geek_wh2016的博客

人机验证码领域的图片生成的投入，主要解决的是“模型破解”和“人工打码”，这两种破解方式往往又不是独立进行，在特定情况下会产生人工标记训练后进行模型训练后进行自动对抗。所以，对于线上图片的更新，最后落脚之处还是在于图片的更新速度、图片的抗模型训练能力。

本周我们介绍另一图上的“聚类”算法—高密子图挖掘(Dense Subgraph Mining)，这类算法与社群检测不同的是处理的数据对象是异构图(节点的类型不是单一的，同类型节点之间一般没有边)，社群检测需要对整张图的节点进行社区划分，而高密子图只关心最紧密的那个社区；相同的是二者都是同一种思考模式：定义一个衡量密集度的指标，启发式地不断优化这个值。lockstep行为模式在实际应用场景中...

风格迁移作为深度学习艺术化工作的典范，各顶级会议上一直有相关论文发表，工业上也有很多面向C端用户的产品。今天我们要介绍的一篇工作来自ECCV2018，解决的问题是如何在进行风格迁移的时候，对笔触大小 （Stroke Size ）进行控制。笔触大小的影响因素笔触大小对于风格化的结果有着十分直接的感官影响。在进行风格化迁移的时候有三个因素制约笔触大小：风格图的分辨率大小、监督网络VGG 的...

本周论文分享一篇关于图像到图像转换的文章。图像到图像转换任务的目的是希望学习到不同域之间的映射，以完成域之间的转换。比如灰度图--> 彩色图，低分辨图--> 高分辨图等。这类任务存在两个挑战：一、对齐的训练数据少且难获得，如对应的白天与黑夜场景；二、这种映射往往是多样的，即存在一对多的情况。这篇文章提出了一种解耦的特征表示框架来解决这个问题，具体是将图像映射到两类空间中，一...

前面我们说过图的第二个优点是拉帮结派，在图里面是很容易形成团伙结构，近年来，研究这个问题的论文也是汗牛充栋。本章，我们就这一问题所衍生出来的两个方向：社区检测（Community Detection）和高密子图挖掘（Dense Subgraph Mining）作相关讲解。本文，我们先讲社区检测的相关算法。社区检测的任务是什么呢？举个例子，给定如下图。直观印象告诉我们，该图存在以下的社区...

聚类(Cluster) 是一种经典的无监督学习方法，但是鲜有工作将其与深度学习结合。这篇文章提出了一种新的聚类方法DeepCluster，将端到端学习与聚类结合起来，同时学习网络的参数和对网络输出的特征进行聚类。作者将DeepCluster成功应用到大规模数据集和一些迁移任务上，性能超过了当前state of art的无监督工作。表明结合简单的聚类算法，无监督方式也可以学习到很好的特征。背景...

CNN模型虽然在各类任务上大放异彩，但一直以来都被诟病缺乏可解释性。针对这个问题，过去几年研究人员除了从理论层面去寻找解释外，也提出了一些可视化的方法直观地理解CNN的内部机理。本文主要介绍两类方法，一种是基于Deconvolution, 另一种则是基于反向传播的方法。基于Deconvolution的方法基于Deconvolution的方法一篇来自Matthew D Zeiler, Rob...

本周论文分享带来一篇CVPR2018的论文《Decoupled Networks》。卷积神经网络最基本的操作即是卷积，它本质是通过滑动窗口的方式，通过内积来衡量输入与卷积核之间的相似度。那么内积这种相似度的衡量方式，是否对所有任务都是最好的，还有没有更好的方式？这篇论文从这个点出发，提出了一类新型的卷积运算。传统卷积首先来回顾下基本的卷积运算，通过内积的方式来衡量输入的一个滑动窗口x与卷积核k的相...

关于新的技术专栏到底要写什么？这个问题困扰了我们的工程师很久。关于深度学习，网络上有太多可以查阅的资料和文献，只要大家肯学，从入门到精通，应有尽有。直到有一天，我们的AI技术交流群中有位小伙伴提出，能不能分享一些实践案例，让有兴趣和时间的小伙伴们可以在实践中学习交流。这确实是一个好方向。纸上得来终觉浅，绝知此事要躬行。理论知识太多太杂，只是看不实践，很难进行内化和提炼，况且世上本没有什么所谓的大牛...