携手创造，一起生长！这是我参与「日新方案 8 月更文应战」的第1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，可接收每日最新推送。点击 专题合辑&电子月刊 快速阅读各专题全集。
东西&结构
『ML Logger』面向机器学习项目的日志、服务器与可视化面板
github.com/geyang/ml_l…
ML Logger 可以在本地和长途运用相同的日志记载代码，而且具有超快的、漂亮的可视化仪表板。
『Urho3D』跨渠道 2D/3D 游戏引擎
github.com/urho3d/Urho…
urho3d.io/
Urho3D 是一个免费的、轻量级、跨渠道的2D与3D游戏引擎，用 C++ 完成。Urho3D 的诞生，受到了 OGRE 和 Horde3D 的极大启示。
『Zotero Tag』Zotero的 Tag 办理插件
github.com/windingwind…
Zotero Tag 是一个 Zotero 附加的标签办理插件，主动为新项目增加标签并在阅读后删除、支撑带标签的批处理、支撑自定义规矩进行标签办理。简单安装插件后，右键单击调集中的任何项目，就可以批量增加/删除标签啦！
『nglview』交互式检查分子结构和轨道的 Jupyter widget
github.com/nglviewer/n…
nglview 是一个 IPython / Jupyter 小插件，用于交互式地检查分子结构和轨道。
『Fairo』模块化『具身智能体 embodied agent』结构和渠道，用于构建具身智能体
github.com/facebookres…
Fairo 是由 Meta AI 研讨人员开发的一致机器人渠道，包含『Droidlet』『Polymetis』『Meta Robotics Platform』等一组项目。『Droidlet』是较早期的研讨项目，环绕根底对话、交互式学习和人机界面，快速构建执行各类实在或虚拟的使命署理。『Polymetis』是一个根据 PyTorch 的实时控制器办理器，为机器人编写 PyTorch 控制器，模仿测验并无缝传输到实时硬件。『Meta Robotics Platform』部署、发动、办理和编列异构机器人。
博文&共享
『GitHub City』根据GitHub奉献图生成的GitHub城市
github.com/honzaap/Git…
机器学习 / 计算机视觉 / 计算机科学『速查卡片集』
github.com/b7leung/MLE…
作者制作了 200 多张常识卡片，包含『计算机科学』『机器学习』『计算机视觉和深度学习根底』『计算机视觉和深度学习精选专题』4个主题，用以回忆多年的 ML 研讨、课程和学习中的所有内容，并为机器学习工程师的面试做准备。作者在 2022 年拿到了谷歌、特斯拉、三星、Motional、UiPath 和 TikTok 等多家公司的Offer！如果你现已有较好的ML根底，需要体系温习和查漏补缺，那引荐学起来呀！
数据&资源
LeetBook『图解算法数据结构』配套代码 &『剑指 Offer』Python / Java / C++ 解题代码
github.com/krahets/Lee…
LeetBook《图解算法数据结构》面向算法初学者、互联网求职者规划，主要内容包含『剑指 Offer 图文题解』『数据结构与算法专栏』两部分内容，为互联网算法/软件求职者、学习者等供给一份比较完整的学习和打卡资料。
『Python3 面试』准备参考
github.com/peterlamar/…
作者在自学 Python3 进行各种面试和风趣的 leetcoding 时，构建了这个备忘单。这份小抄不求全而是抓要点，是一个 Python 高频问题子集。
『Awesome Face Generation』人脸生成相关文献资源列表
github.com/zhangzjn/aw…
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
- 2022.07.13 『计算机视觉』 Open High-Resolution Satellite Imagery: The WorldStrat Dataset — With Application to Super-Resolution
- 2022.07.15 『机器学习』 Registration based Few-Shot Anomaly Detection
- 2022.07.17 『医疗』 MetaFed: Federated Learning among Federations with Cyclic Knowledge Distillation for Personalized Healthcare
- 2021.12.18 『自然语言处理』 The Web Is Your Oyster — Knowledge-Intensive NLP against a Very Large Web Corpus
⚡ 论文：Open High-Resolution Satellite Imagery: The WorldStrat Dataset — With Application to Super-Resolution
