自己吹得牛逼，硬着头皮也要实现
Vicarious是和Deepmind对标的以强人工智能为目标的美国AI新兴公司。有意思的是，虽然融了上亿美元，除了工业机器人，Vicarious并没有像Deepmind的AlphaGo类似接地气的夺目产品。之前饱受争议，终于在近期公开的递归皮质网络RCN还被LeCun痛批了一回。RCN号称攻破了人类的CAPTCHA验证码自动识别，达到了神经网络300倍的数据利用率：
首先我们来看一下Yann LeCun早在2013年批评的理由： 继续阅读聊一聊Vicarious发表在Science的那篇生成视觉模型，被LeCun痛批的递归皮质网络RCN
多融合和标准化的网络是深度架构未来的可见趋势 — David 9
Inception深度网络架构已经走过4个版本，AI的空前热潮，让业内期待新网络架构的心情如同当年期待Window系统版本一样。
Inception V1的想法其实很简单：一方面我们人工地调整每层卷积窗口的尺寸（真麻烦！）另一方面，我们又想让深度网络更“深”，为什么不让同一层就有各种大小卷积可以学习？
是不是轻松多了？仅仅一层block就包含1*1卷积，3*3卷积，5*5卷积，3*3池化。
这样，网络中每一层都能学习到“稀疏”或者“不稀疏”的特征：
另外，Inception V1开创了两个变化：
1. 以前每一层线性卷积需要之后跟一个Relu激活函数或者pooling层增加非线性。而Inception V1直接通过DepthConcat在每个block后合成特征，获得非线性属性。 继续阅读#Inception深度网络家族盘点 | Inception v4 和Inception-ResNet未来走向何方 ?
计算机科学很大程度上是权衡“现实”和“理想”的方法学 — David 9
3D图像的分类与分割问题，虽然理想上可以用3D卷积构造深度网络，但事实上, 其巨大计算开销不允许我们直接使用卷积对3D云图集进行训练. 试想2D卷积(GoogleNet, ResNet, Alexnet)训练时间就已经让人捉急了, 何况样本是3D云图:
幸运的是现实再残酷, 人类总能找到暂时解决问题的方法, PointNet就是一个权宜之计：它实现端到端3D图像(点集)分类与分割:
论文不使用3D卷积, 而是用深度网络模拟通用对称函数：
输入总共n个点的无序云图点集（{x1，x2 … , xn}）, 通用函数f 输出该云图分类（汽车，书桌，飞机）。 继续阅读CVPR 2017之#CNN论文精选, PointNet：端到端3D图像(点集)分类与分割
