20 小时前 / vabaly
背景最近在做一个和对象识别相关的项目，由于团队内技术栈偏向 JavaScript，在已经用 Python 和 Tensorflow 搭建好了对象识别服务器后，为了不再增加团队成员维护成本，所以尽可能将训练和识别之外的任务交给 Node.js 来做，今天要讲到的图片预处理就是其中之一。 这里对还不了解深度学习的人就几个概念做个简单的解释。 对象识别：对象识别可理解为计算机在一张图片中发现某个或某些指定的物体，比如找到里面所有的狗。 训练：计算机学会对象识别这个本领就像人类学会说话一样，需要不断地练习，深度学习中管这个过程叫做 “训练”。 训练......
21 小时前 / 闲鱼技术
背景 在上一篇文章《详解阿里99大促活动页内容识别技术实现》里，我们介绍了在淘宝99大促中，我们使用了怎样的算法模型去识别并完成自动化测试的。 样本问题的困难点 淘宝大促有近百个模块、上千个页面，模块间具有相似性，并且模块内部具备多种状态，如果想要准确识别每个模块类型，单模块的样本数量至少要达到万级，而人工标注成本高、效率低下、数据量少，纯靠人力是无法满足模型诉求的。基于此，今天，我来介绍下，模型识别背后的大批量数据样本生成的技术方案。 思路 总体技术方案如下，后面会分别详细讲： 模型的样本要求 算法模型......
5 天前 / 闲鱼技术
引言 99大促有淘宝、天猫、聚划算等全员参与，上千个页面形式的展现。其中，测试是保障活动页面的正常发布的一个必不可少的关键环节。传统的测试方法，需要测试人员去分析这个页面是否正常生成，以及是否实现正常地跳转等。这样通常会占用大量的测试资源。那么能否利用机器学习等相关技术为测试赋能呢？ 带着这个问题，我们分析了页面的特性。经过分析后发现页面具有高度的相似性，很多模块是复用的。因此，可以利用机器学习去学习模块特征，进而达到识别这些模块的目的。最终，我们实现了对淘宝99大促几十个活动页模块的自动识别。 处理流程......
15 天前 / hivefans东杰
文章作者：朱鉴 小米 小爱 NLP 负责人 编辑整理：Hoh 内容来源：作者授权 出品社区：DataFun 注：欢迎转载，转载请注明出处 导读：本文来自朱鉴老师整理的深度学习笔记节选（完整版《深度学习笔记》，可以关注本文公众号，后台回复“DL笔记”获取），第10.1节 · 前向网络，本节首先回顾前向网络结构，在此基础上进一步回顾该类网络架构在语言模型、排序问题及推荐问题上的应用。 ▌10.1.1 网络结构 前向神经网络由若干层隐藏层和一层输出层构成，网络中层和层之间为全连接方式，连接权重参数及偏执权值即为要训练的参数。隐藏层由若......
16 天前 / 雇个城管打天下
文中源码可在微信公众号「01二进制」后台回复「图像检索」获取。 前言在上一篇文章《图像检索系列——利用 Python 检测图像相似度》中，我们介绍了一个在图像检索领域非常常用的算法——感知哈希算法。这是一个很简单且快速的算法，其原理在于针对每一张图片都生成一个特定的“指纹”，然后采取一种相似度的度量方式得出两张图片的近似程度。 然而随着深度学习的崛起，极大的推动了图像领域的发展，在提取特征这方面而言，神经网络目前有着不可替代的优势。在上一篇文章中我们也介绍了图像检索往往是基于图像的特征比较，看特征匹配的程度......
20 天前 / GO语言中文网
一、协同过滤算法概述协同过滤(collaborative filtering)算法一经发明便在推荐系统中取得了非凡的成果。许多知名的系统早期都采用了协同过滤算法，例如Google News，亚马逊、Hulu、Netfix等。协同过滤算法一般采用评分矩阵来表示用户和物品的交互，评分矩阵 R中的每一个元素 rij表示用户 i对物品 j的喜好评分。由于用户不能对大部分物品都有交互，所以在很多场景下评分矩阵都很稀疏，稀疏率在 90% 以上，稀疏度很高决定算法在优化和选取上有很多考量。 传统协同过滤算法 传统的协同过滤分为 user base 和 item base 两种算法，这两种算法的核心思......
33 天前 / hyper0x
点击上方“Python数据科学”，选择“星标”公众号重磅干货，第一时间送达作者：思源、一鸣转自：机器之心从程序员到数据工程师，编写程序代码是一项基本功，但是编写冗长代码的过程也极大地消耗了开发者的耐心。近来，有不少关于代码补全工具的消息爆出，例如，来自美国的 Kite，来自加拿大的 TabNine 等，一时间获得了不少程序员的关注。但其实很多人还并不知道，在这些国外产品不断被媒体推送的背后，有一款能力更为强大、更早将深度学习应用于代码补全的产品，一款源自中国的工具——aiXcoder，它的研发者们来自于北京大学。 在本文中，......
