卷积在信号处理领域有极其广泛的应用，也有严格的物理和数学定义。本文只讨论卷积在数字图像处理中的应用。

在数字图像处理中，有一种基本的处理方法:线性滤波。待处理的平面数字图像可被看做一个大矩阵，图像的每个像素对应着矩阵的每个元素，假设我们平面的分辨率是 1024 * 768，那么对应的大矩阵的行数= 1024，列数=768 。

用于滤波的是一个滤波器小矩阵(也叫卷积核)，滤波器小矩阵一般是个方阵，也就是行数和列数相同，比如常见的用于边缘检测的 Sobel 算子 就是两个 3*3 的小矩阵.

进行滤波就是对于大矩阵中的每个像素，计算它周围像素和滤波器矩阵对应位置元素的乘积，然后把结果相加到一起，最终得到的值就作为该像素的新值，这样就完成了一次滤波。

上面的处理过程可以参考这个示意图：

语义分割是计算机视觉中的基础任务，我们通常会使用基于 CNN 加 CRF 的方法或直接使用对抗性的训练实现端到端的分割。本文简要介绍了这两种方法及它们的特点。

人类是如何描述场景的？我们可能会说「窗户下有一张桌子」，或者「沙发右边有一盏灯」。图像理解的关键在于将一个整体场景分解成几个单独的实体，这也有助于我们推理目标的不同行为。

当然，目标检测方法可以帮助我们绘制某些确定实体的边框，但人类对场景的理解能以像素级的精细程度对每一个实体进行检测并标记精确的边界。我们已经开始发展自动驾驶汽车和智能机器人，这些都需要深入理解周围环境，因此精确分割实体变得越来越重要。

<font size="3"><strong>什么是语义分割？</strong></font>

聚类属于无监督学习，事先不知道数据会分为几类，通过聚类分析将数据聚合成几个群体。聚类是不需要对数据进行训练和学习的。主要的聚类算法有K-Means和DBSCAN。

K-Means算法的基本原理比较简单：
1.指定K值（数据要分成的簇的数目），并指定初始的k个质心；
2.遍历每个数据点，计算其到各个质心的距离，将其归类到距离最近的质心点；
3分类完毕后，求各个簇的质心，得到新的质心点；
4.重复2和3中的操作，计算新的质心与旧的质心之间距离，如果小于设定的误差值，则停止计算，否则继续进行迭代。

object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。

object detection技术的演进：
RCNN-&gt;SppNET-&gt;Fast-RCNN-&gt;Faster-RCNN

近日，SAP针对网络经济未来发展趋势公布的研究报告《未来网络经济的99个趋势》显示，大数据、智能助手、共享经济等将成为未来网络经济的热门关键词。

<strong>1、到2020年，平均每个人都会与机器人有更多的对话。</strong>

值得注意的是，就在今年CES世界消费电子展上，多家科技公司推出了服务型机器人，其中一款Aeolus公司的家用服务机器人也是出尽风头，它不仅能够做为一个家庭保姆，干擦地板擦家具的脏活累活，还能够根据你的需求在冰箱为你取回需要的饮品等。未来一天，或许你日常交流的“家庭成员”之一就是一位机器人。

<strong>2、虽然51%的工作活动可以自动化，但是完全由机器替代的工作不到5%。</strong>

​机器学习和人工智能正在从概念验证程序转变为功能性企业基础架构。随着对这些技术的资金支持不断攀升，可以预见人工智能的普及是不可避免的。

机器学习（ML）和人工智能（AI）正在从概念验证程序转变为功能性企业基础架构。随着对这些技术的资金支持不断攀升，可以预见人工智能的普及是不可避免的。

但是数字智能的应用带来了新的风险：IT专家面对这急剧的变化，有些无所适从，而网络犯罪分子正在想方设法入侵新工具。

<font size="3"><strong>为什么AI无法取代人类专业技能？</strong></font>

现在的安全团队工作过度而且人员不足，但还是有人担心AI工具会最终取代人类专业技能。

传统的肉眼识别方法是很难直接识别出 NIs (自然图像) 和 CG (计算机生成的图像)。本文中提出了一种高效的、基于卷积神经网络 (CNN) 的图像识别方法。通过大量的实验来评估模型的性能。实验结果表明，该方法优于现有的其他识别方法，与传统方法中采用 CNN 模型来识别图像，此方法还能借助高级可视化工具。<!--break-->

