下載地址：https://www.yanxishe.com/resourceDetail/1738?from=leiphonecolumn_res0616pm

內(nèi)容簡介  · · · · · ·

論文解讀  · · · · · ·

主講人：李俊成 

回放鏈接：http://www.mooc.ai/open/course/766?from=leiphone_res0615 

內(nèi)容介紹：視覺導航任務(wù)要求智能體能夠智能地導航到指定的目標。當前基于深度強化學習的方法往往需要大量的訓練數(shù)據(jù)，而構(gòu)建豐富的3D仿真環(huán)境以及提供任務(wù)相關(guān)標注是十分昂貴的。本文關(guān)注于在低資源的設(shè)定下完成視覺導航任務(wù)。本文通過提出無監(jiān)督強化學習方法來獲得具有遷移能力的子策略，使得模型能夠快速遷移到視覺導航任務(wù)。在AI2-THOR環(huán)境中，我們的方法實現(xiàn)了最佳的性能，進一步的實驗分析證明我們的方法學習到了一些具備遷移能力的元技能，從而幫助模型實現(xiàn)更好的泛化。 

直播主題：PolarMask: 一階段實例分割新思路 

主講人：謝恩澤 

回放鏈接：http://www.mooc.ai/open/course/789?from=leiphone_res0615 

內(nèi)容介紹：實例分割是計算機視覺中一個比較基礎(chǔ)但是比較硬的問題，之前的方法高度依賴物體檢測的結(jié)果來做實例分割，如MaskR-CNN。實例分割如何擺脫檢測框的束縛仍然是一個沒有被很好解決的問題。 本次分享中，將主要介紹我們在這個問題的探索：PolarMask:Single Shot Instance Segmentation with Polar Representation。其中我們提出了一種一階段的實例分割方法，擺脫了檢測框的限制，其次我們的方法并不像傳統(tǒng)分割方法對圖中逐像素分類，而是通過輪廓建模的方式做實例分割。此外，我們還提出了兩種改進手段來持續(xù)提高性能?？偠灾@篇文章提出了一種新型的一階段的，基于輪廓出發(fā)的實例分割方法。 

直播主題：SGAS：一種基于貪心思想的網(wǎng)絡(luò)結(jié)構(gòu)搜索算法，同時支持CNN和GCN網(wǎng)絡(luò)結(jié)構(gòu)搜索 

主講人：李國豪 

 回放鏈接：http://mooc.yanxishe.com/open/course/800?from=leiphone_res0615 

內(nèi)容介紹：在一般網(wǎng)絡(luò)結(jié)構(gòu)搜索的算法里常常發(fā)生搜索階段表現(xiàn)得很好的（超)網(wǎng)絡(luò)在最后進行重新訓練評估性能時表現(xiàn)得相當較差的現(xiàn)象，這種情況的發(fā)生主要是搜索算法在搜索階段沒法很好地反應(yīng)模型最終評估階段的真正性能，本工作提出一種順序貪心決策的搜索算法減輕了模型性能排名不一致的問題，同時支持CNN和GCN的網(wǎng)絡(luò)結(jié)構(gòu)搜索，并應(yīng)用到了CNN圖像分類，GCN點云分類和GCN生物圖數(shù)據(jù)節(jié)點分類上。

直播主題：數(shù)據(jù)與模型缺陷：不完美場景下的神經(jīng)網(wǎng)絡(luò)訓練方法 

主講人：Louis（騰訊）

 回放鏈接：http://mooc.yanxishe.com/open/course/797?from=leiphone_res0615  

內(nèi)容介紹：深度學習的成功得益于大量的數(shù)據(jù)和很深的網(wǎng)絡(luò)模型。然而數(shù)據(jù)和模型往往不會特別理想，比如數(shù)據(jù)里存在著很多標簽噪音或者考慮到模型的推理速度，神經(jīng)網(wǎng)絡(luò)的層數(shù)不能夠特別深。針對這些情況如何有效的訓練神經(jīng)網(wǎng)絡(luò)是深度學習領(lǐng)域的熱點話題。特別是對于業(yè)務(wù)場景，數(shù)據(jù)住往存在很多缺陷，讓模型能夠自適應(yīng)的從缺陷數(shù)據(jù)里學習是業(yè)務(wù)成功的保障。 本次講座將細致地講解數(shù)據(jù)和模型缺陷情況下神經(jīng)網(wǎng)絡(luò)的有效訓練方法。相關(guān)技術(shù)已經(jīng)在騰訊的眾多業(yè)務(wù)場景上(行人重識別，內(nèi)容審核等）落地。 

直播主題：長尾分布下的特征學習方法介紹及最新進展 

主講人：劉家倫 

回放鏈接：https://mooc.yanxishe.com/open/course/809?from=leiphone_res0615 

內(nèi)容介紹：真實世界中的數(shù)據(jù)分布總是呈現(xiàn)出長尾分布模式，即少量類別（頭部類）擁有大量數(shù)據(jù)，而大部分的類別（尾部類）僅有少量的樣本，導致模型訓練過程中出現(xiàn)嚴重的偏差，使得長尾分布下的特征學習格外困難。 本次分享將重點介紹 CVPR 2020上的一篇論文“Deep Representation Learning on Long-tailed Data: A Learnable Embedding Augmentation Perspective”。本文提出了“feature cloud”的概念，在模型訓練過程中，為每一個尾部數(shù)據(jù)構(gòu)建“feature cloud”，就像電子云填充空曠的原子一樣，將一個真實的尾部特征表示為一簇特征，以此實現(xiàn)對尾部數(shù)據(jù)的data augmentation。方法簡潔、高效，避免了像GAN這樣復雜的操作。 另外，“feature cloud”在實際的大規(guī)模呈現(xiàn)長尾分布的業(yè)務(wù)數(shù)據(jù)上取得了顯著的性能提升。 

直播主題：自監(jiān)督學習在視覺場景中的研究新進展 

主講人：詹曉航、李順愷 

回放鏈接：https://mooc.yanxishe.com/open/course/837?from=leiphone_res0615 

內(nèi)容介紹：自監(jiān)督學習是指從數(shù)據(jù)本身產(chǎn)生某種形式的標簽并訓練神經(jīng)網(wǎng)絡(luò)，用來解決某些特定任務(wù)或者學習通用的圖像、視頻、語言的特征表達。在學術(shù)界，自監(jiān)督學習被證明可以解決光流預測、深度估計、場景遮擋等問題，不需要額外的人工標簽。另外，基于自監(jiān)督學習的無監(jiān)督表征學習近年來也獲得了飛速發(fā)展，大有超越有監(jiān)督表征學習的趨勢。 本次talk將結(jié)合兩篇CVPR 2020 Oral文章，講解自監(jiān)督學習方法在場景去遮擋、視覺里程計方面的最新成果。

本站所有資源版權(quán)均屬于原作者所有，這里所提供資源均只能用于參考學習用，請勿直接商用。如需刪除，請聯(lián)系 kefu@yanxishe.com

AI 研習社已經(jīng)和阿里大文娛、曠視、搜狗搜索、小米等知名公司達成聯(lián)系，幫助大家更好地求職找工作，一鍵投遞簡歷至 HR 后臺，準備了一些內(nèi)推渠道群。

歡迎大家添加研習社小學妹微信（aiyanxishe），小學妹拉你加入（備注求職）。

雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)