- 综合排序
- 最热优先
- 最新优先
- 来自专栏PyVision
深度学习3D合成
因此，近年来许多深度学习方法被提出，可以不依赖任何 3D 传感器，从可用的 2D 数据中合成 3D 数据。在我们深入研究这些方法之前，先了解下要处理的 3D 数据的格式。 ? 与深度图像不同，点云表示保留了更多高质量的 3D 空间几何信息，而不需要任何离散化。然而，点云表示的点之间没有局部联系，导致点云具有很大的自由度和高维性，使得精确合成更加困难。 ? 基于图的卷积神经网络 正如在前一节所看到的，大多数传统的基于自动编码器的深度学习方法已经利用点云和体素数据格式来合成 3D 数据。 总结 在本文中，我们讨论了两种主要的 3D 合成方法，即卷积深度网络和基于 transformer 的深度网络。 Models from Single RGB Images (ECCV2018) [4] PolyGen: An Autoregressive Generative Model of 3D Meshes [5]
1.6K21发布于 2021-01-26 - 来自专栏AI科技评论
2019深度学习语音合成指南
本篇文章我们将讲述 2019年深度学习语音合成的一些进展，其中有多篇工作来自百度研究院或百度硅谷人工智能研究院。 翻译 | 栗 峰 编辑 | 唐 里 人工合成人类语音被称为语音合成。 在这篇文章中，我们将研究基于深度学习而进行的研究或模型框架。 在我们正式开始之前，我们需要简要概述一些特定的、传统的语音合成策略：拼接和参数化。 这两种方法代表了传统的语音合成方法。现在让我们来看看使用深度学习的新方法。 它有1到5之间的数字，其中5表示质量最好。 图5 下图显示了1-5级waveNet的语音质量 图6 Tacotron: 端到端的语音合成 文章链接：https://arxiv.org/abs/1703.10135 这篇文章的作者来自谷歌。
1.5K20发布于 2019-09-04 - 来自专栏数据派THU
【干货书】深度学习合成数据
来源：专知本文为书籍，建议阅读8分钟这是关于深度学习的合成数据的第一本书。 这是关于深度学习的合成数据的第一本书，其覆盖的广度可能使这本书成为未来几年合成数据的默认参考。 这本书包括了优化的必要的筋，尽管讨论的核心是训练深度学习模型的日益流行的工具，即合成数据。预计合成数据领域将在不久的将来经历指数增长。这本书是这一领域的全面综述。 在最简单的情况下，合成数据指的是用于训练计算机视觉模型的计算机生成图形。合成数据还有很多方面需要考虑。 此外，它还涉及了计算机视觉之外的合成数据的应用(在神经编程、生物信息学、NLP等方面)。它还调研了关于改进合成数据开发和生成它的替代方法(如GANs)的工作。 这本书介绍和回顾了机器学习各个领域合成数据的几种不同方法，最值得注意的是以下领域: 领域自适应，使合成数据更真实，和/或适应模型，以对合成数据进行训练，并为生成具有隐私保证的合成数据。
46040编辑于 2022-03-04 - 来自专栏ATYUN订阅号
2019深度学习语音合成指南（上）
在本文中，我们将研究使用深度学习编写和开发的研究和模型体系结构。 但在我们开始之前，有几个具体的，传统的语音合成策略，我们需要简要概述:连接和参数。 这两种方法代表了旧的语音合成方法。现在让我们看看使用深度学习的新方法。 它有1到5之间的数字，其中5表示质量最好。 ? 下图显示了1-5级waveNet的语音质量 ? ? Deep Voice是一个利用深度神经网络开发的文本到语音的系统. 它有五个重要的组成模块： 定位音素边界的分割模型（基于使用连接时间分类(CTC)损失函数的深度神经网络）； 字母到音素的转换模型(字素到音素是在一定规则下产生单词发音的过程)； 音素持续时间预测模型；
1.1K10发布于 2019-12-23 - 来自专栏ATYUN订阅号
2019深度学习语音合成指南（下）
编辑 | sunlei 发布 | ATYUN订阅号 前文回顾：2019深度学习语音合成指南（上） Deep Voice 3: 利用卷积序列学习将文本转换为语音 文章链接：https://arxiv.org 然后将这些声码器参数作为音频波形合成模型的输入。 ? 模型的结构由以下几个部分组成： 编码器：一种全卷积编码器，可将文本特征转换为内部学习表示。 Parallel WaveNet: 快速高保真语音合成 文章链接：https://arxiv.org/abs/1711.10433 这篇文章的作者来自谷歌。 他们引入了一个神经语音克隆系统，它可以通过学习从少量音频样本合成一个人的声音。 系统使用的两种方法是说话人自适应和说话人编码。 结论： 现在的语音合成技术发展很快，我们希望能够尽快追赶上最前沿的研究。
