深度学习在人工智能的广泛应用中取得了可喜的成果。更大的数据集和模型总是产生更好的性能。然而，我们通常花更长的训练时间在更多的计算和通信上。
2021-11-24 13:07:11
1.18MB
1
人脸合成由于其应用与技术价值，是机器视觉领域的热点之一，而近年来深度学习的突破性进展使该领域吸引了更多关注。将该领域的研究分为四个子类：人脸身份合成、人脸动作合成、人脸属性合成与人脸生成，并系统地总结了这些子类的发展历程、现状，以及现有技术存在的问题。首先针对人脸身份合成，从图形学、数字图像处理与深度学习三个角度总结了各自的合成流程，对关键技术原理进行了详细的解释与分析。
2021-11-24 13:07:10
2.65MB
1
强化学习的泛化性一直是个被人诟病的问题。最近来自UCL& UC Berkeley的研究人员对《深度强化学习》做综述，阐述了当前深度学习强化学习的泛化性工作，进行了分类和讨论。
2021-11-24 13:07:07
6.08MB
1
图像分割算法综述概括性介绍了传统的图像分割算法包括区域生长法、分水岭算法等，同时也介绍了结合特定工具如小波分析、小波变换、遗传算法等进行图像分割的方法，最后采用深度学习进行图像分割。
2021-11-23 15:36:06
1.01MB
1
首先针对常规多目标优化算法求解高维多目标优化时面临的选择压力衰减问题进行论述;然后针对该问题,按照选择机制的不同详细介绍基于Pareto支配、基于分解策略和基于性能评价指标的典型高维多目标优化算法,并分析各自的优缺点;接着立足于一种全新的性能评价指标-----R2指标,给出R2指标的具体定义,介绍基于R2指标的高维多目标优化算法,分析此类算法的本质,并按照R2指标的4个关键组成部分进行综述;最后,发掘其存在的潜在问题以及未来发展空间.
2021-11-23 12:46:28
222KB
1