研究人员将 ERL 度量应用于斑胸草雀大脑的一个区域。体积为100万立方微米。追踪鸣禽大脑中的神经突
科学家使用神经网络对斑胸草雀大脑一小部分中的每个神经元进行了分割。这实在是太令人着迷了：
FNN的运行仍然需要额外的手动纠错
但自动化正在产生重大影响：马克斯·普朗克研究所的合作者现在可以更深入地研究鸣禽的大脑。这将使他们更准确地理解斑胸草雀如何唱歌。
深入心灵深处
谷歌人工智能将改进其连接组学重建技术，以完全自动化这一过程。她还开源了使用 WebGL 可视化 3D 图像 的神经网络和软件。
您对大脑的哪些秘密感兴趣？也许您还想知道为什么鸟儿会唱歌，或者您的猫在说什么？在评论中分享您感兴趣的问题！
神经网络在 5000 张图像上进行训练（不到 CLEVR 训练集的 10%）。每个问题都有 20 个问题。 Mask R-CNN 在带有边界框注释的 4K CLEVR 图像上进行训练。
NS-CL 观看照片并阅读问答对
同时学习物体的视觉属性（颜色、形状、大小）和单词的语义分析。在 CLEVR 测试样本上评估神经网络的结果如下表所示。与其他类似架构（ MAC和TbD）相比，该模型实现了高水平的效率。这些神经网络基于注意力模型，并且已经实现了四种变体以进行系统研究。 TbD-Object 和 MAC-Object 将一堆对象而不是单个图像作为输入，而 TbD-Mask 和 MAC-Mask 组合了对象掩码并使用它们来引导图像中的注意力。
NS-CL 取得了最好的结果，因为它将视觉属性的学习和基于它们的推理完全联系起来。
推广到新的作品
为了评估模型推广到具有新成分的图像的能力，使用了 CLEVR-CoGenT 数据集。它由两个样本组成：A 组仅包含灰色、蓝色、棕色、黄色立方体和红色、绿色、紫色和青色圆柱体，而 B 组中立方体和圆柱体的所有这些颜色都是相反的。如果仅研究样本 A 的视觉属性，则模型将简单地按颜色对形状进行分类。这将导致样本 B 的泛化能力较差。
移动营销需求的不断增长凸显了 C 级高管名单 C级执行名单 的重要性。全球有超过 50 亿手机用户，企业认识到直接、即时通信作为接触目标受众的一种手段的潜力。C 级高管名单有助于向大量收件人高效发送消息，确保。
研究人员通过引入以算子的形式感知对象属性的思想解决了这个问题。具体来说，他们联合训练网络的对象属性（例如“红色”、“立方体”等）和单词语义，同时保留预先学习的运算符。由于模型对不同的属性接收完全不同的表示，因此样本 A 的准确率达到 98.8%，样本 B 的准确率达到 98.9%。
泛化到新图像和问题
一个人可以查看具有几个对象的小图像，学习简单的问题和答案，然后轻松地将这些知识推广到具有许多对象的大场景（场景是一个场景，即场景中所有对象的集合）图像）。为了让神经网络获得相同的结果，研究人员将 CLEVR 数据集分为四个部分：
样本 A 仅包含少于 6 个物体的场景和简单问题
样本 B 包含少于 6 个物体的场景，但有任意问题
样本 C 包含带有简单问题的随机场景
样本 D 包含随机场景和问题。
下图为样本示例：
仅使用样本 A 的数据进行 谁可以从通配符 ssl 证书中受益以及如何管理它 训练，其余三组数据用于评估。 NS-CL对于大场景和复杂问题实现了非常好的泛化，达到了97%的准确率。
作者还在 Minecraft 推理数据集上测试了该模型的泛化性，该数据集包含许多游戏截图。该数据集与 CLEVR 有很大不同：图像看起来不同，并提出完全不同类型的问题。然而，NS-CL 模型在其上达到了 93.3% 的准确率。
执行语义解析来回答问题的示例
泛化到自然图像和文本
然后作者在 MS-COCO 图像上进行了实验，并将结果呈现在 VQS 数据集中。它包含原始 VQA 1.0 数据集中的照片子集和问题。所有问题都可以基于视觉：每个问题都与包含答案的图像的多个区域相关联。示例如图所示：
解析器用于从图像中提取 DSL 程序。问题和对象特征分别从在 MS-COCO 和 ImageNet 数据集上预训练的模型中提取。 MAC神经网络解决这个问题的准确率达到46.2%，NS-CL达到44.3%的准确率。下图显示了学习的视觉属性的示例，包括对象类别、属性以及它们之间的关系：
接下来怎么办？
尽管 NS-CL 模型在学习视觉场景并将结果推广到新的构图方面取得了很好的准确性，但这并不是其能力的终结。研究人员计划训练它来描述三维物体，并将特定领域的命令翻译成自然语言处理（正如你所看到的，处理自然查询的效率仍然有很多不足之处）。
神经符号模型可用于训练机器人，以便它们能够将动作（例如，推动）与其语义表示关联起来。这将使机器能够更轻松、更快速地适应复杂的交互环境。
我们早已习惯在进行交易和登录
个人账户时接收银行发来的带有数字密码的短信。银行是长期以来实行双因素身份验证的领域的一个典型例子。然而，他们并不是唯一需要安 美国手机号码列表 全访问其站点受限区域的人。任何用户需要不断登录的服务都希望保护自己的声誉和客户的个人数据。这些可以是完全不同的站点 – 从移动提供商到在线游戏和常规在线商店的资源。通常，客户的个人数据存储在此类网站上。
拥有者已关联银行卡或已将部分资金转入个人账户内部余额的账户对黑客尤其有吸引力。在美国，一些在线零售商开始寻求双因素身份验证，因为有消息称 2017 年电子商务欺诈水平比上一年增加了 30% 。我们谈论的是替换已购买商品的送货地址以及使用被盗的银行卡和其他支付工具进行购买。为了留住客户并激励他们重复购买，卖家不仅开始考虑网站的易用性，还开始考虑安全性和可靠性。