作者 | Weize Quan , Kai Wang, Dong-Ming Yan , Xiaopeng Zhang
译者 | linstancy
编辑 | Jane
出品 | AI 科技大本营

在机器学习中，有一种叫做「没有免费的午餐」的定理。简而言之，它指出没有任何一种算法对所有问题都有效，在监督学习(即预测建模)中尤其如此。

例如，你不能说神经网络总是比决策树好，反之亦然。有很多因素在起作用，例如数据集的大小和结构。

因此，你应该针对具体问题尝试多种不同算法，并留出一个数据「测试集」来评估性能、选出优胜者。

当然，你尝试的算法必须适合你的问题，也就是选择正确的机器学习任务。打个比方，如果你需要打扫房子，你可能会用吸尘器、扫帚或拖把，但是你不会拿出铲子开始挖土。

<font size="3"><strong>大原则</strong></font>

不过也有一个普遍原则，即所有监督机器学习算法预测建模的基础。

<font color="#33b1c8"><strong>1. 自然语言生成(Natural Language Generation)</strong></font>

自然语言生成是人工智能的分支，研究如何将数据转化为文本，用于客户服务、报告生成以及市场概述。

<font color="#33b1c8"><strong>2. 语音识别(Speech Recognition)</strong></font>

Siri就是一个典型的例子。
目前，通过语音应答交互系统和移动应用程序对人类语言进行转录的系统已多达数十万。

在这篇文章开始之前，我们先提出一个问题：如果未来你以为的无人驾驶，在某个浑然不觉的时间段里实际上是有人驾驶，你会不会觉得毛骨悚然？

这并不是危言耸听。汽车从原始的纯机械工业产品变得越来越电子化、网络化，正如手机从原始的大哥大功能机接入网络、App，迈入智能机时代。手机包括一切网络接入设备所面临的安全问题，也将毫无疑问地出现在汽车身上。

如你所想，我们在这里要说的安全，是系统安全。

但与手机、电脑不同的是，无人驾驶汽车的系统一旦被黑客入侵甚至控制起来，涉及的就不仅仅是勒索钱财的问题，极有可能是要了人命。

或许，当我们一边要力争无人驾驶汽车在2020年能上路，另一边却到目前为止仍然把上路的安全问题集中在各种传感器、激光雷达、芯片或者算法的技术层面，系统安全的问题似乎就相对显得迫在眉睫了。

深度学习说到底就是要调节网络中得权重，使网络的分类结果更接近于训练值。这个重复迭代的过程又是一个线性回归的问题。在这种可能会用到高数，线性代数，概率论中的知识。

<font size="3"><strong>一、数学基础提一提</strong></font>

1. 高数中得知识。

高数中最重要的就是微积分了，那在深度学习中出现最多的一个概念就是梯度。什么是梯度呢?要说导数，学过高数的肯定都知道。其实梯度就是当把标量x变成向量X时，对X求导就是梯度。那为什么要用梯度呢？因为梯度等于0在凸函数中往往代表着一个极小值点。我们要求得就是损失函数的极小值，这正是我们需要的。梯度是指向函数最大增加的方向，下面来解释为什么。

本文主要介绍五种最常见和最常用的图像格式：BMP，PNG，JPEG，JPEG200，以及GIF。在进行图像处理相关应用之前第一步首先是能够读取这些图像文件，虽然很多开发工具支持库比如OpenCV等已经帮助节省了这些工作的麻烦，便利的同时也使得开发人员不再熟悉这些基本的图像格式。本文的作用就在于将这五种常用的图像格式进行分条叙述，方便查阅。

