持续创造，加快成长！这是我参与「日新方案 10 月更文挑战」的第4天，点击查看活动详情

日报合辑 | 电子月刊 | 大众号下载材料 | @韩信子

Google Cloud 推出医学成像套件，使根据人工智能的确诊更简单完结

cloud.google.com/medical-ima…

Google Cloud 近日推出了新的人工智能医学成像套件（Medical Imaging Suite），使用人工智能算法扫描医学图画，供给更快、更精确的确诊成果。这能缓解许多医院放射科医师和其他医护的巨大作业量，进步运转功率吧，一起也能改善医疗服务水平和患者的护理成果。

Medical Imaging Suite 的组件包含：Imaging Storage、Imaging Lab、Imaging Datasets & Dashboards、Imaging AI Pipelines。Google表明，医学成像套件旨在处理人工智能和机器学习模型开发时面临的常见痛点。

医学影像是医院用于确诊患者的最要害工具之一，每年稀有十亿张图画被临床医师用来辅佐确诊病因，占一切医疗数据的90%左右。视觉人工智能有望在医疗保健范畴产生巨大的影响，而 Google 的医学影像套件展示了科技公司与医疗保健公司携手前进的可能性。

工具&结构

『macOS Subsystem for Linux』适用 macOS 的 Linux 子体系

github.com/macbian-lin…

macOS Subsystem for Linux 是一个用 Qemu 创立的适用 macOS 的 Linux 子体系，用于学习。

『stable-diffusion-prompt-inpainting』根据 Stable Diffusion 的提示图画补全

github.com/amrrs/stabl…

stable diffusion prompt inpainting 完结了根据 Stable Diffusion 的提示图画补全，你无需在图画上涂抹和遮盖，只需要经过文本提示，就能够让AI帮你完结图画编辑和涂抹补全，它根据 Stable Diffusion 和 Clipseg 完结。

『Testing ML』经过代码、数据、模型的测验创立牢靠的机器学习模型

github.com/GokuMohanda…

madewithml.com/courses/mlo…

Repo 是 MLOps课程 Testing（测验板块）的一部分，包含了交互式 notebook。课程覆盖了大部分概念，并关联了构建ML体系的软件工程最佳实践常识。

『gitui』Rust 写的 git 命令行图形界面

github.com/extrawurst/…

GitUI 是一个 Rust 写的 git 命令行图形界面，供给了舒适的终端 git GUI，它具备以下特性：

• 快速而直观的键盘操控
• 根据上下文的协助
• 检查、提交和修正
• stage、撤销stage、康复和重置文件、块和行
• 向/从长途推送/fetch
• 分支列表
• 阅读提交日志，对已提交的修正进行比较

『JSeg』根据 MMSegmentation 和 Jittor 的语义切割工具包

github.com/Jittor/JSeg

JSeg 是一个根据 MMSegmentation、Jittor 和 JDet 的语义切割工具箱。

博文&分享

『The Mathematical Engineering of Deep Learning』深度学习数学工程 电子书

deeplearningmath.org/

本书对深度学习的数学工程进行了完好而简洁的概述，并覆盖了卷积神经网络、循环神经网络、transformers、生成对抗网络、强化学习等要害，当然书本的重点是深度学习模型、算法和基本数学描绘。

深度学习很简单经过数学语言在许多专业人士都能了解的水平上进行描绘，因而文稿也很少涉及代码，而专心于经过数学解说现代深度学习算法、模型和技能的精髓。所以，信号处理、统计学、物理学、纯数学、计量经济学、运筹学、量化管理、使用机器学习或使用深度学习范畴的读者，具备扎实的数学根底，能够迅速深化了解要害数学工程组成部分。

• Introduction（简介）
• Principles of Machine Learning（机器学习原理）
• Simple Neural Networks（简单神经网络）
• Optimization Algorithms（优化算法）
• Feed-Forward Deep Networks（前馈深度网络）
• Convolutional Neural Networks（卷积神经网络）
• Sequence Models（序列模型）
• Tricks of the Trade（交易技巧）
• Generative Adversarial Networks（生成对抗网络）
• Deep Reinforcement Learning（深度强化学习）

