ShowMeAI日报系列全新升级！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。点击查看 历史文章列表，在大众号内订阅论题 #ShowMeAI资讯日报，可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。
东西&结构
『ONNX YOLOv6』方针检测
github.com/ibaiGorordo…
‘ONNX YOLOv6 Object Detection – Python scripts performing object detection using the YOLOv6 model in ONNX.’ by Ibai Gorordo
『SEART』GitHub搜索引擎
seart-ghs.si.usi.ch/
github.com/seart-group…
‘GHSearch Platform – GitHub Search Engine: Web Application used to retrieve, store and present projects from GitHub, as well as any statistics related to them.’ by SEART – SoftwarE Analytics Research Team
『Tooll 3』实时动画创建东西包
github.com/still-scene…
‘Tooll 3 – an open source software to create realtime motion graphics.’ by Still
『neuralforecast』可扩展用户友好的时刻序列神经网络猜测算法库
github.com/Nixtla/neur…
‘neuralforecast – Scalable and user friendly neural forecasting algorithms for time series data’ by Nixtla
『JupyterLab Desktop』 根据Electron的JupyterLab桌面运用
github.com/jupyterlab/…
‘JupyterLab Desktop – JupyterLab desktop application, based on Electron.’ by JupyterLab
博文&共享
『Linux』命令参阅大全
github.com/0xTRAW/Linu…
Every Linux Command I know A-zzzzz – Every Linux Command I know A-Z by 0xTRAW
数据&资源
『汇编浅显入门』教程
github.com/hackclub/so…
Some Assembly Required – An approachable introduction to assembly. by Hack Club
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。
⚡ 论文：Benchmarking and Analyzing Point Cloud Classification under Corruptions
论文标题：Benchmarking and Analyzing Point Cloud Classification under Corruptions
论文时刻：7 Feb 2022
所属范畴：点云
对应使命：Classification，Point Cloud Classification，点云分类
论文地址：arxiv.org/abs/2202.03…
代码完成：github.com/jiawei-ren/… , github.com/ldkong1205/…
论文作者：Jiawei Ren, Liang Pan, Ziwei Liu
论文简介：3D perception, especially point cloud classification, has achieved substantial progress./三维感知，尤其是点云分类，现已取得了实质性的发展。
论文摘要：3D感知，特别是点云分类，现已取得了实质性的发展。但是，在实际国际的部署中，由于场景的复杂性、传感器的不精确性和处理的不精确性，点云的损坏是不可避免的。在这项工作中，咱们的方针是对损坏状况下的点云分类进行严厉的基准测验和剖析。为了进行系统的查询，咱们首先供给了一个常见的三维损坏的分类法，并确定了原子损坏的状况。然后，咱们对各种有代表性的点云模型进行了综合评价，以了解其鲁棒性和通用性。咱们的基准成果显示，尽管点云分类功能跟着时刻的推移而进步，但最先进的办法正处于不太稳健的边缘。根据所取得的观察，咱们提出了几个有用的技能来进步点云分类器的鲁棒性。咱们希望咱们全面的基准、深入的剖析和提出的技能能够激起未来在鲁棒性三维感知方面的研讨。
⚡ 论文：Data-Driven Denoising of Accelerometer Signals
