最近的事态发展在深度学习工程应用

---

深入学习是发展最迅速的领域之一使计算模型的多个学习和表示数据处理层与多个抽象层次因此含蓄地捕捉复杂的大数据量规模结构。近期的兴趣深入学习方法主要是由于大量的复杂的数据从不同的来源(视觉、医学、社会和传感器)在各种应用领域,但也因为深度学习的方法已被证明在几个研究问题的表现优于以前的最先进的技术。

这个特殊问题的目的是提出新的学术研究进展及工业发展与强调深度学习机器学习的工程应用。我们收到了二十四(24)提交和每篇论文综述了至少两个专家。九(9)的论文发表在这个特殊的问题,涵盖了各种各样的主题。

在他们的论文中,j·金等人提出一个长期短期记忆递归神经网络(LSTM-RNN)深度学习框架为基础能源崩溃。公共数据集进行了两个实验(UK-DALE和REDD)表明该框架实现更高的性能率相比,流行不负载监控(NILM)技术(包括基于隐马尔可夫模型的框架)。

问:局域网等人提出一个优化的GPU实现3 d卷积神经网络和视频分类场景中应用它。比较与cuDNN建议的方法显著加速通过前者的方法。

关注潜在用户的脑-机接口(BCI),大肠Carabez等人提出一种基于卷积神经网络(CNN)的架构进行识别和分类的大脑活动引起P300波。CNN模型给出了一种新颖的单审判的三维(3 d)表示脑电图(EEG)数据作为输入,维护时间和空间信息接近实验设置。派生的结果显示增加了建议的体系结构的准确性和3 d输入单一审判P300分类相比其他方法在文献中。

在另一篇论文收集、y冯等人提出一个结合深度学习和强化学习框架,从非结构化文本中提取实体和关系。该方法结合双向LSTM tree-LSTM, q学习技术在一个两步决策过程和达到更高的回忆和准确率比较先进的方法公开文本数据集自动内容抽取。

疾病评估对植物的应用深度学习图像处理论文的王g . et al。作者提出了一系列卷积神经网络通过转移学习技术,调整训练识别疾病的严重性级别植物图像,从而形成一个框架,收益不错的效果。

卷积神经网络也不可或缺的一部分框架j .峰等人提出的地理场景分类。描述模型旨在优化特征提取器,以便它可以学习更适合视觉词汇从地理标记图像,导致识别利率高于其他方法在文献中。

简要概述深度学习的最重要的技术和应用计算机视觉领域提供Voulodimos et al。审查论文的作者提供一个简短的陈述和比较分析三个主要用于计算机视觉深度学习计划,也就是说,卷积神经网络(cnn),深层信念网络(DBNs)和深玻耳兹曼机(DBMs)和堆叠Autoencoders,和他们的应用程序主要包括对象检测计算机视觉问题,行动和活动识别、人脸识别、人体姿态估计。

特刊的另两篇论文也存在有趣的机器学习和创新成果为工程,虽然不是严格遵循深度学习的方法。x赵等人提出的策略实现合成孔径雷达(SAR)的高精度自动目标识别(ATR)的任务。他们的方法包括小说构成整流和图像归一化产生更少的图像变化,其次是使用小波系数特征提取。一群歧视树是学习和组合成一个最终的分类器在Real-AdaBoost的框架。拟议的框架的有效性是通过大量实验证明与公众发布MSTAR数据库。

最后,x聂等人提出了混沌研究猫群优化(CQCSO)算法作为改进的猫群优化算法(方案)。增强版地址方案的问题之一,也就是说,它通常是被困在当地的最适条件非线性优化问题与当地大量的极端值。作者应用他们在翻译光伏MPPT算法应用场景。

Athanasios Voulodimos
Nikolaos Doulamis
乔治Bebis
塔尼亚Stathaki

版权

版权©2018 Athanasios Voulodimos et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。