描述的内容视频/图像自动使用自然语言是一项具有挑战性的任务,这是明显比图像标签和对象识别。它不仅需要准确识别的对象和背景场景也是它们的属性,关系,凸起(即。,识别对象的可能性所生成的文本)。深度学习模型展示了巨大的成功在处理这种复杂的计算机视觉任务。例子包括使用深卷积神经网络结合复发模型图像标题。不过,这样的深度学习方法往往失去细节图像中属于重要的区域方面,和生成的标题往往是短和更少的信息。因此,复杂的深度学习模型能够捕捉和转换区域细节更好的人/对象/场景分类方便准确的图像标签描述一代是必需的。另一方面,深度学习模型的成功也依赖于识别最佳的架构和hyperparameters适合这个任务。在这方面,进化计算算法的高级搜索功能允许他们解决不同的优化问题,包括识别的最佳体系结构和hyperparameters深度学习模型。

这个特殊的问题是致力于数学建模、模拟、和/或分析的深度学习和进化计算模型复杂,适应性行为,和现象在科学和在现实生活中,等的应用和实现复杂的深度学习与进化计算模型计算机视觉任务。目的是刺激研究不仅属于复杂的基于深度学习计算机视觉系统最优拓扑和hyperparameter识别等深层复杂网络通过进化计算和相关的范例。

潜在的主题包括但不限于以下:

• 复杂的深层神经网络图像描述的一代
• 复杂的深层神经网络可视化生成或回答问题
• 深层神经网络和复杂的图像分割模型
• 深层神经网络和复杂的造型视觉显著检测
• 深层神经网络和复杂的造型对人类或对象属性的预测
• 深层神经网络在大规模的对象识别和复杂的造型
• 深层神经网络和复杂的造型场景分类
• 深层神经网络和复杂的造型在人类行为的认可
• 深层神经网络和复杂造型的年龄估计
• 深层神经网络和复杂的造型在面部和身体的表情识别
• 深层神经网络和复杂的造型语言生成和语音识别
• 进化计算技术最优结构识别不同的深层复杂的神经网络和造型
• 进化计算技术最优hyperparameter选择不同的深层复杂的神经网络和造型
• 进化计算技术为最优拓扑和hyperparameter识别不同的复杂的集成神经网络和造型
• 复杂的神经网络健康监测和监督
• 深度学习应用程序和社交媒体数据分析复杂系统建模(例如,Facebook照片描述一代,在线新闻/医学图像注释脚本生成的电影,描述自动生成历史照片/画在博物馆,和健康/安全监测)