<font color="Purple"><strong>BMP图像文件格式：无压缩</strong></font>

人工智能的概念早在60多年前就被提出，但又一度沉寂。随着谷歌人工智能程序AlphaGo（阿尔法狗）战胜围棋世界冠军李世石，再次为世人瞩目。然而，与无限风光一起相伴而来的，还有关于人工智能的种种争议！

“在我的一生中，见证了社会深刻的变化。其中最深刻的，同时也是对人类影响与日俱增的变化，是人工智能的崛起。简单来说，我认为强大的人工智能的崛起，要么是人类历史上最好的事，要么是最糟的。”著名物理学家霍金生前反复告诫。

在互联网和大数据风起云涌的今天，人工智能究竟会成为造福人类的天使，还是控制人类的魔鬼？面对类似疑虑，请听中国科学院院士、中国人工智能学会副理事长谭铁牛怎么说。

<font size="3"><strong>崛起</strong></font>

在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。这里就对梯度下降法做一个完整的总结。

<font size="3"><strong>1. 梯度</strong></font>

作者 | Daniel Newman
译者 | Sambodhi
编辑 | Vincent

人工智能是企业和国家争夺控制权的前沿技术，2018 年我们已经看到了人工智能出现一些重大进步，那么 2019 年会怎么样呢？让我们看看 Daniel Newman 的预测！

在过去的几年里，机器学习和人工智能一直是人们茶余饭后的谈资，而且这些炒作看上去近期并没有放缓的迹象。但我相信，2019 年将是那些企业等待上船，并见证其行业发展“挖出金矿”的一年。那么，明年我们可能会看到什么呢？会是机器学习的革命性新用途吗？人机交互会不会进一步发展呢？还是人工智能助理全面崛起？让我们深入研究未来几个月的人工智能和机器学习的预测吧！

本文简要介绍了什么是循环神经网络及其运行原理，并给出了一个 RNN 实现示例。

什么是循环神经网络（RNN）？它们如何运行？可以用在哪里呢？本文试图回答上述这些问题，还展示了一个 RNN 实现 demo，你可以根据自己的需要进行扩展。

本章给大家介绍一种用于预测的算法——逻辑回归（logistic regression）

给定一个输入特征向量x（例如你想要识别的图像——是否有猫），你需要一个算法进行计算之后进行结果输出（在这里我们用的是逻辑回归算法）。这个被输出的预测结果我们称为y^y^，假设y是1，如果预测得很准的话y^y^可能会是0.99）。

<font size="3"><strong>一、roc曲线</strong></font>

1、roc曲线：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。

横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)

纵轴：真正类率(true postive rate TPR)灵敏度，Sensitivity(正类覆盖率)

2、针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.

<font size="3"><strong>一、介绍</strong></font>

在电力需求增长的环境下，未来智能电网的设计要运行更加可靠、经济和高效。然而，要实现这一目标，需要通过与数据通信的巨大增长相结合，然而，数据通信为各种网络攻击提供了大把的机会。因此，确保智能电网的网络安全是重中之重。虽然发布了大量的对抗措施,如通信标准(如IEC 61850-90-5 [1])、法律法规(如Colorado法规(CCR) 723-3)、加密实现(如，安全通道[7])，以及官方指南(如NISTIR 7628指南[8])，目前智能电网仍然容易受到网络攻击。

近年来，随着一些强大、通用的深度学习框架相继出现，把卷积层添加进深度学习模型也成了可能。这个过程很简单，只需一行代码就能实现。但是，你真的理解“卷积”是什么吗？当初学者第一次接触这个词时，看到堆叠在一起的卷积、核、通道等术语，他们往往会感到困惑。作为一个概念，“卷积”这个词本身就是复杂、多层次的。