卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习算法，常用于计算机视觉领域的图像分类、目标检测和图像分割任务中。它的核心思想是通过卷积运算从原始数据中提取特征，然后将这些特征传递给全连接层进行分类或回归。

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习算法，常用于计算机视觉领域的图像分类、目标检测和图像分割任务中。它的核心思想是通过卷积运算从原始数据中提取特征，然后将这些特征传递给全连接层进行分类或回归。

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习算法，常用于计算机视觉领域的图像分类、目标检测和图像分割任务中。它的核心思想是通过卷积运算从原始数据中提取特征，然后将这些特征传递给全连接层进行分类或回归。

GCN与CNN有很多相似之处。GCN的卷积思想也是基于CNN卷积的优秀表现所提出的，。GCN由于其表达形式和卷积方法特殊性，在节点分类任务(引文网络)中，只有简单的3-4层可以把任务完成的很好。但是对于一些其他的的任务，可能浅层的网络模型没有办法很好的处理数据。但是当把GCN的层数增多之后，会出现梯度消失和over-smoothing的问题，与当时CNN的层数加深出现的问题相似，因此自然想到了应用在CNN上的方法迁移到GCN上。

选自The M tank 机器之心编译 参与：蒋思源、刘晓坤 The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第一部分做了编译介绍，后续会放出其他部分内容。 内容目录 简介 第一部分 分类/定位 目标检测 目标追踪 第二部分 分割 超分辨率、风格迁移、着色 动作识别 第三部分 3D 目标 人体姿势估计 3D 重建

该笔记是以斯坦福cs231n课程的python编程任务为主线，展开对该课程主要内容的理解和部分数学推导。这篇文章是第二篇。 CS231n简介 CS231n的全称是CS231n: Convolution

选自The M tank 机器之心编译 参与：蒋思源、刘晓坤 The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第一部分做了编译介绍，后续会放出其他部分内容。 内容目录 简介 第一部分 分类/定位 目标检测 目标追踪 第二部分 分割 超分辨率、风格迁移、着色 动作识别 第三部分 3D 目标 人体姿势估计 3D 重建

如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？

如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？

【新智元导读】本文是美国国家研究院健康临床中心（NIH-CC）吕乐在GTC DC上的演讲整理，主题有关利用深度学习和深度神经网络进行医学影像分析。 放射医学中的深度神经网络：预防和精确医学的角度 深度

机器之心原创 作者：思源 近日，机器之心采访了语知科技的首席科学家董强先生，董强向我们详细介绍了一种基于 Common-sense 知识库体系从概念层次进行自然语言处理的技术。语知自然语言理解技术平台

随着传感器技术的发展和大量新兴应用场景（AR/VR/自动驾驶）的出现，三维深度学习成为了近期的研究热点。三维数据往往以点云的方式存储，近年来，研究人员抑或是选择先将点云离散化成结构化的、规整的栅格形式（voxels，可以类比 2D 的像素 pixels），再利用体素卷积神经网络（volumetric CNNs，可以看作 2D CNN 的三维推广）对栅格数据进行处理；抑或是选择直接在点云数据上进行卷积计算。

Yann LeCun曾说，深度卷积神经网络（CNN）会“解决”ImageNet。但我们没想到进步会这么快。根据微软公司公布的信息，由于prelu激活函数和更好的初始化，微软亚洲研究院视觉计算组所开发的基于CNN的计算机视觉系统，在ImageNet 1000 挑战中首次超越了人类进行对象识别分类的能力。 微软研究团队在题为“Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification”的论

AI100 已经引入 Hugo Larochelle 教授的深度学习课程，会在公众号中推送，并且对视频中的 PPT 进行讲解。课后，我们会设计一系列的问题来巩固课程中的知识。本节课是 Hugo La

今天，我们可以看到计算机视觉（CV）系统在医疗保健，安全，运输，零售，银行，农业等领域的成功应用，已经深刻地改变了整个行业。

全球计算机视觉三大顶会之一 CVPR 2019 (IEEE Conference on Computer Visionand Pattern Recognition) 于 6月 16~20日 在美国洛杉矶如期举办。

对于人类来说，看懂视频似乎是再简单不过的事情了。从出生就开始拥有视觉，人眼所看到的世界就是连贯动态的影像。视野中每一个动态的形象都被我们轻易的识别和捕捉。但这对于计算机来说就没那么容易了。对于计算机来说，画面内容的识别，动作的捕捉，都要经过复杂的计算才能得出。当计算机从视频中识别出一些关键词后，由于语义和句子结构的复杂性，还要涉及词汇的词性、时态、单复数等表达，要让计算机将单个的词汇组成通顺准确的句子也是难上加难。 那么让计算机看懂视频都要经过哪几步呢？ 首先，识别视频里的内容。目前的图像识别研究大多基于C

AI100 已经引入 Hugo Larochelle 教授的深度学习课程，会在公众号中推送，并且对视频中的 PPT 进行讲解。课后，我们会设计一系列的问题来巩固课程中的知识。本节课是 Hugo La

今天，我们可以看到计算机视觉（CV）系统在医疗保健，安全，运输，零售，银行，农业等领域的成功应用，已经深刻地改变了整个行业。

全球计算机视觉三大顶会之一 CVPR 2019 (IEEE Conference on Computer Visionand Pattern Recognition) 于 6月 16~20日 在美国洛杉矶如期举办。