|
近期，中国人工智能学会权威发布了 《2023 中国人工智能系列白皮书 --深度学习》，该白皮书从深度学习的基本概念、发展历程、主要方法、关键技术、前沿领域、社会影响等方面，进行了全面的梳理和分析，并展示了深度学习的一些重要应用，例如自然语言处理、机器翻译、图像分类、目标检测及分割等。 以下为小编根据白皮书内容对各章节的归纳总结。文末可下载白皮书。
第一章 人工智能历史与现状人工智能 (Artificial Intelligence，AI) 是一门研究如何使计算机能够模拟人类智能行为的科学和技术，目标在于开发能够感知、理解、学习、推理、决策和解决问题的智能机器。本章主要介绍了人工智能的概念、起源、发展历程、现状和未来趋势。 第二章 深度学习模型本章介绍了CNN、RNN等经典模型，并从人类视觉感知特征的角度分析了注意力模型和U型网络的原理和理论依据，并探讨了各种注意力模型和改进的U型网络。注意力模型包括SLA、DPA和GCA，其基本框架包括打分函数、校准函数和融合三个步骤。U型网络存在局部性和语义鸿沟问题，注意力U型网络在一定程度上解决了语义鸿沟问题，但非局部U型网络由于计算复杂度高，影响了网络对局部特征的学习能力和抗干扰性。 第三章 人工智能大模型人工智能大模型未来的发展将更加注重模型的规模、复杂性、跨模态学习、自学习能力、长期记忆和时间建模、适应性和鲁棒性、可解释性和可信度、联邦学习和隐私保护等方面的进一步突破和创新。这将为各个领域的应用带来更高的性能、更广泛的应用场景和更好的用户体验。同时，也需要解决伦理、隐私、安全和社会影响等问题，确保人工智能大模型的可持续发展和社会价值。
第四章 深度学习的特征及模型压缩本章探讨了深度学习模型压缩和模型中间层特征压缩的研究背景和意义，总结了当前研究现状。随着网络基础设施的更新和深度学习计算机视觉任务的云-边-端智能协作部署，需要先进的中间层特征压缩技术实现低带宽、低延时传输。终端设备的低功耗需求也需要轻量化的深度学习模型，以便部署在计算能力有限的设备上。随着智能化技术的普及，模型压缩和中间层特征压缩将走向标准化，迎来市场竞争，成为学术界和工业界关注的话题。第五章 深度学习在编码中的应用基子神经网络技术的智能图像/视频编码成为下一代视频编码技术发展的重要突破口，具有非常重要的学术研究与产业应用价值。全新的智能图像/视频编码技术将在节省存储与传输宽带成本、降低时延、保障视觉质量的基础上满足对视频感知、分析、理解等智能应用方面的需求。为了进一步提升产业落地的可行性，需要结合应用和场景需求，在新型架构设计、轻量化模型设计和自适应码率分配等方向展开研究，需要在新的方法和技术上形成突破。本章将介绍智能图像编码压缩、智能视频编码压缩等核心技术的研究现状，并讨论该领域当下挑战及未来趋势。 第六章 深度学习与图像描述生成与视觉定位随着互联网和信息技术的发展，多媒体数据呈现爆炸性增长，如何快速有效地组织、存储和检索图像成为重要研究课题。图像描述生成任务结合计算机视觉和自然语言处理两个领域，要求完备的图像语义理解和复杂的符合人类感知的自然语言表达，具有重要的理论意义和应用前景。视觉定位是根据输入的指代表达式在图像中定位目标对象的任务，成功构建起人类语言、机器以及现实场景之间的沟通桥梁，具有广泛的应用前景。视觉定位任务中的处理流程被划分为3个模块，其中视觉-文本多模态特征交互融合是关键。第七章 深度学习在天文学研究中的应用深度学习在近十年得到广泛应用，被认为是最有前景的人工智能方法，在图像分类、物体检测、自然语言处理等领域取得显著成果。