文章 11

访客 1214

声望 53

第18名

Blog

年薪20万和50万的计算机视觉算法工程师,到底有什么区别?

【免费公开课】视觉状态估计及其在无人系统中的应用

高翔-《机器人学中的状态估计》读者交流群

知乎问题:概率图模型是否有必要系统地学习

概率图模型(PGM)是用图来表示变量概率依赖关系的理论。自被图灵奖获得者Pearl提出以来,已成为不确定性推理近10年的研究热点,在统计机器学习、计算机视觉和自然语言处理等领域有广阔的应用前景,比如隐马尔可夫模型是语音识别的支柱模型,高斯混合模型及其变种K-means是数据聚类的最基本模型,条件随机场广泛应用于自然语言处理(如词性标注,命名实体识别)等。

仅需六步,从零实现机器学习算法!

从头开始写机器学习算法能够获得很多经验。当你最终完成时,你会惊喜万分,而且你明白这背后究竟发生了什么。

深度神经网络的分布式训练概述:常用方法和技巧全面总结

深度学习已经为人工智能领域带来了巨大的发展进步。但是,必须说明训练深度学习模型需要显著大量的计算。在一台具有一个现代 GPU 的单台机器上完成一次基于 ImageNet 等基准数据集的训练可能要耗费多达一周的时间,研究者已经观察到在多台机器上的分布式训练能极大减少训练时间。近期的研究已经通过使用 2048 个 GPU 的集群将 ImageNet 训练时间降低至了 4 分钟。这篇论文总结了各种用于分布式训练的算法和技术,并给出了用于现代分布式训练框架的当前最佳方法。更具体而言,我们探索了分布式随机梯度下降的同步和异步变体、各种 All Reduce 梯度聚合策略以及用于在集群上实现更高吞吐量和更低延迟的最佳实践,比如混合精度训练、大批量训练和梯度压缩。

干货 | 论SLAM技术发展趋势

2018年7月底,由中国图象图形学学会主办,深蓝学院承办的“第一届全国SLAM技术论坛”成功举办。浙江大学章国锋老师、香港科技大学沈劭劼老师、上海交通大学邹丹平老师、中科院自动化所申抒含老师在“圆桌论坛:SLAM技术发展趋势”上分享了SLAM技术的趋势,现将内容整理公布,希望更多SLAMer受益。

视觉SLAM的数学表述基础

SLAM(Simultaneous Localization and Mapping,即时定位与地图构建)的目的是让机器人在未知环境中持续地构建环境地图,并同时在地图中给自己定位。定位和建图两个问题相互依赖,准确的定位依赖于正确的地图,而构建正确的地图又需要准确的定位,这是一个迭代的过程。在算法表示中,我们必须先把这个问题抽象为数学问题,然后才能使用计算机进行处理,以得到我们想要的结果。假设时刻可以离散化为t1,⋯,K;各时刻机器人的位置为,路标为。SLAM的运动方程含义为从k−1时刻到k时刻,机器人的位置变化情况。数学上可表示为:其中为传感器读数,为噪声。观测方程含义为k时刻,机器人于处探测到了某一个路标,产生一个观测数据:​

计算机视觉之三维重建入门

基于图像的三维模型重建是计算机视觉领域的一个非常重要的研究方向。我们都知道,人类生活在三维空间里,接触最多的也是三维物体,可以说三维空间是物体存在的基本形式。 相比较二维图像信息,三维模型真实感更加强烈,能够呈现人们更多的信息。三维视觉最近几年再度火热,一方面归功于三维传感器的快速发展,另一方面也来自于智能移动机器人、无人驾驶、AR等三维应用场景快速发展衍生的强烈需求。

中国自动化学会『深度与宽度强化学习』ASSIA前沿学术交流

第十三届图像图形技术与应用学术会议 征文通知(IGTA2018)

由北京图象图形学学会主办的第十三届图像图形技术与应用学术会议(IGTA 2018)将于2018年4月9日-4月10日在北京航空航天大学召开。会议主题为”人工智能与图像图形”。大会包括特邀报告、论文报告、学术论坛、参观展览等部分,展示图像图形技术的最新研究成果和产品,共同促进图像图形技术的发展和应用。现诚邀国内外研究人员和工程技术人员积极向大会投稿。

 ©2017 studyai.com 版权所有

关于我们