Google TensorFlow 团队成员Sherry Moore
Google AI: bringing the benefits ofartificial intelligence to everyone
人工智能-机器学习-深度学习之间的包含关系
目前神经网络突破的原因：数据量及计算能力的增加
- 介绍关于AutoML的相关研究进展，可以为模型优化提供一定的帮助，值得关注。
人工智能辅助病理影像诊断 清华大学博后 王书浩
相比于其他医疗图片，病理图像尺寸较大
病理学图像.png
病理图像预处理过程
- 首先圈出癌症细胞区域
-
将整幅病理图像划分为多个带有标注的patch，这样子一张大的病理图像实际上成为很多张小的代label的训练图片
patch-label对应.png
训练过程.png
模型设计.png - 由于每张patch尺寸过小，若使用模型标准网络结构，图像分辨率最终缩小32倍，导致细节特征难以提取，通过修改卷积核及补偿，将分辨率缩小固定在8倍，将补偿由2减小为1.
-
确定好每一张图像与切分后的patch的坐标关系，通过后处理，将确定为癌细胞的区域在原图片进行标注，最终形式能够对病理图像训练后得到癌症细胞区域的推荐标注。
tensorflowserver.png -
使用TensorFlow server 完成服务器版本的上线
服务器数量与性能关系 - 对服务器数量与准确率关系进行了分析，最终系统搭建的服务器数量为10台。目前能够达到的训练速度为一小时处理1G的图像（按照开始给出的图像大小估计，一小时最多能够处理一张病理切片）
*未使用迁移学习，直接在病理图像上进行训练。
用于无人驾驶的深度学习技术 UC Berkeley 吴璧辰
- 无人驾驶涉及两个方面，感知（perception）与计划/控制，计算机视觉相关技术解决的是感知部分的工作。
- 神经网络演变.png
- 自2012年AlexNet大获成功后，后续网络均向更深层次的网络模型进行演化
-
过于复杂的网络产生的参数较多，计算资源消耗过大，导致在自动驾驶领域应用受限（InceptionNet,ResNet等网络虽然层次较深，但模型参数量反而低于AlexNet和VGG）
SqueezeNet与AlexNet对比.png -
第一部分研究工作为提出SqueezeNet,在保证和AlexNet网络相同的准确率前提下，模型参数量大幅降低，但是根本上说，该部分工作思路实际类似于InceptinNet
SqueezeNet网络结构.png
*在此基础上，提出ShiftNet,模型参数更小，准确率更高，相关工作可查看论文。
目标检测主流方法比较.png
-
对于目标检测算法，传统HOG+DPM速度快，消耗计算资源低，但是准确率低，R-CNN带表的two-stage算法准确率达到了很高的水平，但是速度低，消耗计算资源高，以YOLO为代表的one-stage算法准确率相对较高，速度较快，但是消耗计算资源较高
SqueezeDet.png -
利用SqueezeNet网络 提取特征，完成了SqueezeDet目标检测算法的开发。
LiDAR.png
*单纯依靠RGB图像的自动驾驶方法，对灯光条件不鲁棒
*LiDAR能够提供对灯光，天气更加鲁棒的距离测量。主流的无人驾驶方案是RGB+LiDAR。
SqueezeSeg.png -
在SqueezeNet基础上了提出了SqueezeSeg,针对点云图像进行目标检测，可查看相应论文。
智能简史 微软亚洲研究院 洪小文
智能等级.png
- 计算与记忆 是最低级的，人类已经完全无法与计算机相比
- perception 由于CNN，RNN的发展，计算机在此类任务上已经超过人类（）图像分类，目标检测，语义理解等
- 认知上，在一些数据集上，微软的研究工作超过了人类。