最近，深度学习在科学领域快速发展，如蛋白质结构预测、材料科学、医学等。在天文学研究中，深度学习通过直接学习海量原始数据中的特征，为天文学研究提供了全新的方法和工具，涉及大数据处理、探测/识别物体/事件、预测天文事件、成像观测数据和图像恢复等方面。深度学习的优势在于无需先验知识，能够进行端到端的自动化处理，但也面临数据稀缺和过拟合等问题，需要更多样本和改进算法来克服。 第八章 雷达智能信息处理雷达探测技术的发展需要提高探测距离、精度和精细化描述能力，以及信息处理的智能化水平。雷达对海探测能力的提升需要实现杂波抑制、目标特性匹配及特征描述。传统雷达目标探测基于模型假设，而深度学习在海量数据样本中逐层抽象挖掘有用信息，减轻了对模型假设的依赖，提高了雷达智能信息处理的性能。本章将分别从雷达信号处理雷达图像处理两个方面，介绍深度学习在雷达智能信息处理中的主要技术和应用，并对未来的发展趋势进行展望。 第九章 深度学习与智慧海洋相关应用我国海洋面积广阔，涉及多个领域的发展。党的十八大、十九大和二十大报告均强调了建设海洋强国的重要性。海洋信息获取对海洋资源勘探、环境监测和国防军事等方面具有重要意义。人工智能、计算智能和神经网络在海洋图像智能化领域受到关注，具有强大的信号/图像分析、对象检测和模式识别能力。近年来，深度学习技术在海量图像数据信息挖掘中大放异彩，涌现出大量的融合深度学习与大数据等前沿技术的任务与感知双重驱动的智能应用。对于海洋图像相关应用的研究从未止步，且与新兴视觉相关技术的结合愈加紧密。第十章 深度学习与医工结合相关应用近年来，深度学习技术一直都处于科研界的前沿。深度学习模型在各个领域的良好效果引发了在更多领域利用该技术进行数据挖掘和分析的热潮，在医学和生物认知领域也同样引起了重视。深度学习在医疗方面的应用，最具代表性的就是医学影像学方面的应用。因为深度学习具有自动地从数据中学习深层次、更具鉴别性特征的能力，因此在医学图像分析领域取得了突破性进展。本章首先介绍了医学图像的背景知识，然后探讨深度学习方法在医学影像领域的应用，重点讨论深度学习在病理分析方面的应用。第十一章 深度学习在大数据处理中的应用深度学习技术在大数据处理中占据巨大优势，前文已经展示了深度学习用于数据驱动的建模研究。本章主要从深度学习在天文大数据、医疗大数据和金融大数据三方面应用展开介绍。以实际案例进行分析，阐述大数据在各个领域上的应用。 金融大数据应用中介绍了 TensorFlow 框架预测股票价格数据案例。大数据的应用远不止医疗、天文、金融这几方面，它几乎包含了我们工作、学习、生活中的一切应用。本章介绍以上三个典型应用主要为了让读者理解大数据的应用场景和实际案例。本章的亮点，提供了一个经典案例代码，利用深度学习做股票价格预测：并具体介绍了深度学习的建模流程，以及详细代码示例（相关代码文末报告自行下载），以供学习及实践下。
第十二章 深度学习在三维点云技术中的应用随着深度学习技术的不断发展，及其在点云压缩与增强领域应用的逐步成熟，基于深度学习的点云压缩与增强将具有更加广阔的发展和应用空间。虽然目前对于该领域的初步技术探索已经取得了一定的成效，但是可以预见。目前深度学习点云压缩和增强方法还处于早期发展阶段，许多关键性的问题还没有得到解决。通过进一步深化研究、改进算法和拓展实验验证，深度学习点云压缩与增强技术将能够逐渐迈向成熟，从而带来更多的实际应用和发展机遇。
|
