Multi-Instance Learning (MIL) 和Multi-Pose Learning (MPL)是CV的大牛Boris Babenko at UC San Diego提出来的，其思想可以用下面一幅图概况。MIL是指一个对象的学习实例可能有很多种情况，学习的时候不是用一个精确的标注对象来学习，而是用一个对象的多个实例组成的“包”来学习；而MPL是指一个对象会有多个姿态（Pose），学习的时候用一个分类器常常难以达到很好的效果，所以可以训练多个分类器来分别学习不同的Pose。

<font size="3"><strong>1、图像语义分割的概念</strong></font>

<font color="#02c3b0"><strong>1.1图像语义分割的概念与原理</strong></font>

图像语义分割可以说是图像理解的基石性技术，在自动驾驶系统（具体为街景识别与理解）、无人机应用（着陆点判断）以及穿戴式设备应用中举足轻重。我们都知道，图像是由许多像素（Pixel）组成，而「语义分割」顾名思义就是将像素按照图像中表达语义含义的不同进行分组（Grouping）／分割（Segmentation）。

集成学习体现了“More is always better”(多多益善）的思想，它是是目前机器学习的一大热门方向，所谓集成学习简单理解就是指采用多个分类器对数据集进行预测，从而提高整体分类器的泛化能力。

<center><img src="http://imgtec.eetrend.com/sites/imgtec.eetrend.com/files/201809/blog/17…; alt="深入机器学习之集成学习"></center>

<strong>网络正则化</strong>

机器学习的核心问题是如何使学习算法不仅在训练样本上表现良好，而且在新数据上或测试集上同时奏效，学习算法在新数据上的这样一种表现我们称之为模型的泛化能力。如果一个学习算法在训练集表现优异，同时在测试集依然工作良好，可以说该学习算法有较强的泛化能力。若某算法在训练集表现优异，但是测试集却非常糟糕，我们说这样的学习并没有泛化能力，这种现象也叫做过拟合（overfitting）。

如何避免过拟合？我们可以使用正则化的技术来防止过拟合的情况。正则化是机器学习中通过显示的控制模型复杂度来避免模型过拟合，确保泛化能力的一种有效方式。

现在全球各地的4G网络信号都已经相继普及，而5G网络的研发推广也正在世界如火如荼的开展起来，有人预计，5G网络的正式商业化应用应该会在2019年，也就是明年正式实现，届时美国，亚洲，欧洲和英国都将在2019年到2020年间正式迈入5G时代。

5G的出现在网络速度，容量和信号延迟性方面的性能都有很大的提升，在物联网，AI人工智能和VR虚拟现实技术方面，都能够极大的改变我们工作和娱乐的方式，也正是因为如此，包括高通，华为，三星和诺基亚，世界各大科技巨头都对其抱有非常大的发展期望，然而在北欧，斯堪的纳维亚半岛的芬兰北极圈附近，一些研发团队却已经着手开始了一项超越5G网络技术的研究。

人工智能正越来越多的渗透入人们的生活，改变人们的生活，从自然语言生成到语音识别、从医疗诊断到商业决策，AI逐渐开始显露出巨大的优势，并且它的脚步不会停止。

<font size="3" color="blue"><strong>1. 自然语言生成（NLG）</strong></font>

自然语言生成是人工智能的一个子学科，它可以将海量的数据转换成人类可读的文本，通过这样的方式实现与人类的交流。目前主要的应用是为客户提供报告生成和市场摘要等服务。通过对数据的分析、挖掘理解，从数据中抽取出有效的信息并总结成文本输出。优秀的AI还能实现自动排版和美化，做到可读性与优良的可视化效果。

Imagination Technologies宣布：在今日于南京召开的“中国芯片发展高峰论坛”上，Imagination展示了其最新的图形处理器（GPU）和用于人工智能（AI）的神经网络加速器（NNA）半导体知识产权（IP）产品与解决方案，并作为紫光展锐的合作伙伴，参与了该公司包括手机芯片、物联网和智能家居解决方案等一系列全新技术与产品的发布活动，标志着Imagination的先进技术与产品正在成为推动我国芯片行业自主创新的新动能。

<font size="3" color="Purple"><strong>Job Description</strong></font>

据科学美国人杂志报道，在不久的将来，人工智能（AI）将大大加快创新药物和材料的发现。先进的诊断工具将使越来越个性化的医学成为可能。增强现实（AR）将无处不在，将信息和动画叠加在真实世界的图像上，帮助我们处理日常任务，并帮助行业更有效地运作。

如果你生病了，医生可以在身体里植入活细胞，让你的身体变成“药物工厂”，治疗你的疾病。你会吃到用干细胞培育的人造牛肉、鸡肉和鱼类，大大减少畜牧业对环境的影响。

这些改变世界的想法以及构成今年“十大新兴技术”的其他创意，都是由生物、无机化学、机器人和AI等领域的顶尖专家选出的。被选中的技术必须能在未来三五年内为社会和经济提供重大帮助，必须具有潜在颠覆性，能够改变行业或既定的行事方式。但它们必须处于相对早期的开发阶段，还没有被广泛使用。

