《期智能系统学报》：深度学习方法研究新进展（长春工业大学：刘帅师，程曦，郭文燕，陈奇）

《工程科学学报》：基于深度学习的宫颈癌异常细胞快速检测方法

《工程科学学报》：基于IPSO-GRU深度学习算法的海底管道缺陷尺寸磁记忆定量反演模型（东北石油大学）

多聚焦图像融合是计算机视觉领域中的一个重要分支，旨在使用图像处理技术将同一场景下的聚焦不同目标的多张图像中各自的清晰区域进行融合，最终获得全清晰图像。随着以深度学习为代表的机器学习理论的突破，卷积神经网络被广泛应用于多聚焦图像融合领域，但大多数方法仅关注网络结构的改进，而使用简单的两两串行融合方式，降低了多图融合的效率，并且在融合过程中存在的失焦扩散效应也严重影响了融合结果的质量。针对上述问题，在显微成像分析的应用场景下，提出了一种最大特征图空间频率融合策略，通过在基于无监督学习的卷积神经网络中增加后处理模块，规避了两两串行融合中冗余的特征提取过程，实验证明该策略显著提高了多张图像的多聚焦图像融合效率。并且提出了一种矫正策略，在保证融合效率的情况下可有效缓解失焦扩散效应对融合图像质量的影响

同步定位与地图构建技术（SLAM）是当前机器人领域的重要研究热点，传统的SLAM技术虽然在实时性方面已经达到较高的水平，但在定位精度和鲁棒性等方面还存在较大缺陷，所构建的环境地图虽然一定程度上满足了机器人的定位需要，但不足以支撑机器人自主完成导航、避障等任务，交互性能不足。随着深度学习技术的发展，利用深度学习方法提取环境语义信息，并与SLAM技术结合，越来越受到学者的关注。本文综述了环境语义信息应用到同步定位与地图构建领域的最新研究进展，重点介绍和总结了语义信息与传统视觉SLAM在系统定位和地图构建方面结合的突出研究成果，并对传统视觉SLAM算法与语义SLAM算法做了深入的对比研究。最后，展望了语义SLAM研究的发展方向

随着无人工厂、智能安监等技术在制造业领域的深入应用，以视觉识别预警系统为代表的复杂环境下动态识别技术成为智能工业领域的重要研究内容之一。在本文所述的工业级视觉识别预警系统中，操作人员头发区域由于其具有移动形态非规则性、运动无规律性的特点，在动态图像中的实时分割较为困难。针对此问题，提出一种基于SiamMask模型的时空预测移动目标跟踪算法。该算法将基于PyTorch深度学习框架的SiamMask单目标跟踪算法与ROI检测及STC时空上下文预测算法相融合，根据目标时空关系的在线学习，预测新的目标位置并对SiamMask模型进行算法校正，实现视频序列中的目标快速识别。实验结果表明，所提出的算法能够克服环境干扰、目标遮挡对跟踪效果的影响，将目标跟踪误识别率降低至0.156%。该算法计算时间成本为每秒30帧，比改进前的SiamMask模型帧率每秒提高3.2帧，算法效率提高11.94%。该算法达到视觉识别预警系统准确性、实时性的要求，对移动目标识别算法模型的复杂环境应用具有借鉴意义

• Lecture 1 知识点回顾 • 神经概率语言模型(Bengio 2003) • Word2vec (Mikolov 2013) • (CBOW & Skip-gram) * (HS & NEG) • 词向量的评价方法 • Softmax分类模型(原PPT乱入) • 词向量的应用场景

环境搭建 关于Docker 安装Docker Docker 命令 Jupyter Jupyter 界面 Jupyter 单元格 Tensorflow 的辅助支持库 NumPy NumPy 数据 NumPy 运算 NumPy 索引 NumPy 合并与分割 Pandas Pandas 对象 Pandas 选择数据 Matplotlib

随着自动驾驶的快速发展,对环境感知的要求也越来越高。作为自动驾驶汽车最重要的传感器之一,激光雷达可以通过扫描周围环境得到点云数据。使用合适的方法处理点云数据,我们可以获得目标物体的种类、距离、方位等

1.引言 2.三个重要前沿及其进展 (1)基于深度学习的句子结构预测 (2)开放域信息抽取 (3)知识图谱 3.题外话