这篇文章的目的是介绍关于利用自动编码器实现图像降噪的内容。

在神经网络世界中，对图像数据进行建模需要特殊的方法。其中最著名的是卷积神经网络(CNN或ConvNet)或称为卷积自编码器。并非所有的读者都了解图像数据，那么我先简要介绍图像数据(如果你对这方面已经很清楚了，可以跳过)。然后，我会介绍标准神经网络。这个标准神经网络用于图像数据，比较简单。这解释了处理图像数据时为什么首选的是卷积自编码器。最重要的是，我将演示卷积自编码器如何减少图像噪声。这篇文章将用上Keras模块和MNIST数据。Keras用Python编写，并且能够在TensorFlow上运行，是高级的神经网络API。

2014年，GoogLeNet获得了第一名、VGG获得了第二名。

GoogLeNet是一种基于 Inception 架构的卷积神经网络。它利用 Inception

模块，允许网络在每个块中的多个卷积滤波器大小之间进行选择。Inception 网络将这些模块堆叠在一起，偶尔会使用最大池化层，步幅为2，以将网格的分辨率减半。

inception结构涉及了大量的数学推导和原理

作者 | 蒋宝尚

编辑 | 贾伟

躺尸接近三个月的OpenAI博客终于有了更新，这次它为AI研究者带来的作品是“OpenAI Microscope”，中文译名OpenAI 显微镜。

意为可以像实验室中的显微镜一样工作，帮助AI研究人员更好地理解神经网络的结构和特征。

博客地址：
https://openai.com/blog/microscope/

说到底，这个显微镜更像是一个神经元可视化库，里面包含了历史上重要且普遍研究的计算机视觉模型，如2012年ImageNet挑战赛冠军AlexNet，2014年的ImageNet冠军GoogleNet（又名Inception V1）和ResNet v2。

本文来源：机器之心

世界上没有两片相同的雪花，「菊花」亦然。至少，斯坦福大学的一篇论文是这么说的。在这篇论文中，研究者发明了一种「菊纹识别」智能马桶，可以利用深度学习技术识别你的「菊纹」和便便，从而达到健康监测的目的。目前，该论文已经在Nature Biomedical Engineering 杂志上发表。

BT-Unet采用Barlow twin方法对U-Net模型的编码器进行无监督的预训练减少冗余信息，以学习数据表示。
之后，对完整网络进行微调以执行实际的分割。

BT-Unet由 Indian Institute of Information Technology Allahabad开发，发布在2022年的JML上

BT-Unet

BT-Unet架构图：a、预训练U-Net编码器网络，b、用预训练的编码器权值初始化的微调U-Net模型

学习目标

• 知道GoogLeNet网络结构的特点

一个国际研究团队开发了一种基于航空图像深度学习的新型光伏故障检测方法。