这篇文章介绍了 KPConv：用于点云的灵活可变形卷积。KPConv 的灵感来自图像卷积，但不是使用具有固定位置的离散图像核，而是使用一组连续的核点来定义卷积区域。KPConv 可用作深度 3D 神经网络架构的基本构建块，该架构可以使用整个点云进行分类和分割任务。

技术背景

在卷积神经网络（CNN）的深度学习领域中，1D、2D和3D卷积是非常重要的概念。不同维度的卷积在不同类型的数据处理和任务中有着各自的应用场景，理解它们的区别和特点对于构建有效的CNN模型至关重要。

摘 要： 传统的神经网络表情识别系统由特征提取和神经网络分类器组成，利用人的经验来获取模式特征，很容易丢失表征表情特征的细节信息。提出一种基于卷积神经网络的识别方法，避免了对图像进行复杂的特征提取，直接把图像数据作为输入。通过在Cohn-Kanade表情库上的实验结果表明，该方法能够取得很好的表情分类效果。

0 引言

表情识别已成为人类交流甚至人机交互过程的一个重要研究课题。关于面部表情识别的研究能帮助人们建立更加智能化和交互性良好的计算机系统。1971年，EKMAN P和FRIESEN W V研究了6种基本表情：高兴、悲伤、惊讶、恐惧、愤怒和厌恶，并系统地建立了上千幅不同的人脸表情图像库[1]。由于人机交互研究的不断深入和巨大的应用前景，表情识别一直是模式识别和人工智能领域的一个研究热点。

如果说图神经网络是AI未来的研究重点，那图卷积神经网络必定是重点中的重点。这是为什么呢？一切还要从卷积神经网络说起。

卷积神经网络想必大家并不陌生，自2012年起，AlexNet[1]这个由GPU计算集群支持的复杂卷积神经网络多次成为ImageNet大规模视觉识别竞赛（ImageNet Large Scale Visual Recognition Challenge, ILSVRC）的优胜算法后，包括之后ZFNet [2]、VGGNet[3]、GoogLeNet [4]和ResNet [5]的卓越表现，使得卷积神经网路越来越火。

有很多卷积神经网络文章解释了 CNN 是什么以及它的用途是什么，而本文将用 C++ 编写一个 CNN 和一个名为 mlpack 的库来对MNIST数据集进行分类。

你们可能会问为什么 C++ 在 Python 中很容易使用大量库，你们现在可能已经看到一些特斯拉汽车，这些类型的系统需要从它们的环境中进行实时推理，而 Python 非常适合原型设计，但不提供实时当使用它部署如此庞大的模型时会更新。

往期的文章中，我们分享了CNN卷积神经网络的数字识别，字母识别，本期我们分享一下如何使用CNN卷积神经网络进行多数字的识别，毕竟我们使用 过程中，主要是用来多数字识别的，比如手机号码识别，身份证识别，发票识别等等

背景

图卷积GCN的概念最早在ICLR2017中的一篇论文内提出，该论文名为《Semi-Supervised Classification with Graph Convolutional Networks

安翰科技将人工智能技术应用于小肠疾病的临床识别，取得突破性进展。该研究成果文章Gastroenterologist-Level Identification of Small-Bowel Diseases and Normal Variants by Capsule Endoscopy Using a Deep-Learning Model（译名《使用深度学习模型的胶囊内窥镜对小肠疾病和黏膜正常改变的胃肠病专家级临床识别》）（1）于2019年10月作为封面文章在国际消化领域顶级期刊Gastroenterology（译名《胃肠病学》，影响因子19.233，RANK=1）上发表，标志着消化内科又添新助手，有望极大程度地改变小肠疾病的诊断模式，为临床医生与患者带来福音。