2017CES最值得关注的汽车亮点
一众汽车企业和零部件企业已经摩拳擦掌地备好了看家本领。
点击继续阅读
<span class="btn_new btn_focus btn_focus_noBorder_normal" data-subscribe="false" data-unsubscribe-txt='关注' data-subscribe-txt="已关注" data-subscribe-toggleclass="btn_focus_noBorder_normal btn_focus_noBorder_yet" data-subscribe-select="true" data-subscribe-userid="" data-subscribe-username="每日汽车观察" data-subscribe-issubscribed="true" 2||||||300509 data-track-param={&action&:&cheplus_follow&,&area&:&endpage&,&pmark&:1,&element&:&endpage&,&ekv&:} data-track-param-unfollow={&action&:&cheplus_unfollow&,&area&:&endpage&,&pmark&:1,&element&:&endpage&,&ekv&:}>关注2017年最热最火最值得关注微信公众号排行榜前十名
我的图书馆
2017年最热最火最值得关注微信公众号排行榜前十名
　　1、微信号：meipian8
　　亮点：每天一篇，每篇都是经典！
　　2、微信号：ershixiongha
　　亮点：各种爆笑笑话、幽默笑话、冷笑话、搞笑图片、糗事大全、搞笑视频！每天让你乐不停！
　　3、微信号：nvrendv
　　亮点：生活大大君每天分享生活妙招，经典语录，唯美图文，幽默笑话，潮流时尚等最热门的内容！
　　4、微信号：happylive-100
　　亮点：分享快乐秘诀、幸福能量、生活常识、精彩不断、你我相伴。
　　5、微信号：youliaoj
　　网罗天下新鲜事，为你的生活加点料，条条惊爆你的眼球。
　　6、微信号：wutiaojx
　　亮点：每日为您精选！告诉身边发生的热点!为您不容错过！
　　7、微信号：qiaoyunxuetang
　　亮点：囧料哥为你收集新鲜的奇闻囧料，分享各种幽默笑话、搞笑图片、糗事视频，囧料哥让你每天乐不停。
　　8、微信号：loverose3399
　　亮点：提供分享，生活、情感、爱情、趣味心理咨询、情感分析，给生活一丝感动，给人生一点感悟！
　　9、微信号：dahangzhou8
　　亮点：八爷不走寻常路，每日呈现八页精彩内容，为大爷们的生活加点料！
　　10、微信号：wjiapeng2008
　　亮点：这里聚集史上最给力的励志经典语录,生活妙招,情感文章,搞笑视频等精彩图文,有你真是太给力了！
　　11、微信号：jiqudi8
　　亮点：集趣地收集各类新鲜热门的奇闻趣事，让你每天都有快乐的陪伴、每天都有笑脸的补充。
　　12、微信号：zhangzishiba8
　　亮点：你知道或不知道的一切；都将会在这里出现；在这里你每天都可以劲爆的长姿势！
　　13、微信号：lifedv
　　亮点：生活大V是最给力的猛料聚集地，每天分享生活妙招，唯美图文，幽默笑话，潮流时尚等最热门的内容！
　　14、微信号：shdbk365
　　亮点：每天与您分享生活实用常识,趣味知识，有趣故事，生活智慧为您的生活轻松导航。
　　15、微信号：zhangjianshi8
　　亮点：你知道或不知道的一切，都将会在这里出现，每天都可以劲爆的长见识，让你的生活更精彩！
　　16、微信号：lizhizhoukan
　　亮点：搜罗全球励志故事,经典语录，分享成功学正能量,人生路上,你我相伴!
　　17、微信号：lizhigeyan8
　　亮点：每天和你们分享成功、励志经典文章和语录、每天一点正能量、提升自己，让你走向成功的路越来越近。
　　18、微信号：mmzhengnengliang
　　亮点：每天带给您正能量去面对生活,给自己正能量做好每一件事!激发自己!不断学习!更加努力!更加成功!