论文标题：Data-Driven Denoising of Accelerometer Signals
论文时刻：13 Jun 2022
所属范畴：计算机视觉
对应使命：Denoising，降噪
论文地址：arxiv.org/abs/2206.05…
代码完成：github.com/ansfl/MEMS-…
论文作者：Daniel Engelsman, Itzik Klein
论文简介：Modern navigation solutions are largely dependent on the performances of the standalone inertial sensors, especially at times when no external sources are available./现代导航处理方案在很大程度上取决于独立惯性传感器的功能，尤其是在没有外部资源的时候。
论文摘要：现代导航处理方案在很大程度上取决于独立惯性传感器的功能，尤其是在没有外部资源可用的时候。在这些中止期间，惯性导航处理方案很或许会由于东西性噪声源而跟着时刻的推移而退化，特别是在运用消费性低成本惯性传感器时。传统上，根据模型的估量算法被用来下降噪音水平和增强有意义的信息，然后直接改进导航处理方案。但是，由于传感器的功能在制作质量、工艺噪声建模和校准精度方面存在差异，保证它们的最优性往往被证明是具有挑战性的。在文献中，大多数惯性去噪模型都是根据模型的，而最近有几个数据驱动的办法被主张首要用于陀螺仪丈量去噪。由于加快计轴上的未知重力投影，加快计去噪使命的数据驱动办法更具挑战性。为了添补这一空白，咱们提出了几种根据学习的办法，并将它们的功能与闻名的去噪算法进行了比较，在朴实的去噪方面，其次是静止的粗略排列程序。根据在现场试验中取得的基准成果，咱们标明。(i) 根据学习的模型比传统的信号处理滤波功能更好；(ii) 非参数kNN算法优于本研讨中考察的所有最先进的深度学习模型；(iii) 去噪关于朴实的惯性信号重建是有成效的，但关于导航相关的使命更是如此，由于两种误差都被证明能够减少到一个数量级。
⚡ 论文：High-Resolution Virtual Try-On with Misalignment and Occlusion-Handled Conditions
论文标题：High-Resolution Virtual Try-On with Misalignment and Occlusion-Handled Conditions
论文时刻：28 Jun 2022
所属范畴：计算机视觉
对应使命：穿戴设备
论文地址：arxiv.org/abs/2206.14…
代码完成：github.com/sangyun884/…
论文作者：Sangyun Lee, Gyojung Gu, Sunghyun Park, Seunghwan Choi, Jaegul Choo
论文简介：Image-based virtual try-on aims to synthesize an image of a person wearing a given clothing item./根据图画的虚拟试穿旨在合成一个穿戴特定服装的人的图画。
论文摘要：根据图画的虚拟试穿的目的是合成一个穿戴给定服装的人的图画。为了处理这个问题，现有的办法在将衣服与人交融之前，先对衣服进行歪曲以习惯人的身体，并生成穿戴该衣服的人的切割图。但是，当翘曲和切割生成阶段在没有信息交流的状况下独自操作时，翘曲的衣服和切割图之间会发生错位，然后导致最终图画中呈现人工痕迹。信息断开还导致在被身体部位遮挡的衣服区域附近发生过度的歪曲，即所谓的像素挤压伪影。为了处理这些问题，咱们提出了一种新式的试穿条件生成器，作为两个阶段（即翘曲和切割生成阶段）的一致模块。条件生成器中新提出的特征交融块完成了信息交换，并且条件生成器不会发生任何错位或像素挤压的伪影。咱们还引入了判别器处理，过滤掉不正确的切割图猜测，保证了虚拟试戴结构的功能。在高分辨率数据集上的试验标明，咱们的模型成功地处理了错位和遮挡问题，并大大超过了基线的功能。代码可在 github.com/sangyun884/…
⚡ 论文：Deepchecks: A Library for Testing and Validating Machine Learning Models and Data
论文标题：Deepchecks: A Library for Testing and Validating Machine Learning Models and Data
论文时刻：16 Mar 2022
所属范畴：机器学习
论文地址：arxiv.org/abs/2203.08…
代码完成：github.com/deepchecks/…
论文作者：Shir Chorev, Philip Tannor, Dan Ben Israel, Noam Bressler, Itay Gabbay, Nir Hutnik, Jonatan Liberman, Matan Perlmutter, Yurii Romanyshyn, Lior Rokach