40 天前 / 巧克力工厂的查理
首发于开发工程师的AI学习之路写文章语音合成系统之WORLD简介巧克力工厂的查理2 人赞同了该文章在本文中，我将尝试介绍一种名为WORLD的工具，该工具通常用于语音合成和语音转换。 语音合成和语音转换当下，Google Home和Amazon Echo等智能语音系统的使用，毫无疑问，语音的表现形式在未来将变得越来越重要。 语音表现形式的关键技术之一是语音合成（文本到语音）。如果是Mac，你可以试一下： $ say '早上好'她会说“早上好”。然而，在say命令中，它变成了机器特定的非常规方式，如在输入稍长的句子时可以理解的。长期以来一直在研究如何使人类......
42 天前 / 闲鱼技术
在 UI2CODE 项目中，我们大量使用了深度学习方法来做一些物体检测。而深度学习模型的训练，避免不了存在需要大量的样本。在这篇文章中，我们将介绍我们如何利用工具，批量泛化出大量样本，为模型训练提供数据保障。 样本现状 我们的模型要解决的问题是在一个设计稿图片上识别出基础控件等信息，包括位置和类别。而它所需要的样本，主要存在两个问题： 数据量少：一个APP的页面是有限的，特别是针对单个APP做优化适配的时候，页面的数量是相对较少的，可能在几十到上百个。而模型的对样本数量的需求是巨大的，特别像较为复杂的模型，对数据量的......
47 天前 / ???Edison_Guo
计算机视觉领域，利用局部特征、全局特征、深度特征以及上下文特征已经是大家习以为常的操作，尤其是前三种特征的使用，近期对上下文及显著性特征关注较多，今天和大家分享的一个技术，其也是利用了目标所在场景的上下文特征，更精确去得到目标的位置。 【导读】 上下文信息在帮助解决各种图像理解任务方面已经被证明是有效的。以前的工作集中在从图像中提取上下文信息，并利用它来推断图像中某些对象的属性。今天我们分享的，其考虑了一个逆问题，即如何从几个独立对象的属性中产生缺失的上下文信息，我们称之为场景上下文预测。这个问题......
56 天前 / hyper0x
众所周知，深度学习往往需要大量的标注样本进行训练才能达到一个满意的效果，但是在实际应用场景中，数据标注通常非常困难，很难获得大量的标注数据，这种情况下，深度学习怎么才能发挥出应有的魅力呢？ 什么是小样本学习 我家小孩在2岁以前，基本上靠书本上的图画来认识世界，我给他买了各种动物、交通工具等等各类的图书。2岁的时候我第一次带他去动物园，他基本上可以认出动物园里的大多数动物，虽然每种动物只是在图片上见过一两次，这就得益于人类的强大的认知能力，可以通过少量样本来进行学习，认知世界。当然对于更细的......
56 天前 / u312562
最近看到在“Baidu Create 2019”的百度AI交互设计论坛上，设计师分享了他们的最新成果：百度人工智能交互设计院与百度研究院商业智能实验室合作，基于百度自主研发、开源开放的深度学习框架飞桨（PaddlePaddle），让系统在每个模块组合形成的不同界面中找到最优解，在模型框架内给出任何一种设计，机器都能快速预测用户的偏好结果，设计师将以此为基础给出符合用户喜好与使用习惯的最佳解决方案。 现在的深度学习能用于界面设计吗？能基于深度学习给出符合用户喜好与使用习惯的最佳解决方案吗？这是AI设计的重点方向之一，今天聊一下我的......
59 天前 / 极市小助手
加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！ 同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。点击文末“阅读原文”立刻申请入群~ 作者：杨培文 未经授权，请勿转载。 这篇文章主要介绍的是家用的深度学习工作站，典型的配置有两种，分别是一个 GPU 的机器和四个 GPU的机器。如果需要更多的 GPU 可以考虑配置两台四个 GPU 的机器。如果希望一台机器同时具备 6~8 个 GPU 需要联系专门的供应商进行配置，并......
60 天前 / 巧克力工厂的查理
首发于开发工程师的AI学习之路写文章美少女声音之变换合成巧克力工厂的查理2 人赞同了该文章 介绍到目前为止，我主要致力于生成美少女的图像（或视频），但我希望她们一旦在屏幕上可见就会用可爱的声音说话。所以这一次，当我发出另一个人的声音时，我进行了语音转换以转换为漂亮的声音，而在给出文本时，我使用文本转语音（TTS）来创建漂亮的声音。我将描述试验结果。 语音转换介绍有两种类型的语音转换数据。这是并行数据（源speaker和目标speaker 的说话内容一致，paired data）和非并行数据（源speaker和目标speaker的说话内容不一致，unpair......
60 天前 / hyper0x
原标题 |An Easy Guide to Gauge Equivariant Convolutional Networks 作者 |Michael Kissner 译者 | AI小山（工程师）、Mr-UC（中国科学院大学） 注：本文的相关链接请访问文末【阅读原文】 几何深度学习是个很令人兴奋的新领域，但是它的数学运算逐渐转移到代数拓朴和理论物理的范围。 在Cohen等人的论文《规范等变卷积网络和二十面体CNN》中，这种现象尤其明显。这篇论文也正是本文要探讨的对象。论文中使用了规范场理论的用辞，那些喜欢把“量子”和“场”两个词合起来使用的所有的物理学当中，规范场理论居于中心地位。论文承诺对......