<mark id="oztn4"></mark>
0
雷鋒網 AI 科技評論按：2018 年，AI 研習社為大家呈上了一系列公開課，讓更多的 AI 學術人員得以分享、傳播自己的研究成果，也讓科技愛好者們、學生們、其它研究人員們增進了對人工智能相關思維、知識、應用的認識，為國內人工智能長期持續發展的氛圍出一份力。
在這闔家團圓的日子里，我們特意整理出 10 場傳播熱度最高的公開課，讓錯過直播的童鞋得以查缺補漏，而看過直播的童鞋也能借機溫故而知新。
1. 圖像分割的經典算法
分享嘉賓：
劉漢唐，浙江大學計算機系博士生在讀，阿里巴巴 iDST 實習生。研究方向是計算機視覺、深度學習。
分享內容：
圖像分割是計算機視覺中一個經典并且基礎的問題，對于理解圖像非常關鍵。圖像分割有很多應用場景，比如無人駕駛、地圖重建、圖像美化等等。深度學習使得圖像分割有了巨大的發展，本次分享會介紹深度學習中圖像分割的經典算法。
回看網址：
http://www.mooc.ai/course/414/learn#lesson/2266
2. 深度學習時代的場景文字檢測與識別
分享嘉賓：
姚聰：于華中科技大學電信學院獲得學士和博士學位，其主要研究方向為自然場景文字檢測和識別。在國際重要期刊 IEEE TPAMI, IEEE TIP 以及頂級會議 CVPR、ICCV 和 ECCV 等上發表論文十余篇。目前在曠視科技 (Face++) 擔任云服務業務算法負責人，主持自然場景 OCR、人臉活體檢測等技術的研發工作，為 FaceID 互聯網身份驗證服務、Face++開放平臺等提供算法支持。
分享內容：
圖像語義分割是 AI 領域中一個重要的分支，是機器視覺技術中關于圖像理解的重要一環。近年的自動駕駛技術中，也需要用到這種技術。車載攝像頭探查到圖像，后臺計算機可以自動將圖像分割歸類，以避讓行人和車輛等障礙。隨著近些年深度學習的火熱，使得圖像分割有了巨大的發展，本文為大家介紹深度學習中圖像分割的經典算法。
回看網址：
http://www.mooc.ai/open/course/605
3. 物體檢測算法的近期發展及開源框架介紹
分享嘉賓：
陳愷，香港中文大學多媒體實驗室博士生，COCO 2018 Instance Segmentation Challenge 冠軍團隊成員。
分享內容：
物體檢測是計算機視覺的基礎任務之一，講者將總結深度學習背景下物體檢測算法的發展，分享 COCO 比賽冠軍團隊所使用的算法，并介紹由港中大多媒體實驗室開源的物體檢測算法框架 mmdetection。
回看網址：
http://www.mooc.ai/open/course/604
4. 研習 U-Net——現有的分割網絡創新
分享嘉賓：
周縱葦，亞利桑那州立大學生物信息學在讀博士，師從 Jianming Liang 教授，主要研究方向為醫學圖像分析，深度學習等。其研究工作曾在 CVPR，DLMIA，EJNMMI Research 發表。
分享內容：
經典的 Encoder-Decoder 結構在目標分割問題中展現出了舉足輕重的作用，然而這樣一個相對固定的框架使得模型在感受野大小和邊界分割精度兩方面很難達到兼顧。本次公開課，講者以 U-Net 為案例分析，總結現有的分割網絡創新，以及探討還有哪些有針對性的改進方向。
回看網址：
http://www.mooc.ai/open/course/549
5. 高效卷積神經網絡的結構設計與探索
分享嘉賓：
黃高博士，現為美國康奈爾大學計算機系博士后，主要研究領域為深度神經網絡的結構設計與優化算法，以及深度學習在計算機視覺與自然語言理解中的應用；獲得北京航空航天大學自動化學院學士學位，清華大學控制科學與工程博士學位。其博士論文被評為中國自動化學會優秀博士學位論文以及清華大學優秀博士論文一等獎。目前已發表學術論文 20 余篇，其中一篇被中國科學技術信息研究所評選為 2015 年全國百篇最具國際影響學術論文；一篇獲得國際計算機視覺頂級會議 CVPR 的最佳論文獎。
分享內容：
卷積神經網絡則是深度學習最具代表性的模型，在計算機視覺和自然語言翻譯等領域有著極其廣泛的應用。隨著精度以及復雜度的逐步提升，卷積網絡的推理效率問題越來越明顯的成為制約其在實際應用中的瓶頸。本次 GAIR 大講堂將從網絡結構設計與推理方法等方面，分享黃高博士近期的一些研究成果與心得。
回看網址：
http://www.mooc.ai/open/course/423
6. 深度學習在點云分割中的應用
分享嘉賓：
王薇月，南加州大學計算機系在讀博士，導師是 Ulrich Neumann 教授，主要研究方向為計算機視覺，三維視覺等。其研究工作曾在 CVPR、ICCV、ECCV 等發表。個人主頁：www-scf.usc.edu/~weiyuewa/
