携手创造，共同生长！这是我参与「日新方案 8 月更文应战」的第29天，点击检查活动概况

ShowMeAI日报系列全新晋级！掩盖AI人工智能 东西&结构 | 项目&代码 | 博文&共享 | 数据&资源 | 研讨&论文 等方向。点击检查 历史文章列表，在大众号内订阅论题 #ShowMeAI资讯日报，可接纳每日最新推送。点击 专题合辑&电子月刊 快速阅读各专题全集。

推特前安全总监举报：Twitter在撒谎！内部管理混乱，机器人账号远不止5%

www.washingtonpost.com/technology/…

Peiter Zatko 是一位广受推重的黑客，江湖名号 Mudge，2020 年 11 月入职 Twitter 担任安全主管，2022 年 1 月被解雇。官方给出的解雇理由是『领导不力和体现不佳』，但是 Zatko 宣称这是公司对他的报复，『由于他回绝对公司的漏洞保持沉默』。

Zatko 上个月向美国证券交易委员会 (SEC) 提起诉讼，合计 200 多页，指控 Twitter 诈骗股东并违背与联邦交易委员会 (FTC) 达到的某些安全标准的维护协议。CNN和华盛顿邮23日以删省的方式宣布了这份投诉，共 84 页。

投诉将 Twitter 描述为一家堕入内讧的混乱无舵的公司，一半服务器运转的是过时且易受攻击的软件，数千名员工能够广泛且缺少盯梢地访问公司内部中心软件，对垃圾邮件和机器人管控晦气等等。这个庞大且充满危险的渠道，现已无法妥善维护其 2.38 亿日常用户，包含政府机构、国家元首和其他有影响力的大众人物。

东西&结构

『Wilderness Scavenger』根据3D敞开国际 FPS 游戏的智能体学习开发渠道

github.com/inspirai/wi…

sites.google.com/view/inspir…

Wilderness Scavenger是一个根据 Inspir.AI 开发的 3D 敞开国际 FPS 游戏的智能署理学习渠道。

『AlphaStar』DeepMind 供给的练习星际II智能体的东西渠道

github.com/deepmind/al…

AlphaStar 是 DeepMind 一个软件包，供给了具渠道用于掌握『星际争霸II』的智能体。DeepMind 在这个包中供给了一些关键产品：

• ① 练习『星际争霸II』智能体（architectures/目录下）能够在在线和离线环境下运用不同的学习算法。
• ② 数据读取器、离线练习和评价脚本，用于彻底离线强化学习，在unplugged/目录下以行为克隆为代表实例。

『YOLOAir』根据 PyTorch 的一系列 YOLO 检测算法组合东西箱

github.com/iscyy/yoloa…

YOLOAir 算法库是一个根据 PyTorch 的一系列 YOLO 检测算法组合东西箱，用来组合不同模块构建不同网络，内置了 YOLOv5、YOLOv7、YOLOX、YOLOR、Transformer、Scaled_YOLOv4、YOLOv3、YOLOv4、YOLO-Facev2、TPH-YOLOv5、YOLOv5Lite、PicoDet 等模型网络结构。

YOLOAir 具备模块组件化的特色：① 帮助用户自界说快速组合Backbone、Neck、Head，② 使得网络模型多样化，③ 助力科研改善检测算法、模型改善，④ 网络排列组合，⑤ 构建强壮的网络模型。

『Uni-Core』高性能散布式PyTorch结构

github.com/dptech-corp…

Uni-Core 是为快速创立高性能的 PyTorch 模型而建立的，特别针对大型的 Transfromer 类模型，具备许多功用特色：

• 经过多GPU和多节点进行散布式练习
• 运用fp16和bf16的混合精度练习
• 高性能的交融型CUDA内核
• 模型存储检查点管理
• 友好的日志记载
• 缓冲数据加载器
• 梯度累加
• 常用的优化器和学习率调度器

『ebpf process anomaly detection』运用 eBPF 和无监督学习自编码器的进程行为反常检测

github.com/evilsocket/…

www.evilsocket.net/2022/08/15/…

ebpf-process-anomaly-detection 运用eBPF体系调用盯梢和无监督学习主动编码器的进程行为反常检测。

博文&共享

『Python Data Science Handbook』Python 数据科学电子书

英文原版：jakevdp.github.io/PythonDataS…

非官方中文翻译：github.com/wangyingsm/…

这是一本介绍数据科学和运用的书籍。内容掩盖：

• ① 数据科学家需要的核算环境：IPython和Jupyter
• ② NumPy东西库与科学核算
• ③ Pandas与数据处理
• ④ Matplotlib与数据可视化
• ⑤ Scikit-Learn与机器学习

『Pix2Seq』一种新的方针检测言语接口

ai.googleblog.com/2022/04/pix…

方针检测是一项核算机视觉使命，试图辨认和定位图画中一切感爱好的方针。但是如果想辨认一切方针的一起防止重复，复杂性就会大大进步。现有办法（如 Faster R-CNN 和 DETR）在架构和损失函数的挑选上都经过精心规划和高度定制，这也造成了两个障碍：(1) 增加了调整和练习体系不同部分的复杂性；(2)可能会降低模型的泛化能力。

