实际应用中的深度学习
机器学习
2018-07-16 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
由于该方法在广泛机器感知任务上的巨大成功，越来越多经典研究环境之外的人开始应用神经网络进行深度学习。尽管这些兴趣由漂亮的成功案例所推动，但在没有现有基线的新任务上进行深度学习的实际工作仍然具有挑战性。本文基于与工业界联合的研发案例研究，探讨真实世界任务领域中出现的具体挑战，并从中提炼经验教训。因此，它填补了最新算法与方法学发展发表与通常省略的如何使其奏效的具体细节之间的空白。具体而言，我们深入介绍了人脸匹配、印刷媒体监测、工业质量控制、乐谱扫描、策略游戏对弈和自动化机器学习方面的深度学习项目，从而提供实践中的深度学习最佳实践。
引用
@article{arxiv.1807.04950,
title = {Deep Learning in the Wild},
author = {Thilo Stadelmann and Mohammadreza Amirian and Ismail Arabaci and Marek Arnold and Gilbert François Duivesteijn and Ismail Elezi and Melanie Geiger and Stefan Lörwald and Benjamin Bruno Meier and Katharina Rombach and Lukas Tuggener},
journal= {arXiv preprint arXiv:1807.04950},
year = {2018}
}
备注
Invited paper on ANNPR 2018