本文在深度学习框架的基础上对特征提取方法进行了研究,并通过医学图像、人脸表情的检测和分类对其效果进行了验证。本文的研究内容主要包括以下三点:1)提出有约束的高分散主成分分析网络(Constrained High Dispersal PCANet,CHDNet)。本文详细分析了 CHDNet的不同组件对分类性能的影响,针对PCANet的局限性,设计了非线性变化层、多尺度特征池化层,以提高分类性能。将CHDNet应用在医学图像分类中,包括基于Kinect深度图像的人体生理机能自动检测和计算机辅助舌象
在这项工作中，我们评估了深度学习模型的可移植性，以检测超出标准模型的信号。 为此，我们在三种不同的信号模型上训练了深度神经网络：通过改变风味的中性电流产生 t Z ，成对产生类似矢量的 T -夸克通过标准模型胶子聚变和在3个质量点（1、1.2和1.4 TeV）的重胶子衰变中发生夸克。 这些网络使用 t 进行了训练
可信任是AI应用落地的关键，在医疗、军事等领域尤为必需。最近，在一场深度学习与医疗应用的研讨会上，UCLA Stanley Osher讲述了可信任深度学习 (Trustworthy deep learning) 的报告，探讨了稳健、准确、高校、隐私的深度学习建模，从理论上如何设计保障，共有44页ppt，值得学习。
演讲主讲人是 Vivienne Sze，来自 MIT 的高效能多媒体系统组（Energy-Efficient Multimedia Systems Group）。她曾就读于多伦多大学，在 MIT 完成 PhD 学业并获得电气工程博士学位，目前在 MIT 任教。Sze 教授的主要研究兴趣是高效能算法和移动多媒体设备应用架构，她最近在MIT公开课给了《 Efficient Computing for
Deep Learning, AI and Robotics》报告。
本次演讲的主题是 DN
