深度學習/神經網路
由2D到3D:全像式圖片生成網路HoloGAN
由2D到3D:全像式圖片生成網路HoloGAN
編譯/賴佳昀
電腦視覺或圖形處理與自動駕駛、無人機、機器人等領域的發展息息相關,尤其如何以二維圖像拼湊出三維物件。英國巴斯大學所開發的HoloGAN,改善過往其他GAN模型的缺陷,能更逼真地合成同一物件但不同視角的圖像。
「剪」出最有效率的神經網路
「剪」出最有效率的神經網路
撰文/陳儁翰
剪枝(pruning)是一種常見的技巧,藉由去除神經網路中冗餘的參數,使得運算速度快上數倍,並降低對資料儲存量的需求,同時保持瘦身後模型的準確度與原模型相當。在某些情況下,剪枝後的模型在重新訓練後,甚至能超越原本的模型。這在有速度要求(例如高幀數的即時物件辨識)或有硬體條件限制(例如在手機上運行模型)的情境中很有幫助,最新的研究讓我們更了解剪枝的意義與價值。
機器如何深度學習(2/2)
機器如何深度學習(2/2)
撰文/Yoshua Bengio|譯者/鍾樹人
轉載自《科學人》2016年7月第173期
人工智慧經歷數十年的低潮,由於深度學習這項潛力無窮的技術,總算起死回生,在不少任務上的表現已經相當傑出。
機器如何深度學習(1/2)
機器如何深度學習(1/2)
撰文/Yoshua Bengio|譯者/鍾樹人
轉載自《科學人》2016年7月第173期
人工智慧經歷數十年的低潮,由於深度學習這項潛力無窮的技術,總算起死回生,在不少任務上的表現已經相當傑出。
沒有階層的神經網路─ODE net
沒有階層的神經網路─ODE net
編譯/黃柏瑋
保健醫療,尤其患者健康狀況的長期追蹤,也是AI的一大應用領域。只是,病歷雖可作為個人的健康資料庫,但生病、就診的時間無法掌握,有時候一天兩次,有時候兩年才看一次醫師,資料點的散布顯得凌亂且隨機,而健康狀況卻是連續的變化,這類的連續性問題,傳統階層式神經網路顯然難以招架。
真偽莫辨的人像產生器
真偽莫辨的人像產生器
編譯/葛竑志
你相信上圖中所有人物都是假的嗎?透過對抗式生成網路(Generative Adversarial Network,GAN)與新興技術,就能憑空產生一些不存在的人事物,甚至可按照使用者需求,訂製出清晰且逼真的影像。自2014年Ian Goodfellow首次提出後,GAN開始在各大頂級研討會上佔有一席之地。截至今日為止,已有許多進化版本被提出來。但到底為何會如此受到矚目呢?
不會跳舞嗎?AI讓你動起來
不會跳舞嗎?AI讓你動起來
編譯/台大生醫電資所 葛竑志
看著別人恣意耍帥尬舞,或是優雅慢舞,你是否只能望著自己僵硬的肢體,徒呼負負?美國柏克萊大學的研究團隊利用對抗式生成網路,讓本身不太會跳舞的人也能在影片中翩翩起舞。
談談AI的「低潮期」─演算神經醫學
談談AI的「低潮期」─演算神經醫學
編譯/臺大生醫電資所 葛竑志
若說機器也有陷入低潮的時候,你相信嗎?從一個神經科學的角度觀察,某些神經傳導物質能改變大腦的學習方式,影響著生物的決策。那如果機器遇到了卡頓的狀況,是不是也有類似的方法能突破困境呢?
運用酵母菌窺見人工智慧的黑盒子
運用酵母菌窺見人工智慧的黑盒子
編譯/中研院資科所博士後研究員 黃佳欣
- 1
- 2