深度学习应用在哪些领域让你觉得 “我去，这也能行！”？

Pointer Networks (https://arxiv.org/pdf/1506.03134.pdf) NIPS15的论文，通过改进RNN用来解决一些传统cs问题，比如凸包，三角剖分，甚至是TSP，最神奇的地方在于这玩意效果竟然还不错，甚至比一些近似算法效果好。OI/ACM党出身的我表示三观都被毁了……

Synthesizing Dynamic Textures and Sounds by Spatial-Temporal Generative ConvNet (http://arxiv.org/pdf/1606.00972v1.pdf)，似乎是投NIPS16的，来自Ying Nian Wu和SongChun Zhu组，用CNN来合成视频纹理以及声音，效果炸裂。也许哪一天做Graphics的那帮人就可以退休回家吃饭了也说不准233。

Neural Programmer-Interpreters (https://arxiv.org/pdf/1511.06279.pdf)， ICLR16的best paper, 用LSTM来实现task-specific的自动化编程。这个应用ICLR15就有，不过这篇文章效果比之前的做法好不少：）

Learning to learn by gradient descent by gradient descent (https://arxiv.org/pdf/1606.04474v1.pdf ) DeepMind的神奇工作，光看名字就很神奇了不是么=,=.用LSTM学出来optimization algorithm……DL从此可以bootstrap了……也许几十年以后人类会思考，究竟是Optimization先出来还是DL算法先出来呢，古称：优化生深度，深度生优化问题。

编辑于 2016-06-20 20 条评论感谢收藏 • 没有帮助 • 举报 • 作者保留权利

王赟 Maigo ，哥也玩玩值乎：https://www.zhihu.com/zhi/people/723836120999161856

67 人赞同

Latent Predictor Networks for Code Generation

使用双向LSTM神经网络 + 注意力机制，根据炉石卡片的说明，生成代码。
虽然效果还达不到直接能用的程度，但这个idea本身也算是很奇崛了。

发布于 2016-06-18 7 条评论感谢收藏 • 没有帮助 • 举报 • 作者保留权利

严章熙，科研屌丝

104 人赞同

前面回答者介绍了Neural Art,，利用学习到的特征使其他的图片带上梵高画上的风格，推而广之，其实类似的将多种Style融合在一起形成新内容的Generative Model最近好像很多，打算研究一下

Image Synthesis

不同风格的图像合成

和Neural Art相似，比如这一篇文章：
Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis
http://arxiv.org/pdf/1601.04589v1.pdf
将老爷车的风格融入现代汽车中，设计出的新款型，非常有意思
建筑风格的的合成也是如此，尽管看上去有点别扭

Deep Dream

让机器做梦！

人类的做梦时，大脑中会产生随机的噪声信号，而进入梦中的随机信号可看成是一种建构、整合的过程，大脑唤醒记忆中的表象来与脑干激活所产生的信息资料相匹配，试图理解这种随机的信号。

Google的工作，去年就发表出来了，给定一幅图像（这里以一副天空的图像和一副太空的图像为例），极大化某一神经元的激活度。对于low-level的feature，也就是浅层神经元，生成的图像会最大化相应滤波器的激活度，抑制其他滤波器的激活度，重新生成的图片如下：
激活high-level的神经元，图像上就现实出了很多high-level的feature了
看上去有点鬼畜。。

这里有一个在线的网站可以玩玩 http://deepdreamgenerator.com/

2月底的时候，谷歌在美国对生成这些抽象画办了一个画展，这些画还卖到了差不多10万美金，去资助一下这些年轻的艺术家们，让他们进行创作。

音效合成

Visually Indicated Sounds
项目主页在这里：http://vis.csail.mit.edu/
大意就是根据视频内发生的敲打、摩擦等动作，合成出对应的声音，比如用木棍蹭水泥地的时候就播放出呲呲声
http://vis.csail.mit.edu/site-videos/header-vid3.mp4

视频预测

Deep Predictive Coding Networks for Video Prediction and Unsupervised Learning

用视频中前面几帧的信息来预测后面几帧，效果还挺好的，这也就可以理解我们打乒乓球的时候，明明不能计算出球的落点却能准确击球的机理了

这里能扩展的工作就很多了，貌似也有一个工作是做光流预测的

Image restoration/inpainting

参见CVPR2016的这篇文章：
Context Encoders: Feature Learning by Inpainting
http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf

直接把图片中的一块挖掉，用其余部分的信息来恢复破损的区域

还有ICML2016这篇也做了类似的工作:
Pixel Recurrent Neural Networks
http://arxiv.org/pdf/1601.06759v2.pdf

更多关于Generative Model可以参看
Generative Adversarial Nets
http://arxiv.org/pdf/1406.2661v1.pdf
对抗式的训练方法，这种网络训练了两个Model，一个生成式model，一个判别式model，联合优化，生成时model尽量学习到能表达和训练集同分布的样例，判别式model尽量去区分真实的训练样例和生成式model表达出的样例，二者对抗式的优化，最后可以使得生成式model能生成和训练结合同分布的样例，从而使得网络可以预测分布中未见的样本

以及OpenAI最新的工作，从图片集中生成图片
Generative Models

编辑于 2016-06-23 6 条评论感谢收藏 • 没有帮助 • 举报 • 作者保留权利

Charlotte ，数学系的数据挖掘民工http://www.cnblogs.com/charlotte77/

104 人赞同

看到过一个利用深度学习改变图片的艺术风格的

Github:https://github.com/fzliu/style-transfer
来自微博:http://m.weibo.cn/1402400261/3982309310926836?moduleID=feed&uicode=10000002&mid=3982316391582790&luicode=10000198&_status_id=3982309310926836&lfid=1076031837287505_-_WEIBO_SECOND_PROFILE_WEIBO&lcardid=1076031837287505_-_WEIBO_SECOND_PROFILE_WEIBO_-_3982316391582790

我想的很简单，是不是可以利用深度学习来给照片加滤镜=_=

编辑于 2016-06-18 17 条评论感谢收藏 • 没有帮助 • 举报 • 作者保留权利

杨振宇，职业赞同师

26 人赞同

编辑于 2016-06-25 8 条评论感谢收藏 • 没有帮助 • 举报 • 作者保留权利

陈留，每天要喝八千杯水！

5 人赞同

利用深度学习来检测高压电网的绝缘子破损情况，想不到吧？！文章链接：深度学习在智能电网图像识别与故障检测中的应用

发布于 2016-06-20 添加评论感谢收藏 • 没有帮助 • 举报 • 作者保留权利

fledsu ，Computer Science,PhD

2 人赞同

最近了解到一个工作是用神经网络估计蛋白质的结构

发布于 2016-06-20 2 条评论感谢收藏 • 没有帮助 • 举报 • 作者保留权利

匿名用户

45 人赞同

大家好像都很感兴趣的样子阿，有成果了(< 1%)发github.
-----------------------------------------------------------------------------------------------------------
前段时间和同学吹逼，谈到了DL可以做的图像增强。然后突发奇想，这个东西是不是可以用来做AV去码。