智能制造網(wǎng)APP
智能制造網(wǎng)手機(jī)站
智能制造網(wǎng)小程序
智能制造網(wǎng)官微
智能制造網(wǎng)服務(wù)號
智能控制
機(jī)器人
儀器儀表
物聯(lián)網(wǎng)
3D打印
工業(yè)軟件
回放
回放
品牌
上海清易
【中國智能制造網(wǎng) 企業(yè)動態(tài)】騰訊AI Lab自成立以來，就擔(dān)負(fù)著人工智能領(lǐng)域研究與發(fā)展的重?fù)?dān)。近日，據(jù)騰訊消息，其人工智能實驗室多篇研究論文入選了三大學(xué)術(shù)會議，初步展現(xiàn)了在人工智能領(lǐng)域的技術(shù)理論實力。
1.CVPR(IEEE計算機(jī)視覺與模式識別會議)
CVPR是近十年來計算機(jī)視覺領(lǐng)域有影響力、內(nèi)容全面的學(xué)術(shù)會議，由大的非營利性專業(yè)技術(shù)學(xué)會IEEE(電氣和電子工程師協(xié)會)主辦。2017谷歌(微博)學(xué)術(shù)指標(biāo)(Google Scholar)按論文引用率排名， CVPR位列計算機(jī)視覺領(lǐng)域。今年CVPR審核了2620篇文章，終收錄783篇，錄取率29%，口頭報告錄取率僅2.65%。
騰訊AI Lab計算機(jī)視覺總監(jiān)劉威博士介紹到，「CVPR的口頭報告一般是當(dāng)年前沿的研究課題，在學(xué)界和工業(yè)界都影響很大，每年都集齊如斯坦福大學(xué)和谷歌等高校和科技公司?！?br />
騰訊AI Lab六篇論文入選CVPR
論文一：Real Time Neural Style Transfer for Videos
本文用深度前向卷積神經(jīng)網(wǎng)絡(luò)探索視頻藝術(shù)風(fēng)格的快速遷移，提出了一種全新兩幀協(xié)同訓(xùn)練機(jī)制，能保持視頻時域一致性并消除閃爍跳動瑕疵，確保視頻風(fēng)格遷移實時、高質(zhì)、完成。
論文二：WSISA: Making Survival Prediction from Whole Slide Histopathological Images
論文提出一種全尺寸、無標(biāo)注、基于病理圖片的病人生存有效預(yù)測方法WSISA，在肺癌和腦癌兩類癌癥的三個不同數(shù)據(jù)庫上性能均超出基于小塊圖像方法，有力支持大數(shù)據(jù)時代的個性化醫(yī)療。
論文三：SCA-CNN: Spatial and Channel-wise Attention in Convolutional Networks for Image Captioning
針對圖像描述生成任務(wù)，SCA-CNN基于卷積網(wǎng)絡(luò)的多層特征來動態(tài)生成文本描述，進(jìn)而建模文本生成過程中空間及通道上的注意力模型。
論文四：Deep Self-Taught Learning for Weakly Supervised Object Localization
本文提出依靠檢測器自身不斷改進(jìn)訓(xùn)練樣本質(zhì)量，不斷增強(qiáng)檢測器性能的一種全新方法，破解弱監(jiān)督目標(biāo)檢測問題中訓(xùn)練樣本質(zhì)量低的瓶頸。
論文五：Diverse Image Annotation
本文提出了一種新的自動圖像標(biāo)注目標(biāo)，即用少量多樣性標(biāo)簽表達(dá)盡量多的圖像信息，該目標(biāo)充分利用標(biāo)簽之間的語義關(guān)系，使得自動標(biāo)注結(jié)果與人類標(biāo)注更加接近。
論文六：Exploiting Symmetry and/or Manhattan Properties for 3D Object Structure Estimation from Single and Multiple Images
基于曼哈頓結(jié)構(gòu)與對稱信息，文中提出了單張圖像三維重建及多張圖像Structure from Motion三維重建的新方法。
2.ACL(計算機(jī)語言協(xié)會年會)
ACL是計算語言學(xué)里重要的會議，今年是第55屆。會議涵蓋生物醫(yī)學(xué)、認(rèn)知建模與心理語言學(xué)、交互式對話系統(tǒng)、機(jī)器翻譯等各個領(lǐng)域，今年有194 篇長論文、107 篇短論文、21 個軟件演示及 21 篇主題演講。在2017谷歌學(xué)術(shù)指標(biāo)(Google Scholar)按論文引用率排名， ACL是計算機(jī)語言學(xué)和自然語言處理領(lǐng)域別學(xué)術(shù)年會。
騰訊AI Lab副主任俞棟認(rèn)為，「自然語言的理解、表達(dá)、生成和轉(zhuǎn)換一直是自然語言處理的核心問題。近年來有很多新的解決思路和方法。今年的ACL涉及自然語言處理的各方面，尤其在語義解析、語義角色標(biāo)注、基于語義和語法的自然語言生成、機(jī)器翻譯和問答系統(tǒng)方向上都有一些有趣的工作?！?br />
