機器人可以為殘疾人或老年人的日常生活提供極大幫助，比如說機器人輔助穿衣。當前的研究中通常人工的將衣服附在機器人末端執(zhí)行器上，忽略機器人識別衣服抓取點并進行抓取的過程，從而將問題簡化。
本文中我們利用深度神經(jīng)網(wǎng)絡學習衣服抓取點。深度學習通常需要大量數(shù)據(jù)，而采集真實環(huán)境數(shù)據(jù)過程極度耗費時間及人力。為解決上述問題，本文主要開展以下兩點研究：第一，我們借助仿真環(huán)境采集大量仿真數(shù)據(jù)，并輔以少量真實數(shù)據(jù)訓練神經(jīng)網(wǎng)絡；第二，本文提出一套機器人抓取衣服流程，該流程考慮了機器人末端6自由度（DOF）抓取位姿態(tài)，以及機器人與衣服間的碰撞避免問題。
基于行為序列的深度學習推薦模型搭配高性能的近似檢索算法可以實現(xiàn)既準又快的召回性能，如何利用這些豐富的反饋信息改進召回模型的性能
卡扣式裝配廣泛應用于多種產(chǎn)品類型的制造中，卡扣裝配是結構性的鎖定機制，通過一個機器學習框架將人類識別成功快速裝配的能力遷移到自主機器人裝配上。
羅晶博士和楊辰光教授團隊提出，遙操作機器人系統(tǒng)可以自然地與外界環(huán)境進行交互、編碼人機協(xié)作任務和生成任務模型，從而提升系統(tǒng)的類人化操作行為和智能化程度
專家(查紅彬,陳熙霖,盧湖川,劉燁斌,章國鋒)從計算機視覺發(fā)展歷程、現(xiàn)有研究局限性、未來研究方向以及視覺研究范式等多方面展開了深入的探討
音樂科技、音樂人工智能與計算機聽覺以數(shù)字音樂和聲音為研究對象，是聲學、心理學、信號處理、人工智能、多媒體、音樂學及各行業(yè)領域知識相結合的重要交叉學科，具有重要的學術研究和產(chǎn)業(yè)開發(fā)價值
Adam 算法便以其卓越的性能風靡深度學習領域，該算法通常與同步隨機梯度技術相結合，采用數(shù)據(jù)并行的方式在多臺機器上執(zhí)行
人體姿態(tài)估計便是計算機視覺領域現(xiàn)有的熱點問題，其主要任務是讓機器自動地檢測場景中的人“在哪里”和理解人在“干什么”
SIFT、PCA-SIFT、SURF 、ORB、 VJ 等目標檢測算法優(yōu)缺點對比及使用場合比較
深度學習模型：OverFeat、R-CNN、SPP-Net、Fast、R-CNN、Faster、R-CNN、R-FCN、Mask、R-CNN、YOLO、SSD、YOLOv2、416、DSOD300、R-SSD
大型商用時序數(shù)據(jù)壓縮的特性，提出了一種新的算法，分享用深度強化學習進行數(shù)據(jù)壓縮的研究探索
滴滴機器學習場景下的 k8s 落地實踐與二次開發(fā)的技術實踐與經(jīng)驗，包括平臺穩(wěn)定性、易用性、利用率、平臺 k8s 版本升級與二次開發(fā)等內(nèi)容
機器學習就是通過經(jīng)驗來尋找它學習的模式，而人工智能是利用經(jīng)驗來獲取知識和技能，并將這些知識應用于新的環(huán)境