数据&资源

『Contrastive Learning for Natural Language Processing』比照学习天然语言处理 资源大列表

github.com/ryanzhumich…

比照学习是一种学习嵌入空间的技能，这样类似的数据样本具有挨近的表明，而不同的样本彼此远离。可用于使用不同损失函数的有监督或无监督设置，以生成特定于使命或通用目的的表明。

虽然比照学习最初在视觉使命上取得了成功，但近年来在比照 NLP 方面的出版物越来越多。当前的 NLP 模型严峻依赖于有用的表明学习算法。清单包含以下主题：

• Tutorial and Survey（教程和调查）
• Talk, Presentation, and Blog（讲演、演示和博客）
• Foundation of Contrastive Learning（比照学习根底）
  • Contrastive Learning Objective（比照学习目标）
  • Sampling Strategy for Contrastive Learning（比照学习的抽样策略）
  • Most Notable Applications of Contrastive Learning（比照学习最显着的使用）
  • Analysis of Contrastive Learning（比照学习剖析）
  • Graph Contrastive Learning（图比照学习）
• Contrastive Learning for NLP（NLP比照学习）
  • Contrastive Data Augmentation for NLP（NLP的比照数据增强）
  • Text Classification（文本分类）
  • Sentence Embeddings and Phrase Embeddings（语句嵌入和短语嵌入）
  • Information Extraction（信息提取）
  • Sequence Labeling（序列标注）
  • Machine Translation（机器翻译）
  • Question Answering（问答）
  • Summarization（总结）
  • Text Generation（文本生成）
  • Data-Efficient Learning（数据高效学习）
  • Contrastive Pretraining（比照预训练）
  • Interpretability and Explainability（可解释性和可解释性）
  • Commonsense Knowledge and Reasoning（常识常识与推理）
  • Vision-and-Language（视觉与语言）
  • Others（其他）

研讨&论文

大众号后台回复要害字 日报，免费获取整理好的论文合辑。

科研发展

• 2022.09.22 『风格搬迁』 VToonify: Controllable High-Resolution Portrait Video Style Transfer
• 2022.09.22 『图画生成』 Poisson Flow Generative Models
• 2022.07.19 『反常检测』 ADBench: Anomaly Detection Benchmark

⚡ 论文：VToonify: Controllable High-Resolution Portrait Video Style Transfer

论文时刻：22 Sep 2022

范畴使命：Face Alignment, Style Transfer, 风格搬迁

论文地址：arxiv.org/abs/2209.11…

代码完结：github.com/williamyang…

论文作者：Shuai Yang, Liming Jiang, Ziwei Liu, Chen Change Loy

论文简介：Although a series of successful portrait image toonification models built upon the powerful StyleGAN have been proposed, these image-oriented methods have obvious limitations when applied to videos, such as the fixed frame size, the requirement of face alignment, missing non-facial details and temporal inconsistency./虽然现已提出了一系列建立在强壮的StyleGAN根底上的成功的人像图画去声模型，但这些面向图画的办法在使用于视频时有显着的局限性，例如固定的帧巨细、脸部对齐的要求、非脸部细节的缺失和时刻上的不一致。

论文摘要：生成高质量的艺术人像视频是计算机图形学和视觉范畴的一项重要而抱负的使命。虽然现已提出了一系列建立在强壮的StyleGAN根底上的成功的肖像图画化模型，但这些面向图画的办法在使用于视频时有显着的局限性，如固定的帧巨细、脸部对齐的要求、非脸部细节的缺失和时刻上的不一致。在这项作业中，咱们经过引入一个新颖的VToonify结构来研讨具有挑战性的可控高分辨率人像视频风格搬运。具体来说，VToonify利用StyleGAN的中分辨率和高分辨率层，根据编码器提取的多尺度内容特征渲染高质量的艺术肖像，以更好地保留帧的细节。由此产生的全卷积架构接受可变巨细的视频中的非对齐人脸作为输入，有助于在输出中构成具有天然运动的完好人脸区域。咱们的结构与现有的根据StyleGAN的图画卡通化模型兼容，将其扩展到视频卡通化，并承继了这些模型的吸引人的特色，对色彩和强度进行灵活的风格操控。这项作业提出了建立在Toonify和DualStyleGAN根底上的VToonify的两个实例，别离用于根据集合和根据演示的肖像视频风格搬运。广泛的实验成果表明，咱们提出的VToonify结构在生成具有灵活风格操控的高质量和时刻连贯的艺术肖像视频方面比现有的办法更有用。