1.1K30发布于 2019-12-23 - 来自专栏White feathe 的博客
H5 语音合成播报功能
5、SpeechSynthesis.resume() 把SpeechSynthesis对象non-paused状态:简历如果它已经停了。 浏览器兼容性 代码附上： <! meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1"> <title>H5语音播报功能
2.2K20编辑于 2021-12-08 - 来自专栏公共互联网反网络钓鱼（APCN）
如何防范利用深度合成技术的钓鱼欺诈
深度合成技术是指基于深度学习（Deep Learning）和生成式人工智能（Generative AI）的算法，对图像、视频、音频、文本等数字内容进行生成、编辑或操纵，使其具备高度逼真性或创造性的一种技术 由于深度合成技术高度逼真的伪造能力，目前已开始被不法分子广泛应用于各类诈骗活动，加强识别和防范利用深度合成技术的钓鱼欺诈变得尤为重要。 二、多维度加强防范利用深度合成技术钓鱼深度合成技术的滥用对信息安全与财产安全构成系统性威胁，需从监管治理、企业防护、个人意识三个层面构建立体化防控体系。 加强自我防范学习：深度合成技术虽发展迅猛，但仍存在固有技术缺陷。 深度合成技术催生的新型钓鱼欺诈，本质上是技术进步与安全风险的伴生问题。
26410编辑于 2025-10-09 《算法推荐管理规定》VS《深度合成管理规定》
《深度合成规定》则是一部专门性、针对性的“特别法”。它聚焦于利用深度学习、虚拟现实等生成合成类算法制作、编辑网络信息这一特定技术领域，是对《算法推荐规定》中“生成合成类”算法的深化和细化。 《深度合成规定》规制“深度合成服务”。其核心是利用算法“生成”或“显著编辑”信息内容本身，关注内容是如何被创造和改变的。 《深度合成规定》的备案主体不仅包括深度合成服务提供者，还扩展到了为其提供技术支持的深度合成服务技术支持者。 如果您的核心业务是利用AI生成或深度编辑文本、图像、音视频等内容，则同时受到两部法规约束，且需优先满足《深度合成规定》更严格的要求。 《算法推荐管理规定》与《深度合成管理规定》共同构成了中国算法治理的“一体两翼”。
17610编辑于 2026-04-08- 来自专栏进阶高级前端工程师
深度分析React源码中的合成事件
上面分为5个函数写，主要是区分不同的事件注册逻辑，但是最后都会添加到allNativeEvents的Set数据结构中。 extractEvents$5(dispatchQueue, domEventName, targetInst, nativeEvent, nativeEventTarget, eventSystemFlags ); // 按事件派发队列执行事件派发 processDispatchQueue(dispatchQueue, eventSystemFlags);}在extractEvents$5中会进行事件合成 合成事件在合成事件中，会根据domEventName来决定使用哪种类型的合成事件。 React合成事件是什么？React合成事件是怎么实现的？React是怎么实现冒泡和捕获的？React合成事件是使用的原生事件吗？React事件系统分为哪几个部分？
1.1K10编辑于 2022-09-30 - 来自专栏进阶高级前端工程师
深度分析React源码中的合成事件2
上面分为5个函数写，主要是区分不同的事件注册逻辑，但是最后都会添加到allNativeEvents的Set数据结构中。 extractEvents$5(dispatchQueue, domEventName, targetInst, nativeEvent, nativeEventTarget, eventSystemFlags ); // 按事件派发队列执行事件派发 processDispatchQueue(dispatchQueue, eventSystemFlags);}在extractEvents$5中会进行事件合成 相关参考视频讲解：进入学习合成事件在合成事件中，会根据domEventName来决定使用哪种类型的合成事件。 React合成事件是什么？React合成事件是怎么实现的？React是怎么实现冒泡和捕获的？React合成事件是使用的原生事件吗？React事件系统分为哪几个部分？
85240编辑于 2023-01-04 - 来自专栏DrugOne
BIB重磅综述 | 深度学习下的逆合成设计