这篇文章来自谷歌的 Google AI Blog，共享了一种简单而通用的办法——将方针检测转换为以观察到的像素输入为条件的言语建模使命。与现有的高度专业化和优化杰出的检测算法比较，Pix2Seq 在大规划方针检测COCO数据集上获得了有竞争力的成果，并且能够经过在更大的方针检测数据集上预练习模型来进一步进步其性能。具体见 ICLR 2022上宣布的文章『Pix2Seq: A Language Modeling Framework for Object Detection』 。

数据&资源

『Google Cloud Skills Boost』Google 为数据工程师、机器学习工程师、云工程师、云架构师、数据剖析师等供给的免费学习路线

www.cloudskillsboost.google/paths

学习路线包含20多条技能路线图，包含数据工程、机器学习、云工程、云架构、数据剖析等主题，每个主题的学习包含试验、课程、应战使命等环节。

以『Machine Learning Engineer Learning Path』为例，详细看一下其途径规划细节与内容散布。

『3D Vision with Transformers』根据Transformer的3D视觉相关论文列表

github.com/lahoud/3d-v…

研讨&论文

大众号回复关键字日报，免费获取整理好的论文合辑。

科研进展

• 2022.08.16 『视频生成』 StyleFaceV: Face Video Generation via Decomposing and Recomposing Pretrained StyleGAN3
• 2022.07.02 『机器翻译』Can Language Models Make Fun? A Case Study in Chinese Comical Crosstalk
• 2022.05.20 『方针计数』Learning to Count Anything: Reference-less Class-agnostic Counting with Weak Supervision
• 2022.08.11 『医疗印象』TotalSegmentator: robust segmentation of 104 anatomical structures in CT images

⚡ 论文：StyleFaceV: Face Video Generation via Decomposing and Recomposing Pretrained StyleGAN3

论文时刻：16 Aug 2022

范畴使命：Image Generation, Video Generation，图画生成，视频生成

论文地址：arxiv.org/abs/2208.07…

代码完成：github.com/arthur-qiu/…

论文作者：Haonan Qiu, Yuming Jiang, Hang Zhou, Wayne Wu, Ziwei Liu

论文简介：Notably, StyleFaceV is capable of generating realistic 10241024 face videos even without high-resolution training videos./值得注意的是，即便没有高分辨率的练习视频，StyleFaceV也能生成实在的10241024人脸视频。

论文摘要：实在的生成性人脸视频组成一直是核算机视觉和图形学界希望完成的使命。但是，现有的人脸视频生成办法往往会发生低质量的帧，并带有漂移的面部特征和不自然的动作。为了应对这些应战，咱们提出了一个名为StyleFaceV的原则性结构，它能发生具有生动动作的高保真身份维护的人脸视频。咱们的中心观点是对外观和姿态信息进行分化，并在StyleGAN3的潜在空间中重新组合，以发生稳定和动态的成果。具体来说，StyleGAN3为高保真面部图画的生成供给了强壮的先验，但潜空间在本质上是纠结的。经过仔细研讨其埋伏特点，咱们提出了咱们的分化和重组规划，答应面部外观和运动的分化组合。此外，一个依赖于时刻的模型建立在分化的潜在特征之上，并对能够发生实际和时刻上一致的人脸视频的合理运动序列进行采样。特别是，咱们的管道在静态图画和高质量视频数据上采用联合练习策略，具有更高的数据效率。广泛的试验表明，咱们的结构在质量和数量上都达到了最先进的人脸视频生成成果。值得注意的是，即便没有高分辨率的练习视频，StyleFaceV也能够生成实在的10241024人脸视频。

⚡ 论文：Can Language Models Make Fun? A Case Study in Chinese Comical Crosstalk

论文时刻：2 Jul 2022

范畴使命：Machine Translation, Text Generation，机器翻译，文本生成

论文地址：arxiv.org/abs/2207.00…

代码完成：github.com/anonno2/cro…

论文作者：Benyou Wang, Xiangbo Wu, Xiaokang Liu, Jianquan Li, Prayag Tiwari, Qianqian Xie

论文简介：However, the humor aspect of natural language is relatively under-investigated, especially in the age of pre-trained language models./但是，对自然言语的幽默方面的研讨相对缺乏，特别是在预先练习好的言语模型年代。