⚡ 论文：Poisson Flow Generative Models

论文时刻：22 Sep 2022

范畴使命：Image Generation，图画生成

论文地址：arxiv.org/abs/2209.11…

代码完结：github.com/newbeeer/po…

论文作者：Yilun Xu, Ziming Liu, Max Tegmark, Tommi Jaakkola

论文简介：We interpret the data points as electrical charges on the z=0 hyperplane in a space augmented with an additional dimension z, generating a high-dimensional electric field (the gradient of the solution to Poisson equation)./咱们将数据点解释为空间中z=0超平面上的电荷，用一个额定的维度z增强，产生一个高维电场（泊松方程的解的梯度）。

论文摘要：咱们提出了一个新的 “泊松流 “生成模型（PFGM），将高维半球上的均匀散布映射为任何数据散布。咱们将数据点解释为空间中z=0超平面上的电荷，用一个额定的维度z增强，产生一个高维电场（泊松方程的解的梯度）。咱们证明，假如这些电荷沿着电场线向上活动，它们在z=0平面上的初始散布会转化为半径为r的半球上的散布，在r→∞的极限中变得均匀。为了学习双射转换，咱们估量了扩增空间中的归一化场。关于取样，咱们规划了一个由有物理意义的额定维度固定的后向ODE：当Z达到零时，样本会击中未增强的数据流形。经过实验，PFGM在CIFAR-10的归一化流模型中达到了目前最先进的功能，Inception评分为9.68，FID评分为2.48。它的体现也与最先进的SDE办法相当，一起在图画生成使命上供给10倍到20倍的加快。此外，PFGM在较弱的网络结构上对估量过错的容忍度更高，对欧拉办法中的步长也更强。代码可在 github.com/Newbeeer/po… 获取。

⚡ 论文：ADBench: Anomaly Detection Benchmark

论文时刻：19 Jun 2022

范畴使命：Anomaly Detection, Outlier Detection，反常检测

论文地址：arxiv.org/abs/2206.09…

代码完结：github.com/minqi824/ad…

论文作者：Songqiao Han, Xiyang Hu, Hailiang Huang, Mingqi Jiang, Yue Zhao

论文简介：Given a long list of anomaly detection algorithms developed in the last few decades, how do they perform with regard to (i) varying levels of supervision, (ii) different types of anomalies, and (iii) noisy and corrupted data?/鉴于曩昔几十年来开发的一长串反常检测算法，它们在(i)不同的监督水平，(ii)不同类型的反常，以及(iii)噪声和损坏的数据方面体现如何？

论文摘要：鉴于曩昔几十年来开发的一长串反常检测算法，它们在(i)不同的监督水平，(ii)不同类型的反常，以及(iii)噪声和损坏的数据方面体现如何？在这项作业中，咱们经过在57个基准数据集上用30种算法进行（据咱们所知）最全面的反常检测基准，即ADBench来回答这些要害问题。咱们广泛的实验（共98,436次）确认了对监督和反常类型的作用的有意义的见地，并为研讨人员在算法挑选和规划方面解锁了未来的方向。经过ADBench，研讨人员能够轻松地在数据集上对新提出的办法（包含咱们从天然语言和计算机视觉范畴贡献的办法）与现有的基线进行全面和公正的评估。为了促进可及性和可重复性，咱们将ADBench和相应的成果完全开源。

咱们是 ShowMeAI，致力于传达AI优质内容，分享职业处理方案，用常识加快每一次技能成长！

◉ 点击 日报合辑，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 电子月刊，快速阅读月度合辑。