　　19、微信号：yingxiaofa
　　亮点：励志兵法，能激活你的生命能量和财富欲望，更能唤醒一个民族的创造热情！
　　20、微信号：mr_sangongzhu
　　亮点：你知道或不知道的，这里都会出现，每天添点见识，让你生活更精彩！
　　21、微信号：chinesemeishi
　　亮点：搜罗全国优质美食，介绍秘传烹调手法。这里是吃货们的最爱、美食朋友们舌尖上的导航仪。
　　老邓和妻子已携手走过“瓷婚”，结婚20多年了依然恩爱如初。按说，父母相处和谐的家庭，孩子也会阳光健康，或许是老邓夫妻俩恩爱过了头，二十多年如一日，始终保持热恋时的状态，以至于忽视了对女儿的关爱，让女儿陷入了“缺爱”的境地。他们更没有想到，女儿为寻求精神上的慰藉，与大自己9岁的男子网恋并闪婚。
　　老邓的女儿小邓今年23岁，自小就觉得自己在家里“无足轻重”。父母感情深厚、出双入对，经常抛下女儿长途旅行，共度二人世界。小邓感觉父母缺乏对自己的关爱，为了寻找精神寄托，便通过网络排遣寂寞。一次偶然的机会，她通过聊天软件认识了大自己9岁的王某。王某是山东人，对她嘘寒问暖，关怀备至，与她无话不谈。父母的冷落与王某的关怀形成鲜明对比，小邓渐渐对王某产生依赖。
　　二人相识3个月后，单身多年的王某提出与小邓结婚。出于和父母赌气，小邓轻率地答应了王某。就这样，她瞒着父母偷偷和王某领了结婚证。两人虽办理了婚姻登记手续，但并未举行结婚仪式，也始终未共同居住生活。由于两人婚前接触时间很短，相互之间缺乏深入了解，在结婚后便渐渐从彼此身上发现了很多缺点。父母知道女儿闪婚的消息后，感到非常震惊。在与女儿多次深入沟通后，他们认识到问题的症结所在，对忽略女儿的行为进行了深深的反省。最终，在父母声泪俱下的劝说下，小邓决定结束这段不靠谱的婚姻并开始新的生活。在结婚仅5个月时，小邓向法院起诉离婚，被法院驳回。半年后，小邓再次提起诉讼。
TA的最新馆藏
喜欢该文的人也喜欢ICLR 2017 有什么值得关注的亮点_百度知道
ICLR 2017 有什么值得关注的亮点
我有更好的答案
《民法总则》变化考点1自然人出生、死亡时间按照以下顺序认定:“出生证明记载→户籍登记或其他有效身份登记记载→其他证明”，改变了《民通意见》规定的“户籍证明记载→出生证明记载→其他证明”的顺序《民法总则》变化考点2第16条:胎儿在涉及继承、接受赠与等胎儿利益保护方面，视为具有权利能力，但其分娩时为死体的除外。该规定将对胎儿利益保护的范围从《继承法意见》第45条确立的遗产“特留份”制度扩大到“接受赠与”。《民法总则》变化考点3:自然人限制行为能力的年龄起点从《民法通则》中的10周岁改为8周岁。如果不明白为什么如此修改，不妨走访幼儿园和小朋友侃侃，就明白其合理性。《民法总则》变化考点4:监护制度（1）取消“有关组织指定前置”，有关当事人可直接向人民法院申请指定监护人。（2）增加规定“临时监护人”。（3）增加“未成年人父母遗嘱指定监护人”制度。（4）增加“意定监护”，即完全行为能力人“未雨绸缪”，与相关主体事先协商确定自己日后的监护人。（5）规定“父母、子女、配偶”的监护人资格与“抚养费、赡养费、扶养费”义务分离，即被撤销监护人资格后，应继续履行相关义务。《民法总则》变化考点4:监护制度（1）取消“有关组织指定前置”，有关当事人可直接向人民法院申请指定监护人。（2）增加规定“临时监护人”。（3）增加“未成年人父母遗嘱指定监护人”制度。（4）增加“意定监护”，即完全行为能力人“未雨绸缪”，与相关主体事先协商确定自己日后的监护人。（5）规定“父母、子女、配偶”的监护人资格与“抚养费、赡养费、扶养费”义务分离，即被撤销监护人资格后，应继续履行相关义务《民法总则》变化考点5:宣告失踪和宣告死亡（1）确立财产代管人“轻过失免责”规则。（2）被宣告死亡人死亡时间的认定:一般情形为“宣告死亡的判决作出之日”，特殊情形为“意外事件发生之日”。（3）规定撤销死亡宣告后婚姻关系自行恢复的例外情形:配偶申明不愿自行恢复。《民法总则》考点6:民事法律行为的概念去“合法性”《民法通则》将民事法律行为界定为“合法”行为，于是存在“民事行为”与“民事法律行为”之实质区分。《民法总则》果断去掉民事法律行为的“合法性”评价，即只要以意思表示为要素，能引起民事法律关系变动的行为，都属于民事法律行为。《民法总则》变化考点7限制行为能力人实施的民事法律行为效力——（1）不再区分单方行为与行为。只要行为与其行为能力相适应，在满足其他有效要件的前提下，均有效；而超出行为能力范围实施的行为，均效力待定。（2）该规定结束了旧法时代对“单方行为”与“行为”效力区别评价的局面（限制行为能力人实施的单方行为一律无效，行为或有效或效力待定）《民法总则》变化考点8:撤销权的行使期限《民法通则》中撤销权的行使期限采取一刀切的规范模式:主观标准1年。《民法总则》将其分为三种情形:（1）欺诈、显失公平——主观标准1年；（2）胁迫——胁迫行为结束之日起1年；（3）重大误解——主观标准3个月。此外，上述三种情形均受最长除斥期间5年（民事法律行为发生之日起算）的限制。摘自 houda 法 硕
杨善长老师
采纳率：94%
为您推荐：
其他类似问题
&#xe675;换一换
回答问题，赢新手礼包&#xe6b9;
