最近，随着模拟基准（如dm_control或OpenAI-Gym）的可用性不断提高以及灵活可扩展的强化学习技术（DDPG，QT-Opt或Soft Actor）的发展，解决机器人控制问题的基于学习的方法取得了显着发展。尽管通过模拟学习是有效的，但是由于诸如物理现象的不正确建模和系统延迟之类的因素，这些模拟环境在部署到现实世界的机器人时经常遇到困难。这激发了在现实世界中直接在真实...

现在各大手机制造商都在主推美颜效果，各种前后4000万像素，照亮你的美，各种逆光也清晰。其实这些看似神秘的美颜效果，除了依赖于手机像素之外，更重要的是攻城狮们对于美颜算法的构造。除了这些手机供应商，各大拍照软件比如B612，faceu也必然会有美颜效果，紧随其后的是各大直播平台，没有美颜效果，网红都不愿意去平台直播啦那么这些美颜算法很难吗？只有大牛们能解决吗？答案是，很难。好的美颜算法确实很难..

像素方式图像分割是计算机视觉中充分研究的问题。语义图像分割的任务是对图像中的每个像素进行分类。在这篇文章中，我们将讨论如何使用深度卷积神经网络进行图像分割。我们还将深入研究管道的实施 - 从准备数据到构建模型。代码地址：https：//github.com/divamgupta/image-segmentation-keras深度学习和卷积神经网络（CNN）在计算机视觉领域极为普遍。C...

“大数据时代”，数据为王！无论是数据挖掘还是目前大热的深度学习领域都离不开“大数据”。对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。但是数据标注是个耗时耗力的工作。在深度学习领域，培训数据对培训结果具有重要影响。在计算机视觉领域，除了开放数据集之外，许多应用场景还需要专门的数据集来进行迁移学习或端到端培...

我们将讨论应用于面部的深度学习的有趣应用。我们将估计年龄并从单个图像中找出该人的性别。该模型由Gil Levi和Tal Hassner训练。我们将简要讨论论文的主要思想，并提供有关如何在OpenCV中使用该模型的分步说明。1.使用CNN的性别和年龄分类作者使用了一种非常简单的卷积神经网络架构，类似于CaffeNet和AlexNet。该网络使用3个卷积层，2个完全连接的层和最终的输出层。层的...

随着深度学习技术的进步，面部相关任务的研究也成为学术界和工业界的热门话题。众所周知的面部任务通常包括面部检测，面部识别，面部表情识别等，其主要使用2D RGB面部（通常包括一些纹理信息）作为输入; 3D扫描成像技术的出现为面部相关任务 - 3D面部开发了一条新的探索路线。与许多2D面部相关的任务介绍性文献/评论文章相比，3D面部的入门知识还不够好。本文将回顾和介绍三维人脸相关的基础知识，并总结..

来看看微软亚洲研究院的一些牛人推荐的计算机视觉项目，希望对我们的同学们在图像算法方向选择有所帮助。主要分为目标检测，语义和实例分割，人体姿态估计，人脸对齐，高效轻量卷积神经网络结构设计，行人重新识别，视频目标检测，目标跟踪，最近邻搜索等领域。目标检测1. HRNet-对象检测微软亚洲研究院视觉计算小组提出的一种新的骨干网络结构可以学习高分辨率表示并提高目标的空间精度，尤其是小目标。...

Nature的出版物Machine Intelligence在8月份发布了最新的接收论文，共有四篇。其中两人来自中国，一位来自清华生命学院的龚海鹏，另一位来自澳大利亚格里菲斯大学的周耀琦。他们使用神经网络进行蛋白质结构预测。另一个是中国科学院自动化研究所的神经网络余山团队。持续学习的改进。值得一提的是，这两篇文章也是国内学者在NMI期刊上首次出版。本文介绍了两个非常有趣和深刻的概念：...

团队信息摘要现代的语义分割方法通常过于关注模型的准确性，因此引入繁琐的主干，这会带来沉重的计算负担和内存占用。为了解决这个问题，作者提出了一种基于深度卷积神经网络（DCNN）的高效分割方法，用于头发和面部皮肤分割任务，该方法在三个基准数据集上实现了速度和性能之间的显着权衡。据我们所知，由于外界环境因素（例如照明和背景噪声）的影响，肤色分类的准确性通常不令人满意。因此，使用分割后的人...

由于大多数现实环境是三维的，因此理想情况下，应针对3D数据训练旨在分析视频或现实环境中的完整任务的深度学习模型。诸如机器人，自动驾驶汽车，智能手机和其他设备之类的技术工具目前正在产生越来越多的3-D数据，最终可以由深度学习算法对其进行处理。但是，到目前为止，在如此大量的3D数据上训练深度学习算法一直相对困难，因为某些人工智能（AI）研究人员只能访问必要的工具和平台。为了解决缺乏现成的工具的...