论文标题：Open High-Resolution Satellite Imagery: The WorldStrat Dataset — With Application to Super-Resolution
论文时刻：13 Jul 2022
所属范畴：计算机视觉
对应使命：Humanitarian，Multi-Frame Super-Resolution，Super-Resolution，多帧超分辨率，超分辨率
论文地址：arxiv.org/abs/2207.06…
代码完成：github.com/worldstrat/…
论文作者：Julien Cornebise, Ivan Oroli, Freddie Kalaitzis
论文简介：We hereby hope to foster broad-spectrum applications of ML to satellite imagery, and possibly develop from free public low-resolution Sentinel2 imagery the same power of analysis allowed by costly private high-resolution imagery./咱们在此希望促进ML在卫星图画上的广泛运用，并或许从免费的公共低分辨率Sentinel2图画中开宣布与贵重的私人高分辨率图画相同的剖析才能。
论文摘要：用卫星图画和机器学习大规划地剖析地球是一个大愿望，但它一直被难以取得的高度代表性的高分辨率图画的成本所阻挠。为了处理这个问题，咱们在此介绍WorldStrat数据集。在空客SPOT 6/7卫星高达1.5米/像素的高分辨率下，作为欧空局资助的QueryPlanet项目的一部分，咱们策划了近1万平方公里的独特地址，以确保分层代表国际各地的所有类型的土地运用：从农业到冰盖，从森林到多种城市化密度。咱们还充分了那些在ML数据集中通常代表性不足的地址：具有人道主义含义的地址、不合法采矿点和处境风险者的定居点。咱们在时刻上将每张高分辨率图画与来自免费获取的低分辨率Sentinel-2卫星的多张10米/像素的低分辨率图画进行匹配。咱们为这个数据集供给了一个开源的Python软件包，用于重建或扩展WorldStrat数据集，练习和揣度基线算法，并经过丰富的教程进行学习，这些都与盛行的EO-learn东西箱兼容。因此，咱们希望促进ML在卫星图画上的广泛运用，并或许从免费的公共低分辨率Sentinel2图画中开宣布与贵重的私人高分辨率图画所答应的相同的剖析才能。咱们经过在多帧超分辨率使命上练习和发布几个高计算功率的基线来说明这一详细观念。数据集可在zenodo.org/record/6810…
⚡ 论文：Registration based Few-Shot Anomaly Detection
论文标题：Registration based Few-Shot Anomaly Detection
论文时刻：15 Jul 2022
所属范畴：机器学习
对应使命：Anomaly Detection，Few Shot Anomaly Detection，反常检测，少样本反常检测
论文地址：arxiv.org/abs/2207.07…
代码完成：github.com/mediabrain-…
论文作者：Chaoqin Huang, Haoyan Guan, Aofan Jiang, Ya zhang, Michael Spratling, Yan-Feng Wang
论文简介：Inspired by how humans detect anomalies, i. e., comparing an image in question to normal images, we here leverage registration, an image alignment task that is inherently generalizable across categories, as the proxy task, to train a category-agnostic anomaly detection model./受人类检测反常情况的启示，即把有问题的图画与正常图画进行比较，咱们在此运用一个可跨类别通用的图画对齐使命，作为署理使命，来练习一个类别无关的反常检测模型。
论文摘要：本文考虑了少量相片的反常检测（FSAD），这是一个实用但研讨不足的反常检测（AD）环境，在练习时每个类别只供给有限数量的正常图画。到目前为止，现有的FSAD研讨遵循规范AD运用的每个类别一个模型的学习范式，而类别间的共性还没有被探究。受人类检测反常的启示，即把有问题的图画与正常的图画进行比较，咱们在这里运用一种内涵的可跨类别通用的图画对齐使命，作为署理使命，来练习一个不分类别的反常检测模型。在测验过程中，经过比较测验图画和其相应的支撑（正常）图画的注册特征来辨认反常情况。据咱们所知，这是第一种练习单一通用模型的FSAD办法，不需要针对新的类别进行重新练习或参数微调。试验结果标明，所提出的办法在MVTec和MPDD基准上的AUC比最先进的FSAD办法高出3%-8%。
⚡ 论文：MetaFed: Federated Learning among Federations with Cyclic Knowledge Distillation for Personalized Healthcare