论文摘要：言语是人类沟通的主要东西，其中幽默是最具吸引力的部分之一。运用核算机发生像人类相同的自然言语，又称自然言语生成（NLG），已被广泛用于对话体系、谈天机器人、机器翻译，以及核算机辅佐创造，如构思生成、剧本写作。但是，自然言语的幽默方面的研讨相对缺乏，特别是在预练习言语模型的年代。在这项作业中，咱们旨在初步测试NLG是否能像人类相同发生幽默感。咱们建立了一个新的数据集，包含很多数字化的中国相声剧本（简称C3），这是自19世纪以来流行的中国表演艺术 “相声”。咱们对各种生成办法进行了基准测试，包含从头开始练习的Seq2seq、微调的中等规划PLM和大规划PLM（有无微调）。此外，咱们还进行了人类评价，成果显现：1）大规划的预练习在很大程度上进步了串词生成的质量；2）即便是由最好的PLM生成的脚本也与咱们的预期相去甚远，人类生成的串词质量只有65%。咱们的结论是，运用大规划的PLM能够在很大程度上改善幽默感的生成，但它依然处于起步阶段。数据和基准代码在 github.com/anonNo2/cro… 揭露供给。

⚡ 论文：Learning to Count Anything: Reference-less Class-agnostic Counting with Weak Supervision

论文时刻：20 May 2022

范畴使命：Object Counting，方针计数，物体计数

论文地址：arxiv.org/abs/2205.10…

代码完成：github.com/SinicaGroup…

论文作者：Michael Hobley, Victor Prisacariu

论文简介：While there are class-agnostic counting methods that can generalise to unseen classes, these methods require reference images to define the type of object to be counted, as well as instance annotations during training./虽然有一些与类无关的计数办法能够推行到未见过的类，但这些办法需要参阅图画来界说要计数的对象的类型，以及在练习中的实例注释。

论文摘要：物体计数是一项看似简单的使命，在实际国际中有多种运用。大多数计数办法都会集在对特定的、已知类别的实例进行计数。虽然有一些与类无关的计数办法能够推行到未见过的类，但这些办法需要参阅图画来界说要计数的对象的类型，以及在练习期间的实例注释。咱们发现，计数的中心是重复辨认使命，并表明一个具有全局布景的一般特征空间足以罗列图画中的实例，而不需要先验的物体类型。具体来说，咱们证明了自我监督的视觉transformer特征与轻量级的计数回归头相结合，在与其他类别无关的计数使命比较，无需点级监督或参阅图画就能获得有竞争力的成果。因而，咱们的办法促进了对不断改变的调集组成的计数。据咱们所知，咱们既是第一个无参阅的类盲计数办法，也是第一个弱监督的类盲计数办法。

⚡ 论文：TotalSegmentator: robust segmentation of 104 anatomical structures in CT images

论文时刻：11 Aug 2022

范畴使命：核算机视觉，医疗印象，语义切割

论文地址：arxiv.org/abs/2208.05…

代码完成：github.com/wasserth/to…

论文作者：Jakob Wasserthal, Manfred Meyer, Hanns-Christian Breit, Joshy Cyriac, Shan Yang, Martin Segeroth

论文简介：Finally, we train a segmentation algorithm on this new dataset./最终，咱们在这个新的数据集上练习一种切割算法。

论文摘要：在这项作业中，咱们专注于对（全身）CT图画中的多个解剖结构进行主动切割。许多切割算法存在于这项使命中。但是，在大多数情况下，它们存在3个问题：1.它们难以运用（代码和数据不揭露或难以运用）。2.它们不具有普遍性（通常练习数据集只包含十分干净的图画，不能反映临床惯例中的图画散布）3.算法只能切割一个解剖结构。对于更多的结构，有必要运用几种算法，这增加了建立体系所需的尽力。在这项作业中，咱们发布了一个新的数据集和切割东西包，处理了一切这三个问题。在1204张CT图画中，咱们切割了104个解剖结构（27个器官、59个骨骼、10组肌肉、8组血管），涵盖了大多数运用案例的相关类别。咱们展示了一个改善的作业流程，用于创立地上实在的切割，使这个进程加快了10倍以上。CT图画是从临床惯例中随机抽取的，因而代表了一个实际国际的数据集，能够推行到临床运用。该数据集包含了广泛的不同病症、扫描仪、序列和部位。最终，咱们在这个新的数据集上练习一个切割算法。咱们把这个算法称为TotalSegmentator，并把它作为一个预先练习好的python pip包（pip install totalsegmentator）方便地供给。运用办法很简单，TotalSegmentator -i ct.nii.gz -o seg，它对大多数CT图画都很有用。代码可在 github.com/wasserth/To… 获取，数据集可在 doi.org/10.5281/zen… 获取。

咱们是 ShowMeAI，致力于传达AI优质内容，共享行业处理方案，用常识加速每一次技能生长！点击检查 历史文章列表，在大众号内订阅论题 #ShowMeAI资讯日报，可接纳每日最新推送。点击 专题合辑&电子月刊 快速阅读各专题全集。

• 作者：韩信子@ShowMeAI
• 历史文章列表
• 专题合辑&电子月刊
• 声明：版权一切，转载请联系渠道与作者并注明出处
• 欢迎回复，拜托点赞，留言推荐中有价值的文章、东西或主张，咱们都会尽快回复哒~