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。CVPR 2017 有什么值得关注的亮点? - 知乎<strong class="NumberBoard-itemValue" title="被浏览<strong class="NumberBoard-itemValue" title="3,808分享邀请回答sites.google.com/site/zhangleuestc/incremental-oblique-random-forest2. End-to-end representation learning for the Correlation Filter
很早就放文章了 Learning feed-forward one-shot learners ，Staple作者
的工作，KCF大神
是二作了，牛大视觉组你懂的。3. Context-Aware Correlation Filter Tracking 这个组国内Tianzhu Zhang 老师做过访问学者，之前小哥
工作也很多。题外篇 King Abdullah University 沙特搞石油的很有钱。另外最近也有一篇背景建模KCF 改进工作，4. Attentional Correlation Filter Network for Adaptive Visual Tracking 也是他们之前工作SCT： Visual Tracking Using Attention-Modulated Disintegration and Integration （2016CVPR）再改进版本，无外乎加DL。（）5. Action-Decision Networks for Visual Tracking with Deep Reinforcement Learning 这个随着DRL火起来后，在目标跟踪也要刷一轮文章。有兴趣的可以看看相关工作：另外 都说“ driving for the future ”ps：三年研究生磨一剑，毕业在即从此和object tracking说再见。从读的基于深度学习的tracker（DLT）接触tracking，到转做基于KCF改进工作。有幸与上交的ChaoMa: ，浙大的YangLi： ，自动化所等优秀的学长做过一些探讨，感谢他们给过地帮助。简单地对tracking工作做个总结：一、研究tracking的一些学者Ming-Hsuan Yang：Fatih Porikli:Bohyung Han：Huchuan Lu:Haibin Ling :
Tianzhu Zhang : Jo?o F. Henriques ：Martin Danelljan： 二、读paper的地方1.计算机视觉领域内三大顶会ICCV、CVPR、ECCV、2. WACV、 BMVC、 ICIP等会议每年也有很多关于tracking的文章。3.
、 ， 文章关于object detection，classification、DL等都可以选择读，不限于目标跟踪。三、数据集和评价指标现在用的比较多的YiWu老师等人的，以及每年VOT比赛数据集。四、关于研究tracking的一点建议1. 入门篇：, 文章读懂+code，也就搞清楚discriminative类型tracker的一般框架。2. 需要的基础：图像处理（重点是各种feature）+机器学习/模式识别（常见分类器原理），当然这两部分可以现在end-to-end的深度学习解决。统计学、矩阵论、凸优化这些数学基础多多益善，属于内功了。编程语言科研还是用MATLAB多一些，c++/python也要懂。3. 交流的平台：老师建的QQ群、，valse: ， 北邮陈光老师微博爱可可-爱生活 等。14530 条评论分享收藏感谢收起ICLR 2017 有什么值得关注的亮点？ - 知乎<strong class="NumberBoard-itemValue" title="被浏览<strong class="NumberBoard-itemValue" title="8分享邀请回答openreview.net/pdf?id=S1OufnIlxWHAT DOES IT TAKE TO GENERATE NATURAL TEXTURES?PIXELCNN++: A PIXELCNN IMPLEMENTATIONTOWARDS PRINCIPLED METHODS FOR TRAINING GENERATIVE ADVERSARIAL NETWORKSFrom FAIR Leon Bottou是篇Theoretic analysis of Generative Adversarial neural network这里有两篇比较类似的Energy-based model for GAN:GENERATIVE ADVERSARIAL NETWORKS AS VARIATIONAL TRAINING OF ENERGY BASED MODELSENERGY-BASED GENERATIVE ADVERSARIAL NETWORKS之前著名ML博客inFERENce对energy-based GAN的拍砖，讨论满有意思，就算是Yann LeCun自己的paper都有人拍砖：）．2. Reinforcement learning.这是Google, DeepMind，OpenAi, 以及Berkeley的主战场，今年ICLR这方向的paper也是非常多．