论文简介：This paper presents Deepchecks, a Python library for comprehensively validating machine learning models and data./本文介绍了Deepchecks，一个用于全面验证机器学习模型和数据的Python库。
论文摘要：本文介绍了Deepchecks，一个用于全面验证机器学习模型和数据的Python库。咱们的方针是供给一个易于运用的库，其中包括许多与各种类型的问题有关的查看，如模型猜测功能、数据完整性、数据散布不匹配，等等。该软件包在GNU Affero通用公共许可证（AGPL）下发布，并依赖于科学Python生态系统的中心库：scikit-learn、PyTorch、NumPy、pandas和SciPy。源代码、文档、例子和很多的用户攻略能够在 github.com/deepchecks/… 和 docs.deepchecks.com/ 上找到。
⚡ 论文：CONVIQT: Contrastive Video Quality Estimator
论文标题：CONVIQT: Contrastive Video Quality Estimator
论文时刻：29 Jun 2022
所属范畴：计算机视觉
对应使命：Self-Supervised Learning，Video Quality Assessment，Visual Question Answering，自监督学习，视频质量评价，视觉问答
论文地址：arxiv.org/abs/2206.14…
代码完成：github.com/pavancm/con…
论文作者：Pavan C. Madhusudana, Neil Birkbeck, Yilin Wang, Balu Adsumilli, Alan C. Bovik
论文简介：Perceptual video quality assessment (VQA) is an integral component of many streaming and video sharing platforms./感知性视频质量评价（VQA）是许多流媒体和视频共享渠道的一个组成部分。
论文摘要：感知视频质量评价（VQA）是许多流媒体和视频共享渠道的一个组成部分。在这里，咱们考虑了以自监督的办法学习感知相关的视频质量标明的问题。失真类型的辨认和退化程度的确定被作为一项辅助使命来练习深度学习模型，该模型包括一个提取空间特征的深度卷积神经网络（CNN）以及一个捕捉时刻信息的循环单元。该模型运用比照性损失进行练习，因而咱们把这个练习结构和发生的模型称为CONtrastive VIdeo Quality EstimaTor（CONVIQT）。在测验过程中，练习好的模型的权重被冻结，一个线性回归器将学到的特征映射到无参阅（NR）环境下的质量分数。咱们经过剖析模型猜测和地上真实质量评分之间的相关性，在多个VQA数据库上对所提出的模型进行了全面评价，与最先进的NR-VQA模型比较，取得了具有竞争力的功能，尽管它没有在这些数据库上进行练习。咱们的消融试验标明，所学到的表征是高度稳健的，并且在合成和实际的歪曲中具有杰出的概括性。咱们的成果标明，运用自监督学习能够取得具有感知才能的令人信服的表征。这项工作中运用的完成办法已在 github.com/pavancm/con… 发布。
⚡ 论文：ProGen2: Exploring the Boundaries of Protein Language Models
论文标题：ProGen2: Exploring the Boundaries of Protein Language Models
论文时刻：27 Jun 2022
所属范畴：医学
论文地址：arxiv.org/abs/2206.13…
代码完成：github.com/salesforce/…
论文作者：Erik Nijkamp, Jeffrey Ruffolo, Eli N. Weinstein, Nikhil Naik, Ali Madani
论文简介：Attention-based models trained on protein sequences have demonstrated incredible success at classification and generation tasks relevant for artificial intelligence-driven protein design./在蛋白质序列上练习的根据注意力的模型在与人工智能驱动的蛋白质规划有关的分类和生成使命中体现出令人难以置信的成功。