騰訊AI Lab主任張潼介紹到，「ACL早期利用語法和規(guī)則分析自然語言，90年代后，隨著以LDC(Linguistic Data Consortium)為代表的自然語言數(shù)據(jù)集建立擴(kuò)充，統(tǒng)計自然語言方法在計算語言學(xué)里作用越來越大并成為主流。2000年后隨著互聯(lián)網(wǎng)高速發(fā)展及以自然語言為核心的人機(jī)交互方式興起，自然語言研究被賦予極高應(yīng)用價值?！?br />
騰訊AI Lab三篇文章入選ACL
論文一：Modeling Source Syntax for Neural Machine Translation
本文提出將句法樹轉(zhuǎn)化為句法標(biāo)簽序列的輕量級方法，有效將源端句法信息引入神經(jīng)網(wǎng)絡(luò)翻譯系統(tǒng)，被證實能顯著提高翻譯效果。
論文二：Chunk-Based Bi-Scale Decoder for Neural Machine Translation
本文引入一個額外組塊神經(jīng)網(wǎng)絡(luò)層，從組塊到詞的層次生成譯文，幫助實現(xiàn)神經(jīng)網(wǎng)絡(luò)翻譯系統(tǒng)短語級別的建模，實驗表明該方法在多種語言上都能顯著提高翻譯效果。
論文三：Deep Pyramid Convolutional Neural Networks for Text Categorization
文章提出了一種能有效表達(dá)文本長距離關(guān)系的復(fù)雜度詞粒度CNN。本文研究了如何加深詞粒度CNN對文本進(jìn)行全局表達(dá)，并找到了一種簡單網(wǎng)絡(luò)結(jié)構(gòu)，通過增加網(wǎng)絡(luò)深度提升準(zhǔn)確度，但不過多增加計算量。實驗表明15層的DPCNN在六個情感和主題分類任務(wù)上達(dá)到了目前佳結(jié)果。
3.ICML(機(jī)器學(xué)習(xí)大會)
機(jī)器學(xué)習(xí)是人工智能的核心技術(shù)，而ICML是機(jī)器學(xué)習(xí)重要的兩個會議之一(另一個是NIPS)。ICML源于1980年在卡內(nèi)基梅隆大學(xué)舉辦的機(jī)器學(xué)習(xí)研討會，現(xiàn)由機(jī)器學(xué)習(xí)學(xué)會(IMLS)主辦。2017谷歌學(xué)術(shù)指標(biāo)以「機(jī)器學(xué)習(xí)」關(guān)鍵詞排名，ICML位列。
騰訊AI Lab主任張潼博士介紹到，「很多經(jīng)典論文和算法，如CRF，都是在ICML上提出的，這個會議涉及機(jī)器學(xué)習(xí)相關(guān)的所有研究，包括近年非常熱門的深度學(xué)習(xí)、優(yōu)化算法、統(tǒng)計模型和圖模型等。在早期，ICML更注重實驗和應(yīng)用，而NIPS更注重模型和算法，但近年來兩個會議有些趨同?！?br />
騰訊AI Lab四篇文章入選ICML
論文一：Scaling Up Sparse Support Vector Machines by Simultaneous Feature and Sample Reduction
本文提出了個能在模型訓(xùn)練開始前，同時檢測和去除稀疏支持向量機(jī)中不活躍樣本和特征的篩選算法，并從理論和實驗中證明其能不損失任何精度地把模型訓(xùn)練效率提升數(shù)個量級。
論文二：GSOS: Gauss-Seidel Operator Splitting Algorithm for Multi-Term Nonsmooth Convex Composite Optimization
本文提出了求解多塊非光滑復(fù)合凸優(yōu)化問題的算子分裂新算法，該算法采用Gauss-Seidel迭代以及算子分裂的技巧處理不可分的非光滑正則項，并以實驗證實了該算法的有效性。
論文三：Efficient Distributed Learning with Sparsity
本文提出了一個高維大數(shù)據(jù)中能更有效學(xué)習(xí)稀疏線性模型的分布式算法。在單個機(jī)器訓(xùn)練樣本足夠多時，該算法只需一輪通信就能學(xué)習(xí)出統(tǒng)計優(yōu)誤差模型；即使單個機(jī)器樣本不足，學(xué)習(xí)統(tǒng)計優(yōu)誤差模型的通信代價只隨機(jī)器數(shù)量對數(shù)曲線上升，而不依賴于其他條件數(shù)。
論文四：Projection-free Distributed Online Learning in Networks
本文提出了去中心化的分布式在線條件梯度算法。該算法將條件梯度的免投影特性推廣到分布式在線場景，解決了傳統(tǒng)算法需要復(fù)雜的投影操作問題，能處理去中心化的流式數(shù)據(jù)。
此外，騰訊還受邀參加以下三個會議：8月7日-11日東京舉辦的SIGIR(計算機(jī)協(xié)會信息檢索大會)，入選論文3篇。8月19日-25日墨爾本舉辦的IJCAI(人工智能聯(lián)合會議)，入選論文6篇。及9月7日-11日哥本哈根舉辦的EMNLP(自然語言處理實證方法會議)，入選論文7篇。
原標(biāo)題：騰訊AI Lab多篇研究論文入選三大學(xué)術(shù)會議
浙公網(wǎng)安備 33010602000006號
智能制造網(wǎng)APP
智能制造網(wǎng)小程序
微信公眾號
