ordinateur traditionnel causé un certain impact, après quoi le mécanisme et les caractéristiques de la vision seraient une direction générale de la recherche future. Dr directeur adjoint de l'Université de Pékin Institut des médias numériques Wang Yizhou pour expliquer la « recherche basée sur la vision et la navigation étude indépendante, » le rapport à l'Assemblée générale.

Etude approfondie du succès des deux dernières années, il ne peut pas faire sans un grand nombre d'applications dans le secteur industriel dans, Baidu IDL étude approfondie direction technique selon Zhou Jie, chef de son expérience dans l'industrie, a fait un « apprentissage en profondeur deux ou trois ans à l'Assemblée générale « comme thème du rapport, y compris l'optimisation, la conception du modèle, l'ingénierie simultanée, la compréhension du langage, la longueur de la mémoire de modèle de séries temporelles, le modèle de l'attention, l'étiquetage rôle sémantique, la traduction automatique, ce qui déclenche la publicité cellulaire, convolution réseau de neurones, synchronisation de réseau de neurones, image Légende et l'image QA et ainsi de suite.

Par la suite, l'automatisation, l'Université de Tsinghua Professeur Ji Xiang Yang a fait un rapport « de détection d'objet et le développement de la segmentation et l'application de l'apprentissage en profondeur » à l'Assemblée générale, le professeur Ji Xiangyang introduit pleine progression de convolution dans la segmentation du réseau sémantique et masque exemples de recherche, suite à l'introduction par exemple des tâches de segmentation sémantique associées solution réseau complète fin de convolution. La structure de réseau ayant un degré élevé d'intégration et d'efficacité, peut être effectuée conjointement Exemples prévision et de classification, qui représente la convolution de la couche peut être partagée par deux sous-tâches, afin d'obtenir de bons résultats en termes de précision et de l'efficacité de la performance split. De toute la lumière est fonction définie en outre, sur la façon de développer l'image pour calculer une seule dimension à partir du couplage de reconstruction d'image multidimensionnel traditionnel et le découplage de l'imagerie, le procédé d'imagerie de détection de la mise en uvre multiéchelle multidimensionnel. Enfin, le radar, des informations de positionnement (GPS, odométrie, navigation par inertie, etc.) et comme avoir une information sur Internet du pilote automatique multicapteur, décrit le système de vision pour identifier les objectifs d'apprentissage fin (comme les feux de signalisation, le marquage des voies piétonnes, etc.) et algorithmes de détection et la mise en uvre du matériel correspondant.

L'étude systématique de la façon dont un réseau de neurones formés se transforme en un nouveau réseau, et de maintenir la fonction de réseau de neurones d'origine intacte, le processus est défini comme une déformation du réseau.

Pour les réseaux thématiques déformées, aujourd'hui Directeur technique Dr. Wang Zhanghu manchettes Artificial Intelligence Laboratory a publié un rapport: « Réseau Deformation: Un nouveau concept de neurones d'apprentissage du réseau, » Wang Changhu présenté à: après réseau parent de déformation, nous nous attendons à être en mesure de sous-réseau connaissance complète hérité du réseau mère, tout en continuant à se développer dans une période plus courte est un réseau plus puissant. La première exigence du réseau est telle qu'elle peut gérer les capacités de déformation des modifications du réseau, y compris les variations de la profondeur, les changements de largeur, un changement de la taille du noyau, ou même de changer l'ensemble du sous-réseau. Pour répondre à cette exigence, nous présentons d'abord les équations de déformation de réseau, l'algorithme de morphing est proposé pour tous ces types de changements. Ces déformations de l'algorithme classique pour les réseaux de neurones et convolution de réseau de neurones s'appliquent. Réseau déformé deuxième exigence est la capacité à gérer dans un réseau neuronal non linéaire. A cet effet, nous vous proposons le concept de paramètres de la fonction d'activation de la famille pour aider toute fonction neuronale distorsion non linéaire en continu activée. Les résultats expérimentaux montrent que le réseau, nous vous proposons une modification du concept d'apprentissage du réseau de neurones sur des ensembles de données standard et un réseau de neurones typique est valide.

compréhension du langage naturel et la traduction automatique est considéré comme l'un des problèmes fondamentaux de l'intelligence artificielle, le langage naturel alors comprendre ce qui est? Son état de recherche, quels sont les défis et la direction future du développement? deux dernières années, la technologie de l'apprentissage en profondeur, beaucoup question l'exactitude de l'intelligence artificielle a été considérablement améliorée, la profondeur de la technologie d'apprentissage à comprendre le langage naturel et la traduction automatique qui a apporté de nouvelles opportunités de développement? Il est de savoir comment résoudre la compréhension du langage naturel et les problèmes de traduction de la machine? Quelle est la prochaine direction du développement? Computer Science Professeur Zhang Min, vice-président de l'Université Soochow a publié un rapport: « l'apprentissage en profondeur pour la compréhension du langage naturel et la traduction automatique. »

calcul GPU intelligence artificielle de comme base, le producteur de base NVIDIA naturellement avec l'intelligence artificielle de feu dans la période de développement de Blowout. La conférence, le Dr Lai Junjie haute performance d'informatique et de profonde appliquée Apprentissage directeur technique en Chine pour NVIDIA a fait un rapport « produit des applications d'apprentissage en profondeur de pratique pour le traitement vidéo intelligente » à l'Assemblée générale.