论文摘要：在蛋白质序列上练习的根据注意力的模型在与人工智能驱动的蛋白质规划有关的分类和生成使命中体现出了令人难以置信的成功。但是，咱们对非常大规划的模型和数据如何在有用的蛋白质模型开发中发挥作用缺少满足的了解。咱们介绍了一套蛋白质语言模型，命名为ProGen2，该模型被扩展到64亿个参数，并在不同的序列数据集上进行练习，这些数据集来自基因组、元基因组和免疫剧目数据库的10多亿个蛋白质。ProGen2模型在捕捉观察到的进化序列的散布、生成新的可行序列和猜测蛋白质的习惯性方面显示出最先进的功能，而不需要额外的微调。跟着大的模型规划和蛋白质序列的原始数量持续变得愈加广泛，咱们的成果标明，需要越来越注重供给给蛋白质序列模型的数据散布。咱们将ProGen2模型和代码发布在 github.com/salesforce/…
⚡ 论文：Denoised MDPs: Learning World Models Better Than the World Itself
论文标题：Denoised MDPs: Learning World Models Better Than the World Itself
论文时刻：30 Jun 2022
所属范畴：机器学习
对应使命：Representation Learning，表征学习
论文地址：arxiv.org/abs/2206.15…
代码完成：github.com/facebookres…
论文作者：Tongzhou Wang, Simon S. Du, Antonio Torralba, Phillip Isola, Amy Zhang, Yuandong Tian
论文简介：The ability to separate signal from noise, and reason with clean abstractions, is critical to intelligence./分离信号和噪音的才能，以及用干净的抽象概念进行推理的才能，对智能至关重要。
论文摘要： 将信号与噪音分开，并以干净的抽象概念进行推理的才能，对智能来说至关重要。有了这种才能，人类能够在不考虑所有或许的搅扰要素的状况下有用地履行实际国际的使命。人工署理如何做到这一点？什么样的信息能够被署理人安全地作为噪音丢弃？在这项工作中，咱们根据可控性和与奖赏的关系将野外的信息分为四种类型，并将有用的信息表述为既可控又与奖赏相关的信息。这个结构澄清了先前关于强化学习（RL）中的表征学习的各种信息，并导致咱们提出了学习去噪MDP的办法，该办法明确地排除了某些噪音搅扰要素。在DeepMind操控套件和RoboDesk的变体上进行的广泛试验标明，咱们的去噪国际模型在政策优化操控使命以及联合方位回归的非操控使命中，比独自运用原始观测值和先前的工作有更高的功能。
⚡ 论文：PRANC: Pseudo RAndom Networks for Compacting deep models
论文标题：PRANC: Pseudo RAndom Networks for Compacting deep models
论文时刻：16 Jun 2022
论文地址：arxiv.org/abs/2206.08…
代码完成：github.com/ucdvision/p… , github.com/Guang000/Aw…
论文作者：Parsa Nooralinejad, Ali Abbasi, Soheil Kolouri, Hamed Pirsiavash
论文简介：PRANC enables 1) efficient communication of models between agents, 2) efficient model storage, and 3) accelerated inference by generating layer-wise weights on the fly./PRANC完成了1）署理之间模型的高效通讯，2）高效的模型存储，以及3）经过实时生成层级权重加快推理。
论文摘要：在各种散布式机器学习环境中，通讯成为一个瓶颈。在这里，咱们提出了一个新的练习结构，保证了署理之间模型的高效通讯。简而言之，咱们将网络练习成许多伪随机生成的冻结模型的线性组合。关于通讯，源署理只传输用于生成伪随机网络的种子标量以及学到的线性混合系数。咱们的办法被称为PRANC，学习的参数简直比深度模型少100倍，在一些数据集和架构上依然体现杰出。PRANC完成了1）署理之间模型的有用交流，2）有用的模型存储，以及3）经过在飞行中生成层级权重来加快推理。咱们在CIFAR-10、CIFAR-100、tinyImageNet和ImageNet-100上测验了PRANC和各种架构，如AlexNet、LeNet、ResNet18、ResNet20和ResNet56，并证明了参数数量的很多减少，一起在这些基准数据集上供给满意的功能。该代码可在 github.com/ucdvision/p… 获取。
咱们是 ShowMeAI，致力于传播AI优质内容，共享职业处理方案，用知识加快每一次技能成长！点击查看 历史文章列表，在大众号内订阅论题 #ShowMeAI资讯日报，可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。
- 作者：韩信子@ShowMeAI
- 历史文章列表
- 专题合辑&电子月刊
- 声明：版权所有，转载请联络渠道与作者并注明出处
- 欢迎回复，拜托点赞，留言引荐中有价值的文章、东西或主张，咱们都会赶快回复哒~