<font size="3"><strong>1. 随机森林回顾</strong></font>

随机森林由N棵决策树组成，每一棵决策树都具有不同的初始训练样本，在训练过程中，还需要一个属性候选集，训练样本子集根据候选集合中的属性，依据分裂依据进行进一步分类，这一步俗称“分裂”，直至满足人为设定的收敛条件。

我个人认为，分裂的想法十分重要，它使得决策树成功记忆住如何从头开始，一步一步将样本正确分类。于是在测试的过程中，测试样本完全是按照这种记忆力将自己的类别确定下来。

自然语言处理（NLP）是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。随着深度学习在图像识别、语音识别领域的大放异彩，人们对深度学习在NLP的价值也寄予厚望。自然语言处理作为人工智能领域的认知智能，成为目前大家关注的焦点。

<font size="3"><strong>基本概念</strong></font>

<font size="3"><strong>1. 简单介绍</strong></font>

在机器学习和认知科学领域，人工神经网络（artificial neural network，缩写ANN），简称神经网络（neural network，缩写NN）或类神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具。典型的神经网络具有以下三个部分：

RGB --&gt; YUV 转换的公式是现成的，直接在 CPU 端转换的话，只需要遍历每个像素，得到新的 YUV 值，根据其内存分布规律，合理安排分布即可。然而在 CPU 端进行转换，存在的问题运行效率太低，无法满足高效转换的需求。我们将目光投向拥有流水线体系的支持高速浮点数计算的硬件——GPU.

自从人工智能(AI)这个术语在1955年由美国达特茅斯学院的人工智能大师John McCarthy创造以来，已经得到了长足的进步。63年之后，人工智能正在改变和颠覆医疗保健、金融科技以及其他行业的业务发展。虽然对真正人性化人工智能仍在继续探索当中，但大数据和机器学习(ML)的进步将帮助人工智能成为技术主流。

本文将介绍2018年的顶级人工智能和机器学习的发展趋势：

<font size="3"><strong>1. 医疗健康 </strong></font>

咨询机构埃森哲公司表示，到2021年，美国人工智能医疗保健市场规模预计将达到66亿美元，其复合年增长率(CAGR)为40%。

追根溯源，神经网络诞生于人类对于人脑和智能的追问。而这个追问经历了旷远蒙昧的精神至上学说，直到 19 世纪 20 年代。

<center><img src="http://imgtec.eetrend.com/sites/imgtec.eetrend.com/files/201809/blog/17…; alt=“” width="300"></center>

强化学习十大原则

在过去十年中，人们对机器学习的兴趣激增。几乎每天，我们都可以在各种各样的计算机科学课程、行业会议、华尔街日报等等看到有关机器学习的讨论。在所有关于机器学习的讨论中，许多人把机器学习能做的事情和他们希望机器学习做的事情混为一谈。从根本上讲，机器学习是使用算法从原始数据中提取信息，并在某种类型的模型中表示这些信息。我们使用这个模型来推断还没有建模的其他数据。

神经网络是机器学习的一种模型，它们至少有50年历史了。神经网络的基本单元是节点（node），基本上是受哺乳动物大脑中的生物神经元启发。神经元之间的连接也以生物的大脑为模型，这些连接随着时间的推移而发展的方式是为“训练”。

边缘是图像中灰度发生急剧变化的区域边界，图像灰度的变化情况可以用灰度分布的梯度来表示，数字图像中求导是利用差分近似微分来进行的，实际上常用空域微分算子通过卷积来完成。

<strong>1 一阶导数算子</strong>

<strong>1.1 Roberts</strong>

Roberts算子是一种斜向偏差分的梯度计算方法，梯度的大小代表边缘的强度，梯度的方向与边缘的走向垂直。Roberts操作实际上是求旋转45度两个方向上微分值的和。Roberts算子定位精度高，在水平和垂直方向的效果好，但对噪声敏感。两个卷积核Gx、Gy分别为：

作者：红色石头

梯度下降算法的公式非常简单，”沿着梯度的反方向（坡度最陡）“是我们日常经验得到的，其本质的原因到底是什么呢？为什么局部下降最快的方向就是梯度的负方向呢？也许很多朋友还不太清楚。没关系，接下来我将以通俗的语言来详细解释梯度下降算法公式的数学推导过程。

<center><img src="http://imgtec.eetrend.com/sites/imgtec.eetrend.com/files/201809/blog/17…; alt=“”></center>

一座城市的精华并不存在于纪念碑或博物馆中，街道上活生生的人和景才是它的真谛。过去一个世纪以来，汽车成了城市街道的霸主，街道和环境都在看它们的脸色变化。

为了提升交通效率，街道变得笔直宽阔，而在十字路口，保护行人则成了第一要务。商业区的布局也有了变化，它们大多建在空地附近，而空地则用来停车。

随着自动驾驶革命的深入，未来城市规划者肯定要刷新现有思维，重塑城市格局，更改现有过时的设计，搭建一个对行人更为友好的欢乐城市。

<strong>“主动脉”</strong>

虽然城市里的主干道还会继续存在（方便自动驾驶车辆快速输送乘客），但满城的双向八车道恐怕会逐渐减少。鉴于自动驾驶技术永远也无法达到完美状态，因此为自动驾驶汽车提供快速通道能减少事故发生的几率。