分享
中新经纬>>

黄村,传奇归来轻客户端,舒淇最恶心的照片,appstore下载国外游戏

2019-06-16 中新经纬

   

黄村来源:Science,DeepMind未来方向未来方向

传奇归来轻客户端这篇文章的意义在于,提出了一种无监督的方法,不依赖带标记的数据,而且能够推广到各种不同的场景中。过去的计算机视觉识别任务,通常是建立在大量有标记的数据基础上,不仅标记这些数据麻烦,标记好的数据还可能带有偏见,最重要的是,已经有越来越多的研究者意识到,由于测试集过拟合的问题,很多分类器的鲁棒性亟待提高。下面是DeepMind今天发表的官方博文,论文的联合第一作者和DaniloJimenezRezende对这项工作进行了解读。图:使用GQN,我们观察到数据效率更高的策略学习(policylearning),与使用原始像素的标准方法相比,其获得收敛级性能的交互减少了约4倍。DeepMind的这套视觉系统,也即生成查询网络(GQN),使用从不同视角收集到的某个场景的图像,然后生成关于这个场景的抽象描述,通过一个无监督的表示学习过程,学习到了场景的本质。之后,在学到的这种表示的基础上,网络会预测从其他新的视角看这个场景将会是什么样子。这一过程非常类似人脑中对某个场景的想象。而理解一个场景中的视觉元素是典型的智能行为。

舒淇最恶心的照片图:使用GQN,我们观察到数据效率更高的策略学习(policylearning),与使用原始像素的标准方法相比,其获得收敛级性能的交互减少了约4倍。与更传统的计算机视觉技术相比,我们的方法仍然有许多限制,目前只有接受过合成场景的训练。然而,随着获得更多新的数据源,以及硬件功能的进展,我们期望能够探索GQN框架在更高分辨率的真实场景图像中的应用。在未来的工作中,我们将探索GQN在场景理解的更广泛方面的应用,例如通过查询跨空间和时间学习物理和运动的常识概念,以及虚拟和增强现实中的应用。在这篇发表于《科学》(Science)的最新论文中,我们提出生成查询网络(GenerativeQueryNetwork,GQN)。在这个框架中,机器学习只使用它们在场景中移动时所获得的数据进行训练,从而感知周围的环境。DeepMind最新发表在Science上的论文《神经场景表示和渲染》。包括老板DemisHassabis在内,一共22名作者。本着开源共享的精神,文章以公开获取的形式在Science发表。

appstore下载国外游戏此前我们不知道神经网络能否能学会以如此精确和可控的方式来创建图像,DeepMind的研究员、论文的第一作者AliEslami表示:但是,这次我们发现具有足够深度的网络,可以在没有任何人类工程干预的情况下,学习透视和光线。这是一个非常惊人的发现。图:使用GQN,我们观察到数据效率更高的策略学习(policylearning),与使用原始像素的标准方法相比,其获得收敛级性能的交互减少了约4倍。在这些环境中进行训练后,我们使用GQN的表示网络来形成新的、以前未观察到的场景的表示。我们的实验表明,GQN具有以下几个重要特性:例如,表示网络会简洁地将蓝色立方体表示为一组数字,而生成网络将会知道如何以特定的视点将其显示为像素。

(编辑:董文博)
中新经纬版权所有,未经书面授权,任何单位及个人不得转载、摘编以其它方式使用。
关注中新经纬微信公众号(微信搜索“中新经纬”或“jwview”),看更多精彩财经资讯。
关于我们  |   About us  |   联系我们  |   广告服务  |   法律声明  |   招聘信息  |   网站地图

本网站所刊载信息,不代表中新经纬观点。 刊用本网站稿件,务经书面授权。

未经授权禁止转载、摘编、复制及建立镜像,违者将依法追究法律责任。

[京ICP备17012796号-1]

违法和不良信息举报电话:18513525309 举报邮箱:zhongxinjingwei@chinanews.com.cn

Copyright ©2017-2019 jwview.com. All Rights Reserved


北京中新经闻信息科技有限公司