爱情鸟亚洲品质自拍,精品国产sm最大网站麻豆,欧美做爰XXXⅩ在线视频

本書由近幾年發(fā)表在各類頂級期刊和國際會議/研討會上的論文集結而成，囊括國內(nèi)外深度學習研究者的成果。本書關注經(jīng)典的稀疏/低秩模型與強調(diào)問題特定的先驗性和可解釋性的深度網(wǎng)絡模型的集成，從而提高模型的學習能力和可解釋性，同時更有效地利用大數(shù)據(jù)。書中展示了深度學習工具箱與稀疏/低秩模型和算法的緊密聯(lián)系，并介紹了這些技術在維度約簡、動作識別、風格識別、親屬關系理解、圖像除霧以及生物醫(yī)學圖像分析等方面的成功應用。本書適合有一定基礎的讀者閱讀，可擴展關于理論和分析工具的研究思路，并為深度模型的架構和解釋提供有益的指導。

深度學習在機器學習、數(shù)據(jù)分析和計算機視覺的各種應用中取得了巨大的成功。它易于并行化，推理復雜度較低，可以端到端聯(lián)合調(diào)優(yōu)。然而，通用的深度架構——通常被稱為“黑盒”方法，在很大程度上忽略了問題特定的公式表示和領域知識。這些架構依賴于堆疊一些臨時的模塊，這使得解釋其工作機制變得非常困難。盡管可憑借一些假設和直覺，但人們普遍認為很難理解深度模型為什么會起作用，以及它們?nèi)绾闻c經(jīng)典機器學習模型相關聯(lián)。另一方面，稀疏性和低秩性是經(jīng)典機器學習中很容易被利用的正則化。通過利用高維數(shù)據(jù)的潛在低維子空間結構，這種方法在許多圖像處理和理解任務中取得了巨大成功。
本書概述了近期關于深度學習模型與稀疏模型和低秩模型集成的研究趨勢。本書適合具備深度學習和稀疏/低秩模型基礎知識的讀者閱讀，書中還特別強調(diào)概念和應用，希望能幫助更多的讀者。本書涵蓋的研究將經(jīng)典的稀疏模型和低秩模型與深度網(wǎng)絡模型進行銜接，其中，稀疏和低秩模型強調(diào)問題特定的先驗性和可解釋性，而深度網(wǎng)絡模型具有更強的學習能力，同時能更好地利用大數(shù)據(jù)。你將會看到，深度學習工具箱與稀疏/低秩模型和算法緊密相關。這樣的觀點有望推動各類理論和分析工具的研究工作，引導深度模型的架構設計和解釋。理論和建模的進展將與計算機視覺、機器學習、信號處理、數(shù)據(jù)挖掘等方面的諸多應用相輔相成。
致謝
感謝Elsevier團隊的Ana Claudia A Garcia、Tim Pitts、Kamesh Ramajogi等在本書出版過程中對我們的悉心指導。感謝UIUC圖像生成與處理（IFP）團隊的學生及畢業(yè)生，與他們的學術合作及討論令我們受益匪淺。還要感謝所有章節(jié)的作者對本書的辛勤付出。

編著者

你還可能感興趣

我要評論