逆合成设计在合成化学中占有重要的地位，因而受到了研究人员广泛的关注。本文详细介绍了深度学习背景下逆合成设计的发展历程，包括数据集、模型及常用工具，并且提出了目前深度逆合成设计面临的挑战。 深度学习属于机器学习的一部分，可以直接从数据中理解和学习其内在规律和复杂表示。因此，应用深度学习的新尝试逐渐进入人们的视野，为化学合成研究开辟了新的范式。 2 逆合成设计的准备 化学反应数据集 无论是传统的统计方法还是深度学习算法，数据集是模型训练的关键。 近年来绝大部分逆合成深度学习模型仅使用单一标准Top-k，即指在前k条推荐建议中出现数据集中记录的标准前体的百分比。但近期研究人员们表示这种指标用来评估模型表现并不恰当。 表3 逆合成设计平台 5 总结 深度学习的最新发展为计算化学合成提供了许多机会。在这篇文章中，我们全面介绍了基于深度学习的数据驱动的逆合成设计方法的进展。
3.4K30发布于 2021-10-21 - 来自专栏未竟东方白
【Matlab】表情合成尝试（5）——68个特征点(landmarks)
上一篇【Matlab】表情合成尝试（4）——Dlib库混合编译中成功让应用了Dlib库的C++函数编译为了matlab的可用的Mex文件，又说到了Dlib库可以用来自动标定人脸的68个特征点(landmarks 搞定这部分后就使用上一篇文章一样的方法：修复项目设置，编译生成...具体参照上篇文章即可：【Matlab】表情合成尝试（4）——Dlib库混合编译 完成后再简单写个Matlab用的函数来调用这个混合编译的函数 下篇应该是写个小结简单总结一下这个表情合成的过程，然后这个小系列就算结束了吧XD
1.7K20发布于 2020-07-29 - 来自专栏公共互联网反网络钓鱼（APCN）
防范利用深度合成技术的网络钓鱼新骗局
随着深度合成技术（AIGC）的发展，“领导”通过视频会议紧急要求转账、“亲人”打来电话请求援助、“合作伙伴”发送看似正规却暗藏玄机的合同邮件等情景已不再是科幻小说中的虚构情节，而是正大规模上演的新型网络钓鱼骗局 如何防范利用深度合成技术的新型网络骗局，成为社会关注的焦点。面对日益智能化、逼真化的钓鱼诈骗攻击，提升反网络钓鱼技术能力不仅是解决问题的关键，更是构建国家反钓鱼防线的战略基石。 面对利用深度合成技术进行的精准钓鱼攻击，企业需要建立多层次防护体系。对于企业高管而言，他们往往是网络钓鱼的主要目标。因此，应采取特别措施加强对其个人信息的保护，限制公开渠道上的信息暴露。 在对抗深度合成钓鱼骗局的过程中，个人防范意识是保护自身安全的第一道也是最重要的防线。首先，用户应严格保护自身的生物特征数据（如人脸、声纹），因为它们是犯罪分子用来克隆身份、实施精准钓鱼的重要材料。 尽管深度合成技术能够产生极为真实的模拟效果，但依然存在可识别的漏洞，一旦发现细微不适感，则要注意多种核实信息。与此同时，重视权威部门的信息安全提示。
14910编辑于 2025-10-09 - 来自专栏数据结构和算法
使用Python实现深度学习模型：语音合成与语音转换
引言 语音合成和语音转换是语音处理中的重要任务，广泛应用于语音助手、语音导航、语音翻译等领域。通过使用Python和深度学习技术，我们可以构建一个简单的语音合成与语音转换系统。 所需工具 Python 3.x TensorFlow 或 PyTorch（本文以TensorFlow为例） Librosa（用于音频处理） Soundfile（用于音频读写） Tacotron 2（用于语音合成 可以使用以下命令安装： pip install tensorflow librosa soundfile 步骤二：准备数据 我们将使用LJSpeech数据集，这是一个常用的语音合成数据集。 我们将使用Tacotron 2模型来构建语音合成系统。 waveglow_model.predict(predicted_mel_spectrogram) # 可视化结果 import matplotlib.pyplot as plt plt.figure(figsize=(10, 5)
85710编辑于 2024-07-20 - 来自专栏Python深度学习
使用Python实现深度学习模型：语音合成与语音转换
引言语音合成和语音转换是语音处理中的重要任务，广泛应用于语音助手、语音导航、语音翻译等领域。通过使用Python和深度学习技术，我们可以构建一个简单的语音合成与语音转换系统。 所需工具Python 3.xTensorFlow 或 PyTorch（本文以TensorFlow为例）Librosa（用于音频处理）Soundfile（用于音频读写）Tacotron 2（用于语音合成） 可以使用以下命令安装：pip install tensorflow librosa soundfile步骤二：准备数据我们将使用LJSpeech数据集，这是一个常用的语音合成数据集。 Tacotron 2模型来构建语音合成系统。 waveglow_model.predict(predicted_mel_spectrogram)# 可视化结果import matplotlib.pyplot as pltplt.figure(figsize=(10, 5)
