如果我設(shè)計(jì)了一種算法，可以讓卷積神經(jīng)網(wǎng)絡(luò)的泛化準(zhǔn)確率提高2%∽3%左右，能不能發(fā)表論文？當(dāng)然，論文可以發(fā)表。目前泛化能力總體上已經(jīng)到了瓶頸，總體上達(dá)到了這個(gè)優(yōu)化水平，所以選擇CVPR應(yīng)該沒有問題。但優(yōu)

如果我設(shè)計(jì)了一種算法，可以讓卷積神經(jīng)網(wǎng)絡(luò)的泛化準(zhǔn)確率提高2%∽3%左右，能不能發(fā)表論文？

當(dāng)然，論文可以發(fā)表。

目前泛化能力總體上已經(jīng)到了瓶頸，總體上達(dá)到了這個(gè)優(yōu)化水平，所以選擇CVPR應(yīng)該沒有問題。

但優(yōu)化的方向不僅僅是泛化能力。一篇優(yōu)秀的CVPR論文不可能在一個(gè)方面得到推廣，所以很容易被淘汰。需要包括其他支持方面，例如：

它是否提高了通用場(chǎng)景的泛化能力？

它是通過堆網(wǎng)絡(luò)層實(shí)現(xiàn)的，這會(huì)導(dǎo)致泛化，但性能會(huì)下降很多嗎？

這種泛化精度是否有特殊的前提，是否適合小樣本和不平衡樣本？

根據(jù)紙張和測(cè)試集的方法，是否可以快速?gòu)?fù)制？最好有一個(gè)GIT的演示。

提高泛化精度的原則是否足夠創(chuàng)新？需要清晰嚴(yán)謹(jǐn)?shù)臄?shù)理邏輯。

與其他類似的技巧相比，有哪些亮點(diǎn)？

是否有任何實(shí)際的項(xiàng)目登陸證書？

以上只是我示例的一部分。別聽樓上的廢話。如果一篇優(yōu)秀的論文能夠成功應(yīng)用于四大人工智能會(huì)議，將會(huì)給你帶來巨大的利潤(rùn)。進(jìn)入阿里達(dá)摩學(xué)院、騰訊和頭條新聞是一個(gè)很大的獎(jiǎng)勵(lì)項(xiàng)目。

人工智能專業(yè)包含神經(jīng)網(wǎng)絡(luò)么，考研東北大學(xué)，學(xué)校只有人工智能專業(yè)沒有神經(jīng)網(wǎng)絡(luò)專業(yè)，我該報(bào)人工智能么？

人工智能專業(yè)的主要研究?jī)?nèi)容是如何利用機(jī)器智能（主要通過計(jì)算機(jī)技術(shù)）實(shí)現(xiàn)人的問題獲取、問題推理和問題解決。目前的研究領(lǐng)域包括通過機(jī)器視覺感知外界環(huán)境、機(jī)器聽覺、機(jī)器觸覺環(huán)境數(shù)據(jù)采集等。，通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行分析和推理（基于神經(jīng)網(wǎng)絡(luò)模型的相關(guān)方法的研究是一個(gè)主要的研究方向）。問題的解決主要依靠計(jì)算機(jī)科學(xué)技術(shù)的軟硬件設(shè)計(jì)和軟件工程的算法實(shí)現(xiàn)。最后通過機(jī)電工程機(jī)械設(shè)計(jì)自動(dòng)化設(shè)備系統(tǒng)解決了這一問題。東北大學(xué)已進(jìn)入甲級(jí)學(xué)科，包括材料科學(xué)、計(jì)算機(jī)科學(xué)與技術(shù)、軟件工程和控制科學(xué)。因此，從總體上看，東北大學(xué)在人工智能方向上具有較強(qiáng)的實(shí)力。

人工智能專業(yè)是智能科學(xué)與技術(shù)的一個(gè)分支，神經(jīng)網(wǎng)絡(luò)只是目前智能領(lǐng)域機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用技術(shù)的典型模式。未來的發(fā)展將會(huì)有更多的模式和技術(shù)。因此，首先，神經(jīng)網(wǎng)絡(luò)不是一個(gè)專業(yè)方向，其次，在相關(guān)課程中學(xué)習(xí)并不比是否包含在內(nèi)更難，將來一定會(huì)發(fā)生。

統(tǒng)計(jì)和概率論應(yīng)該是包括人工智能在內(nèi)的智能科學(xué)學(xué)習(xí)和發(fā)展最具影響力的基礎(chǔ)學(xué)科，因?yàn)槟壳叭斯ぶ悄艿闹饕较蚴菣C(jī)器學(xué)習(xí)和基于人類經(jīng)驗(yàn)大數(shù)據(jù)的深度學(xué)習(xí)。

是否存在通用的神經(jīng)網(wǎng)絡(luò)模型，可以處理圖像，語(yǔ)音以及NLP？

對(duì)于目前的深度學(xué)習(xí)模型，雖然深度學(xué)習(xí)的目標(biāo)之一是設(shè)計(jì)能夠處理各種任務(wù)的算法，但是深度學(xué)習(xí)的應(yīng)用還需要一定的專業(yè)化，目前還沒有通用的神經(jīng)網(wǎng)絡(luò)處理模型。然而，每一種模式也在相互學(xué)習(xí)、相互融合、共同提高。例如，一些創(chuàng)新可以同時(shí)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，如批量標(biāo)準(zhǔn)化和關(guān)注度。一般模型需要在將來提出。

圖像和視頻處理，計(jì)算機(jī)視覺，最流行的是CNN，卷積神經(jīng)網(wǎng)絡(luò)，它的變形和發(fā)展，CNN適合處理空間數(shù)據(jù)，廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點(diǎn)。將上述模型應(yīng)用于圖像分類識(shí)別中。在圖像分割、目標(biāo)檢測(cè)等方面，提出了更有針對(duì)性的模型，并得到了廣泛的應(yīng)用。

語(yǔ)音處理，2012年之前，最先進(jìn)的語(yǔ)音識(shí)別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結(jié)合。目前最流行的是深度學(xué)習(xí)RNN遞歸神經(jīng)網(wǎng)絡(luò)，其長(zhǎng)、短期記憶網(wǎng)絡(luò)LSTM、Gru、雙向RNN、層次RNN等。

除了傳統(tǒng)的自然語(yǔ)言處理方法外，目前的自然語(yǔ)言處理深度學(xué)習(xí)模型也經(jīng)歷了幾個(gè)發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務(wù)場(chǎng)景有不同的模型和策略來解決一些問題。