与深度神经网络相比，人类的视觉拥有更强的泛化能力，所以能够胜任各项视觉任务。结合人类视觉系统“通过观察结构信息获得感知能力”的特点，微软亚洲研究院的研究员们提出了一种新的深度估计方法，能够赋予神经网络强大的深度估计的泛化能力。目前，相关工作的论文已被 CVPR 2021 收录。
发布时间：2021-06-03 类型：深度文章
与深度神经网络相比，人类的视觉拥有更强的泛化能力，所以能够胜任各项视觉任务。结合人类视觉系统“通过观察结构信息获得感知能力”的特点，微软亚洲研究院的研究员们提出了一种新的深度估计方法，能够赋予神经网络强大的深度估计的泛化能力。目前，相关工作的论文已被 CVPR 2021 收录。
发布时间：2021-06-03 类型：深度文章
ICSE 2021：微软亚洲研究院精选论文，洞察软件工程前沿研究
作为软件工程领域的顶级会议，ICSE (International Conference on Software Engineering) 今年共接收了138篇论文，录取率为22.44%。微软亚洲研究院有多篇论文被收录，今天为大家介绍其中的4篇，研究主题包括：故障分析、逆向工程、配置空间、云计算系统、黑盒后门攻击、深度学习等等。
发布时间：2021-05-25 类型：深度文章
IJCAI 2021 | 系统调研168篇文献，领域泛化首篇综述问世
近年来，迁移学习中的领域泛化正引起越来越多的关注，其在众多领域都得到了广泛应用。在 IJCAI 2021 上，微软亚洲研究院研究员王晋东发表了该领域的第一篇综述论文，梳理总结了领域泛化方向的发展现状与未来发展方向。
发布时间：2021-05-11 类型：深度文章
ICLR 2021 | 协同调制生成对抗网络，轻松帮你实现任意大区域图像填充
图像填充是深度学习领域内的一个热点任务。尽管现有方法对于小规模、稀疏区域的填充可以取得不错的效果，但对于大规模的缺失区域始终无能为力。为解决这一问题，微软亚洲研究院提出了协同调制生成式对抗网络——一种通用的方法，跨越了条件与无条件图像生成领域之间的鸿沟。这一方法不但能够高质量、多样地填充图像任意规模的缺失区域，同时也能被应用于更广泛的图像转换任务。此外，考虑到图像填充领域内缺乏良好的指标，研究员们还提出了配对/无配对感知器辨别分数（P-IDS/U-IDS）以更加鲁棒、直观、合理地衡量模型性能。该相关工作已被 ICLR 2021 接受为 Spotlight Presentation。
发布时间：2021-04-28 类型：深度文章
机器学习领域的全球顶会 ICLR 2021 将于5月3日至7日在线上举行。今年的 ICLR 会议一共接收了860篇论文，接受率接近29%。其中，微软亚洲研究院有多篇论文入选，今天我们精选了5篇为大家进行介绍。这5个工作的研究主题关键词包括语音合成、代码智能、自监督、Transformer、复杂决策、预训练、分类任务......
发布时间：2021-04-27 类型：深度文章
MLSys 2021 | “进击”的神经网络行为分析，为设计和性能架起了一座桥梁
编者按：MLSys 大会全称为“Conference on Machine Learning and Systems”，由 Jeff Dean、Michael Jordan 和 Yann LeCun 等计算机系统和人工智能领域的全球顶尖科学家于2019年发起。2021年的 MLSys 大会共收到221篇投稿，52篇被录用，其中微软有四篇入选。本文将为大家介绍来自微软亚洲研究院的一项工作：通过分析深度学习算法设计空间在移动端侧推理平台的行为特性，以设计针对不同平台的高效深度学习模型。
发布时间：2021-04-08 类型：深度文章
