网站首页

8月23日，知识发现和数据挖掘会议在伦敦结束。今年是KDD历史上的第24次会议。作为数据挖掘领域的国际顶级会议，今年的KDD共吸引了全球1480篇论文，包括293篇论文，接受率不到20%。悉尼人工智能研究所的两篇论文今年被选中。

悉尼人工智能研究所选出的两篇论文如下:

论文1:面向服务解决方案压缩

压缩卷积神经网络对于成功地将压缩卷积神经网络转移到移动设备的各种应用中非常重要。不同于直接识别给定网络中的冗余权值或滤波器，本文提出了一种自动消除冗余卷积滤波器的进化算法。我们将每个压缩网络表示为特定适合度的二进制序列。然后，在每次迭代中使用遗传算法来进化序列。使用该序列，可以获得由最合适的权重和滤波器生成的紧凑的CNN，并且该CNN具有原始的网络结构，并且可以直接部署在任何现有的深度学习库中。在这种方法中，大的或小的卷积滤波器可能是多余的(可以删除)，这使得最终压缩网络中的滤波器区分度更高。此外，随着每个卷积层中滤波器数量的减少，滤波器通道的数量和特征图的大小也减少，这提高了网络的压缩比和加速比。实验表明，该算法优于现有的所有压缩技术。例如，结合参数优化方法，可以在不影响精度的情况下，将ResNet-50存储空间和浮点乘法内存分别减少14.64倍和5.19倍。

论文2:Deepr-ThroutOutFrankSupervisor JointBinaryEmbeddingForMultiVariateTimeSerieVal

多变量时间序列数据在许多实际应用中变得越来越普遍，例如发电厂监控、医疗保健、可穿戴设备、汽车等。因此，多变量时间序列检索，即给定当前的多变量时间序列片段，如何从历史数据(或数据库)中获取其相关的时间序列片段，引起了许多领域的兴趣。然而，建立这样一个系统是具有挑战性的，因为它需要原始时间序列的紧凑表示来编码时间动态和不同时间序列对(传感器)之间的相关性(相互作用)。此外，它要求高查询效率，并期望返回的排序列表顶部具有高精度。虽然已经开发了各种方法，但是很少有方法可以同时解决这两个挑战。为了解决这个问题，我们提出了一种深度r根秩监督联合二进制嵌入方法(Deepr-RSJBE)来执行多元时间序列检索。给定原始多变量时间序列段，长-短记忆(LSTM)结构用于编码时间动态，卷积神经网络用于编码不同时间序列对(传感器)之间的相关性(相互作用)。然后，通过结合时间动态和数据的相关性来获得组合的二进制嵌入。我们开发了一种新的第r个根排序损失，以优化汉明距离排序列表顶部的准确性。在三个公开可用的时间序列数据集上的实验证明了Deepr-RSJBE的有效性和高效性。

今年以来，该研究所在学术领域取得了许多重要突破。除了在AAAI、CVPR和ECCV等顶级学术会议上发表论文外，它还在国际比赛中赢得了许多奖项。在第22届机器人足球锦标赛中，该机构分别获得了人类机器人成年人技术挑战赛和一对一足球比赛的亚军和季军。在2018年稳健视觉挑战(Robustness Vision Challenge)图像深度识别单元(SingleImageDepthPrediction)中，您必须选择悉尼人工智能研究所来赢得冠军。在2018年视觉问卷调查挑战赛中，获胜者必须是悉尼人工智能研究所，仅次于脸书人工智能研究所。

近年来，优秀的候选人被积极地部署在科学研究领域。目前，公司与清华大学建立了智能服务机器人联合实验室，与悉尼大学建立了人工智能研究所，与华中科技大学建立了机器人联合实验室。公司深入从事仿人机器人驱动伺服、步态运动控制算法、机器视觉、语音/语义理解、情感识别、实时定位和地图构建等领域。今后，OPIC将继续与国内外顶尖企业、大学和研究机构开展深入合作。通过不断探索和创新，OPIC将进一步确立其在全球人工智能服务机器人领域的领先地位。

这篇文章是由网站管理员的用户提交的。未经网站管理员同意，严禁复制。例如，如果大多数用户在稿件中发现虚假报告，欢迎读者反馈、纠正和报告问题(反馈入口)。

免责声明:本文是对用户的贡献。站长之家发布这篇文章只是为了传达信息。这并不意味着站长之家同意其观点，不对内容的真实性负责，仅供用户参考，不构成任何投资或使用建议。读者被要求核实真实性和可能的风险，任何后果将由读者自己承担。

• 上一篇：佟程一龙回应十月上市传闻:以公开信息为准
• 下一篇：教练车标准公布学生发现不符合标准可以投诉