Le rapport final est le sujet du 25 Mars « analyse en profondeur l'apprentissage et l'imagerie médicale grandes quantités de données », a déclaré par le Dr Computer Network Information Center, Académie chinoise de professeur agrégé Zhao. Dr Zhao a dit, les grandes données médicales, y compris les dossiers médicaux électroniques des données (dossier de santé électronique), les données d'imagerie médicale, l'information génétique et d'autres données. Ce qui représente la grande majorité des données d'imagerie médicale à ce stade de données médicales. Quelle est la taille des données médicales utilisées dans la pratique clinique? Ceci est un problème médical et chercheurs en informatique sont concernés, et une étude approfondie d'image intelligente offre une bonne réponse. Rapport d'analyse de données combinées de grande imagerie médicale dernières avancées et notre travail de groupe dans le domaine de l'analyse de l'imagerie médicale des données importantes, en particulier dans le diagnostic précoce IRM de la maladie d'Alzheimer par exemple, l'intelligence et la profondeur de l'apprentissage dans l'imagerie médicale de vastes zones d'applications d'analyse de données et le diagnostic précoce de la maladie.

Tout d'abord rapporté 26 Mars que le discours du professeur Jin Lianwen Chine du Sud Université de technologie, le thème de « l'apprentissage en profondeur et son application dans la pratique la reconnaissance de caractères. » Dans ce rapport, Jin Lianwen Un examen sommaire de la principale étude technique approfondie de certains de ses progrès récents en matière de reconnaissance d'image, reconnaissance de caractères, etc., a également introduit une nouvelle méthode de reconnaissance basée sur le texte écrit à la main chemin Signature et la profondeur de l'apprentissage, ainsi que pour la reconnaissance de caractère DropSample , DropSegment apprentissage en profondeur et d'autres techniques de formation, et a démontré plusieurs système de démonstration des applications basées sur la profondeur de l'apprentissage, y compris les grandes catégories de reconnaissance de caractères en ligne, le beau visage marquant leur valeur nominale, les systèmes de présentation d'identification de la ligne OCR pour des applications dans des domaines spécifiques.

En tant que représentant d'Amnesty International start-up entreprises, Klaeng profonde élève CTO Deng Yafeng Assemblée générale a également publié un rapport, « la seule façon application à grande échelle de la vision par ordinateur, » Deng Yafeng introduit la cible de recherche sur la vision informatique, et les tendances d'application face défis et opportunités, et d'autre part, sur la façon de faire de la profondeur de l'apprentissage et des données pour former un bon cycle, la profondeur de l'expérience d'apprentissage en profondeur, de sorte que le « sens » et « connaissance » interagir entre eux, moins est plus, par les actions perçues telles que PRÉSENTÉES leur propre compréhension, et enfin proposé la seule façon application à grande échelle de la vision par ordinateur.

Dr Laboratoire National de Reconnaissance Institut de l'automatisation, l'Académie chinoise des sciences chercheur Huangkai Qi à l'Assemblée générale a finalement fait à « la reconnaissance d'objets RGB-D et de la scène en fonction de la profondeur de l'apprentissage à comprendre l'expression » dans le titre du rapport. Dr Huang Kaiqi a noté: Au cours de la dernière décennie, basée sur la compréhension sémantique de l'image 2D RVB a été dominé par la recherche la plus grand public. Parce que l'image RVB est très vulnérable aux changements de lumière externes et l'impact d'un environnement bruyant dans l'objet ou l'expression scène, ce qui limite considérablement l'utilisation d'algorithmes informatiques basés sur des images RVB dans la pratique. Ces dernières années, avec le développement de la technologie de détection de profondeur, comme Kinect, capable de capturer simultanément l'image très précise de Microsoft de la profondeur et des images RVB, constituent une bonne combinaison des deux défauts mentionnés ci-dessus de même traditionnelle image RVB, Lu bon bâton, reconnaissance d'objets de haute précision et offre la possibilité de comprendre la scène, promouvoir aussi grandement la recherche et l'application sur la reconnaissance d'objets RGB-D et la compréhension de la scène. Développez rapport des aspects suivants: 1) Pour étudier l'expression de RGB-D caractéristiques et l'apprentissage, y compris les caractéristiques conçus artificiellement, la profondeur de fonction d'apprentissage non supervisé et fonction; 2) étudier les modalités de la fusion RGB-D; 3) Présentation RVB- D des progrès et des applications connexes dans la reconnaissance d'objets et de scènes.

étude approfondie des temps: le flux, en commençant vers la direction beaucoup plus

26 mars à midi Institut chinois de l'électronique a parrainé la « 2017 applications de la technologie d'apprentissage en profondeur Conférence nationale » a pris fin, tout comme le concept de 14 invités dans le rapport transmis le même: l'émergence de l'apprentissage en profondeur de nombreuses méthodes de recherche traditionnelles a causé un certain impact cette fois-ci, l'homéopathie et d'appliquer l'apprentissage en profondeur est en ligne avec les temps de choix. En même temps, les chercheurs peuvent mettre l'énergie dans d'autres recherches pour approfondir. Et l'Assemblée générale sera sans aucun doute passer le nouvel apprentissage en profondeur les orientations de recherche Applications et l'apprentissage en profondeur des temps à plus de gens.

Lei Feng réseau articles originaux, interdisent reproduit sans autorisation.