2019/7/6 應邀分享 AIOT應用團隊 主辦 地點：臺北科技大學

1. +
漫談人工智慧
～從視覺出發 Jason Tsai (蔡志順) 2019.07.06
Deep01（愛因斯坦人工智能）

2. 神經科學
(Neuroscience)

3. +
神經元 (neuron) 示意圖

4. +
神經元間的溝通之處
突觸 (synapse)

5. +
跳耀式傳導 (saltatory conduction)

6. +
動作電位 (action potential)

7. +
皮質柱 (cortical column)
相同的接受域 (receptive field)

8. +
階層稀疏分散表徵 Hierarchical Sparse
Distributed Representations

9. +
視覺皮質傳導路徑

10. +
聯結體 (connectome)
神經系統連接線路圖

11. 神經網路
(Neural Networks)

12. +
海柏學習法則
(Hebb’s learning rule)
突觸前神經元向突觸後神經元持續重複的刺激，
使得神經元之間的突觸強度增加。

13. +
第一／二代人工神經元模型

14. +
激活函數 (activation function)

15. +
感知機 (perceptron) 模型

16. +
多層感知機
(multi-layer perceptron)

17. +
卷積神經網路
(convolutional neural networks)

18. +
卷積神經網路
ConvNet / DeconvNet

19. +
卷積神經網路
Convolutional layer
 Depth (D): filter (或稱 kernel) 組數
 Stride (S): 每一次 kernel 移動的間隔
 Zero padding (P): 每一輸入邊緣填 0 的
寬度
若以 W 表示輸入寬度大小，F 表示
filter 寬度大小， 卷積運算後 feature
map 的寬度大小公式為：
D 個 [(W - F + 2P) / S] + 1

20. +
卷積神經網路
Convolutional layer

21. +
卷積神經網路
Pooling layer

22. +
卷積神經網路 Local receptive field,
Sparse connectivity

23. +
卷積神經網路
Weight sharing
 此處 w1 = w4 = w7, w2 = w5 = w8, w3 = w6 = w9
 具有 translational invariance 的特性

24. +
擴張卷積
Dilated convolution

25. +
可變形卷積
Deformable convolution

26. +
典型卷積與可變形卷積

27. +
Deep residual networks (ResNet)
Residual block: y = F(x)+x

28. +
ResNet in recurrent form

29. +
DenseNet

30. +
第三代人工神經元模型
Spiking Neural Networks (脈衝神經網
路)
SDTP (spike-timing-dependent plasticity)

31. +
神經型態晶片
Neuromorphic chip

32. 應用：人臉辨識

33. +
人臉辨識
Face recognition
 人臉檢測 (Face Detection)
 人臉表徵 (Face
Representation)
 人臉識別 (Face
Identification)
 人臉驗證 (Face Verification)
 表情分析 (Expression

34. +
靈長類 (primate) 人臉辨識

35. +
形狀 (shape)＋外觀＝臉孔

36. +
形狀 (shape)＋外觀＝臉孔

37. +
形狀＋外觀 (appearance)＝臉孔

38. +
形狀＋外觀 (appearance)＝臉孔

39. +
深度學習 (deep learning) 人臉辨識

40. +
深度學習人臉辨識

41. +
人工智慧大未來
Q & A