RL的一个子方向imitation learning挺火：UNSUPERVISED PERCEPTUAL REWARDS FOR IMITATION LEARNINGTHIRD PERSON IMITATION LEARNINGReinforcement learning应用方向也有几篇新奇的论文：EPISODIC EXPLORATION FOR DEEP DETERMINISTIC POLICIES FOR STARCRAFT MICROMANAGEMENT他们在FAIR内部组会里present的时候我还以为是全图打Starcraft，可是这工作还是在研究用Q-learning加一些heuristics优化局部战争（星际微操）．DeepMind昨天刚release news(), 跟暴雪合作在starcraft 2搞全局AI，这点让人非常期待．毕竟DeepMind专注打游戏这么多年，FAIR估计还得花一段时间才能望其项背．LEARNING TO OPTIMIZE这篇来自Jitendra Malik组，利用RL来优化优化问题（没有打错，的确俩＇优化＇），可能会对optimization那个community的人提供新思想．NEURAL ARCHITECTURE SEARCH WITH REINFORCEMENT LEARNING来自Google Brain. 利用RL来优化RNN的结构。DESIGNING NEURAL NETWORK ARCHITECTURES USING REINFORCEMENT LEARNING来自MIT media lab．利用RL来优化CNN的结构。AI Doom game: 今年九月下旬有个VizDoomAI比赛（), 有两个track, 一个是known map，一个是unknown map. 两个track的冠军队FAIR和Intel都把论文在ICLR放出来了，两篇论文对比起来看非常有意思．Doom这个游戏本身比Atari之类的游戏要难很多，游戏过程中AI robot不仅需要不停捡弹药和医疗包，避免掉血的硫酸地面，而且需要瞄准和攻击敌人．这就使得AI需要各种不同技能，如navigation, battling. 打好这种第一人称射击游戏，是通向强AI的必经之路．TRAINING AGENT FOR FIRST-PERSON SHOOTER GAME WITH ACTOR-CRITIC CURRICULUM LEARNINGYuxin Wu, Yuandong Tian田总
和Yuxin的FAIR队的这篇论文, 主要利用了deep RL里面的A3C和curriculum learning．相信田总自己会写篇专栏分析这篇论文：）LEARNING TO ACT BY PREDICTING THE FUTUREIntel这边的这篇论文跳出了＂凡是打游戏就得上reinforcement learning＂的固有框架，利用了sensory stream和measurement stream之间的相关性来训练模型，而且很精巧地利用了supevised learning的框架，但是没有explicit的supervision信号。模型本身挺简单，也容易扩展到其他应用之中。这种supervised training的方法训练收敛速度都要优于reinforcement learning。一作，Alexey Dosovitskiy，是我比较喜欢的一个研究者，他之前feature invertion相关的工作都做得蛮solid，而且据说个德国的天才小哥：22还是23岁就拿到math的phd了，然后现在是读第二个CS PhD….3. CNN的理解和分析：UNDERSTANDING INTERMEDIATE LAYERS USING LINEAR CLASSIFIER PROBESYoshua Bengio组他们利用linear classifer当做探针（probe）放在CNN的不同层，来分析CNN内部在模型训练的不同阶段的information flow和representation的变化．这点对诊断,分析和提出新的网络结构非常有帮助．IMPROVING INVARIANCE AND EQUIVARIANCE PROPERTIES OF CONVOLUTIONAL NEURAL NETWORKSInvariance和equivariance是CNN表征挺重要的能力．这篇文章提出了个loss改善这两个性质．STEERABLE CNNSMax Welling出品，必属精品．我个人是非常欣赏Max的工作（虽然我真正能读懂的没几篇．．．）．Max之前是统计物理学家，转手来搞deep learning，给这个圈子带来了很多新思路．那篇VAE的论文也是出自他之手，严谨的证明，简单的实现，堪称经典．这篇也是在做invarnace和equivariance，对比上面那篇更能看出Max扎实的理论功底．最后还有两篇分析adversarial example的也挺有意思．ADVERSARIAL EXAMPLES IN THE PHYSICAL WORLD这篇来自Google Brain和OpenAI的工作说明了打印出来的纸质图片也可以欺骗分类CNN网络．ADVERSARIAL EXAMPLES FOR GENERATIVE MODELS这篇分析了在Generative model里面也是有adversarial example的存在．还有诸多其他有意思的论文，值得大家学习．也鼓励大家多去论文下面留言，拍砖，跟作者互动，这才是Open Review的意义所在．除了美国大选，真相总是越辩越明：p39217 条评论分享收藏感谢收起