68510编辑于 2024-07-19 - 来自专栏大数据文摘
深度特征合成：自动化特征工程的运作机制
下面我们会介绍深度特征合成（DFS：Deep Feature Synthesis）的基本概念，这个自动化特征工程方法创建的特征能够与数据科学家自己创建的特征媲美。 理解深度特征合成 深度特征合成有三个关键概念需要理解： 1、特征源自数据集中数据点之间的关系。DFS擅长针对数据库或日志文件中常见的多表格数据集和交易数据集实施特征工程。 应用深度特征合成 我们最近写了一篇文章，内容是关于使用自动化特征工程来提高全球银行欺诈检测模型的表现，从而提高利润。在这个案例中，我们要预测交易是否属于欺诈，我们根据进行交易客户的历史行为创建了特征。 深度特征合成vs深度学习 深度学习可以对图像、文本和音频进行特征工程，但是通常需要大量样本进行训练，而DFS则针对公司使用的结构化事务和关系型数据集。 此外，深度学习通常需要大量样本来学习复杂的结构，而DFS则是基于数据集的特点来构建潜在特征的。
1.3K62发布于 2018-11-30 - 来自专栏算法和应用
量子逻辑合成中CNOT电路的最佳空间-深度交错
他们证明任何n-qubit CNOT电路都可以并行化为O（logn）深度，具有O（n2）ancillae。 然而，近期量子技术只能支持有限数量的量子比特，使得空间深度权衡成为量子电路综合的基础研究课题。 在这项工作中，我们为CNOT电路的设计建立了渐近最优的空间 - 深度权衡。 我们通过计数参数表明这个界限是紧的，并且进一步表明即使使用任意的双量子比特量子门来近似CNOT电路，深度下限仍然符合我们的结构，说明了我们的结果的稳健性。 用于O（logn） - 深度量子合成，以及Patel等人的一种。 此外，我们还提供了相关的硬度证据，用于CNOT电路在尺寸和深度方面的综合优化。
90710发布于 2019-07-18 - 来自专栏CreateAMind
多尺度合成生物集体智能概述：5万字
进化利用的将活跃亚单位结合成更大agents代理的重要介质是发育生物电，通过离子通道和间隙连接的细胞级反馈环路的前神经使用将其扩展为解剖稳态。 在人类大脑（带有电极和机器学习转换芯片）驱动辅助装置（例如，95%人类，5%机器人）与携带培养的人类脑细胞的机器人之间的连续体中，可以在哪里划定界线——考虑到任何所需百分比的组合都是可能的？ 另一个比较各种智能的重要不变量是它们都在某个空间中解决问题（见图5）。 FIGURE 5 认知代理在多样的空间中解决问题。 正如（图5所示），一个代理人的复杂程度可以通过它如何熟练和高效地导航任意搜索空间及其局部最优解来衡量一样，进化搜索过程的遍历可以通过位于基因型和表型之间的生理层内的稳态活动来减少短视。
46410编辑于 2024-04-19 - 来自专栏机器之心
教程 | 无需反向传播的深度学习：DeepMind的合成梯度
然而，对于合成梯度来说，数据的「最佳预测」由各层完成，然后基于这个预测更新权重。这个「最佳预测」被称为合成梯度。数据仅用于帮助更新每个层的「预测器」或者合成梯度生成器。 使用合成梯度 我们不关注合成梯度（Synthetic Gradients）的创建方式，仅仅是关注其使用方法。最左边的框显示了如何更新神经网络的第一层。 生成合成梯度 好的，这部分真的非常巧妙，坦白说，它的工作原理非常精妙。你如何为一个神经网络生成合成梯度？当然是使用另一个网络！ 好的，回到合成梯度。所以，现在我们知道合成梯度是由另一个神经网络训练的，该神经网络基于某一层的输出给出相应的梯度预测。 正如你所看到的，每一个合成梯度生成器实际上只使用了来自下一层的合成梯度进行训练。因此，只有最后一层实际上是在数据上训练的。其他所有层，包括，合成梯度生成器网络，均基于合成梯度训练。
1.6K100发布于 2018-05-08 - 来自专栏小洲日志录
html5 canvas线条合成的爱心动画特效
; i += deltaangle) { x = r * 16 * Math.pow(Math.sin(i), 3); y = r * (13 * Math.cos(i) - 5 y: y }); x = 10 * r * 16 * Math.pow(Math.sin(i), 3); y = 10 * r * (13 * Math.cos(i) - 5
2.8K30编辑于 2022-11-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号