分享內容：
隨著激光雷達，RGBD 相機等 3D 傳感器在機器人，無人駕駛領域的廣泛應用，深度學習在三維點云數據的研究在近兩年取得了廣泛關注。點云分割、識別、檢測成為學術界、工業界的熱門話題之一。是在本次公開課中，講者將分享其關于點云分割的最新工作。
回看網址：
http://www.mooc.ai/open/course/501
7. 基于小波變換的圖卷積神經網絡
分享嘉賓：
徐冰冰，中國科學院計算技術研究所在讀博士生。目前主要研究興趣為圖卷積網絡，圖上深度學習。
分享內容：
Graph 是實際生活中廣泛存在的數據結構，如社交網絡，交通網絡等。近年來如何利用深度學習的方法建模 Graph 引起廣泛關注，而其中借助圖卷積網絡建模 Graph 上節點關聯是非常重要的一類方法。本次公開課將分享如何用小波變換實現圖卷積算子，以及小波變換相對于圖上傅立葉變換帶來的優勢。該工作已被表示學習國際會議 ICLR2019 錄用，論文題目為《Graph Wavelet Neural Network》。
回看網址：
http://www.mooc.ai/open/course/626
8. 基于最大熵的 CTC 改進算法
分享嘉賓：
劉鵠，清華大學自動化系碩士，目前就職于京東，主要研究搜索廣告的排序模型。碩士期間導師是張長水教授，主要研究方向為序列識別、視頻識別。工作曾在 CVPR，NIPS 等頂級會議上發表。
分享內容：
該工作是我們在 NIPS2018 上的一篇文章 (Spotlight)。
Connectionist Temporal Classification(CTC) 是一種廣泛應用于優化序列識別問題的損失函數。結合 RNN/LSTM 等結構，目前 CTC 已經成為語音識別、 光學字符識別、手勢識別等領域的主流框架之一。然而 CTC 的訓練過程存在一些缺陷，導致它比較容易過擬合，并經常傾向于輸出過度自信、呈尖峰分布的預測結果。本次公開課將首先回顧 CTC 算法，指出它在訓練過程中的缺陷，并結合最大熵從兩個不同的角度為它提出改進。
回看網址：
http://www.mooc.ai/open/course/621
9. 稀疏流形變換（The Sparse Manifold Transform）
分享嘉賓：
陳羽北，UC Berkeley AI Research (BAIR) 博士在讀。2012 年本科畢業于清華大學電子工程系，畢業后就讀于加州大學伯克利分校電子工程與計算機系，并獲得數學系碩士雙學位，目前在導師 Bruno Olshausen 教授指導下研究非監督稀疏特征學習研究。
分享內容：
稀疏編碼 (Sparse Coding)，流形學習 (Manifold Learning) 是早期兩種非常重要的非監督學習方法，在神經科學，機器學習及數據可視化等方面都取得了相當的成功。講者認為，稀疏編碼從本質上刻畫自然信號中的低維離散性，而流形學習則刻畫的是自然信號中的低維連續性。在本次公開課上，講者將介紹這兩種模型中的重要聯系，進而討論講者發表在 NeurIPS 2018 的文章稀疏流形變換（The Sparse Manifold Transform），首次嘗試將這兩種模型融合所建立的一套新的非監督特征學習框架。
回看網址：
http://www.mooc.ai/open/course/623
10. 基于對抗學習和知識蒸餾的多模型集成算法
分享嘉賓：
沈志強，UIUC 訪問學生，復旦大學博士，已在 CVPR，ICCV，ECCV，ICLR，AAAI 等頂級會議上發表多篇論文。
分享內容：
該工作是我們最近剛發表在 AAAI 2019 (Oral) 上一篇文章。通常來說，集成多個基礎級別的神經網絡會帶來更好的性能提升。遺憾的是，存儲這些網絡參數所需的空間以及在測試時執行它們所需要的時間，嚴重阻礙了它們在測試集很大情況下的使用，如 ImageNet。在本章中，我們提出了一種將大型的、復雜的神經網絡集合壓縮到單個網絡中的方法。具體而言，來自各個訓練好的深度神經網絡 (Deep Neural Network，DNN) 中的知識被提煉并轉移到單個 DNN 中。為了從不同的訓練好的模型 (教師模型) 中提取不同的知識，我們提出使用基于對抗學習的策略。我們定義了一個逐塊 (block-wise) 的訓練損失函數，以指導和優化預先定義好的學生網絡，學習教師模型中的知識，并使用鑒別網絡同時區分來自教師或者學生網絡的特征。
分享網址：
http://www.mooc.ai/open/course/620
雷鋒網 AI 科技評論雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