论文标题：MetaFed: Federated Learning among Federations with Cyclic Knowledge Distillation for Personalized Healthcare
论文时刻：17 Jun 2022
所属范畴：医疗
对应使命：Federated Learning，Knowledge Distillation，联邦学习，常识蒸馏
论文地址：arxiv.org/abs/2206.08…
代码完成：github.com/microsoft/p…
论文作者：Yiqiang Chen, Wang Lu, Xin Qin, Jindong Wang, Xing Xie
论文简介：Federated learning has attracted increasing attention to building models without accessing the raw user data, especially in healthcare./联邦学习现已吸引了越来越多的注意力，在不访问原始用户数据的情况下树立模型，特别是在医疗保健方面。
论文摘要：联邦学习现已吸引了越来越多的关注，在不访问原始用户数据的情况下树立模型，特别是在医疗保健范畴。在实际运用中，因为数据的异质性和中心服务器的不信任/不存在等或许的原因，不同的联邦很少能一起作业。在本文中，咱们提出了一个名为MetaFed的新结构，以促进不同联邦之间的可信任的FL。MetaFed经过提议的循环常识蒸馏法为每个联邦取得一个没有中心服务器的个性化模型。详细来说，MetaFed将每个联邦视为一个元散布，并以循环的办法聚合每个联邦的常识。练习分为两部分：一起常识的堆集和个性化。在三个基准上的归纳试验标明，与最先进的办法比较，没有服务器的MetaFed完成了更好的准确性（例如，与PAMAP2的基线比较，准确性提高了10%以上），而且通讯成本更低。
⚡ 论文：The Web Is Your Oyster — Knowledge-Intensive NLP against a Very Large Web Corpus
论文标题：The Web Is Your Oyster — Knowledge-Intensive NLP against a Very Large Web Corpus
论文时刻：18 Dec 2021
所属范畴：自然语言处理
对应使命：Common Sense Reasoning，常识推理
论文地址：arxiv.org/abs/2112.09…
代码完成：github.com/facebookres…
论文作者：Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Dmytro Okhonko, Samuel Broscheit, Gautier Izacard, Patrick Lewis, Barlas Ouz, Edouard Grave, Wen-tau Yih, Sebastian Riedel
论文简介：In order to address increasing demands of real-world applications, the research for knowledge-intensive NLP (KI-NLP) should advance by capturing the challenges of a truly open-domain environment: web-scale knowledge, lack of structure, inconsistent quality and noise./为了处理现实国际运用中日益增长的需求，常识密布型NLP（KI-NLP）的研讨应该经过捕捉真实的敞开范畴环境的应战来推动：网络规划的常识、缺少结构、不一致的质量和噪音。
论文摘要：为了处理现实国际运用中日益增长的需求，常识密布型NLP（KI-NLP）的研讨应该经过捕捉真实的敞开范畴环境的应战来推动：网络规划的常识、缺少结构、不一致的质量和噪音。为此，咱们提出了一个评估现有常识密布型使命的新设置，其中咱们将布景语料库概括为一个通用的网络快照。咱们研讨了一系列依赖常识的NLP使命–无论是事实还是常识，并要求体系运用CCNet的一个子集–Sphere语料库–作为常识源。与维基百科（KI-NLP中常见的布景语料库）比较，Sphere的规划要大得多，能更好地反映网络上常识的悉数多样性。尽管在掩盖面上存在潜在的距离、规划上的应战、缺少结构和较低的质量，咱们发现从Sphere中检索可以使一个先进的体系在一些使命上与根据维基百科的模型相匹配，甚至超过后者。咱们还观察到，虽然密布索引可以在维基百科上胜过稀少的BM25基线，但在Sphere上还不可。为了促进进一步的研讨，并尽量减少社区对专有的黑盒搜索引擎的依赖，咱们共享了咱们的指数、评估目标和根底设施。
咱们是 ShowMeAI，致力于传播AI优质内容，共享职业处理方案，用常识加快每一次技术生长！点击检查 历史文章列表，在大众号内订阅论题 #ShowMeAI资讯日报，可接收每日最新推送。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，咱们都会尽快回复哒~
