ONNX YOLOv6目标检测,GitHub搜索引擎,Tooll 3 实时动画创建,汇编通俗入门,AI前沿论文 | ShowMeAI资讯日报

4,642 阅读13分钟

ShowMeAI日报系列全新升级!覆盖AI人工智能 工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文 等方向。点击查看 历史文章列表,在公众号内订阅话题 #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。

工具&框架

🚧『ONNX YOLOv6』目标检测

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』实时动画创建工具包

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间序列神经网络预测算法库

github.com/Nixtla/neur…

'neuralforecast - Scalable and user friendly neural forecasting algorithms for time series data' by Nixtla

🚧『JupyterLab Desktop』 基于Electron的JupyterLab桌面应用

github.com/jupyterlab/…

'JupyterLab Desktop - JupyterLab desktop application, based on Electron.' by JupyterLab

博文&分享

📚『Linux』命令参考大全

github.com/0xTRAW/Linu…

Every Linux Command I know A-zzzzz - Every Linux Command I know A-Z by 0xTRAW

数据&资源

🔥『汇编通俗入门』教程

github.com/hackclub/so…

Some Assembly Required - An approachable introduction to assembly. by Hack Club

研究&论文

公众号回复关键字 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

论文时间:7 Feb 2022

所属领域:点云

对应任务:Classification,Point Cloud Classification,点云分类

论文地址arxiv.org/abs/2202.03…

代码实现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,已经取得了实质性的进展。

论文摘要:3D感知,特别是点云分类,已经取得了实质性的进展。然而,在现实世界的部署中,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,我们的目标是对损坏情况下的点云分类进行严格的基准测试和分析。为了进行系统的调查,我们首先提供了一个常见的三维损坏的分类法,并确定了原子损坏的情况。然后,我们对各种有代表性的点云模型进行了综合评估,以了解其鲁棒性和通用性。我们的基准结果显示,尽管点云分类性能随着时间的推移而提高,但最先进的方法正处于不太稳健的边缘。基于所获得的观察,我们提出了几个有效的技术来提高点云分类器的鲁棒性。我们希望我们全面的基准、深入的分析和提出的技术能够激发未来在鲁棒性三维感知方面的研究。

⚡ 论文:Data-Driven Denoising of Accelerometer Signals

论文标题:Data-Driven Denoising of Accelerometer Signals

论文时间:13 Jun 2022

所属领域:计算机视觉

对应任务:Denoising,降噪

论文地址arxiv.org/abs/2206.05…

代码实现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./现代导航解决方案在很大程度上取决于独立惯性传感器的性能,尤其是在没有外部资源的时候。

论文摘要:现代导航解决方案在很大程度上取决于独立惯性传感器的性能,尤其是在没有外部资源可用的时候。在这些中断期间,惯性导航解决方案很可能会由于工具性噪声源而随着时间的推移而退化,特别是在使用消费性低成本惯性传感器时。传统上,基于模型的估计算法被用来降低噪音水平和增强有意义的信息,从而直接改善导航解决方案。然而,由于传感器的性能在制造质量、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基于模型的,而最近有几个数据驱动的方法被建议主要用于陀螺仪测量去噪。由于加速计轴上的未知重力投影,加速计去噪任务的数据驱动方法更具挑战性。为了填补这一空白,我们提出了几种基于学习的方法,并将它们的性能与著名的去噪算法进行了比较,在纯粹的去噪方面,其次是静止的粗略排列程序。基于在现场实验中获得的基准结果,我们表明。(i) 基于学习的模型比传统的信号处理滤波性能更好;(ii) 非参数kNN算法优于本研究中考察的所有最先进的深度学习模型;(iii) 去噪对于纯粹的惯性信号重建是有成效的,但对于导航相关的任务更是如此,因为两种误差都被证明可以减少到一个数量级。

⚡ 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

论文时间:28 Jun 2022

所属领域:计算机视觉

对应任务:穿戴设备

论文地址arxiv.org/abs/2206.14…

代码实现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./基于图像的虚拟试穿旨在合成一个穿戴特定服装的人的图像。

论文摘要:基于图像的虚拟试穿的目的是合成一个穿着给定服装的人的图像。为了解决这个问题,现有的方法在将衣服与人融合之前,先对衣服进行扭曲以适应人的身体,并生成穿着该衣服的人的分割图。然而,当翘曲和分割生成阶段在没有信息交流的情况下单独操作时,翘曲的衣服和分割图之间会发生错位,从而导致最终图像中出现人工痕迹。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扭曲,即所谓的像素挤压伪影。为了解决这些问题,我们提出了一种新型的试穿条件生成器,作为两个阶段(即翘曲和分割生成阶段)的统一模块。条件生成器中新提出的特征融合块实现了信息交换,而且条件生成器不会产生任何错位或像素挤压的伪影。我们还引入了判别器处理,过滤掉不正确的分割图预测,保证了虚拟试戴框架的性能。在高分辨率数据集上的实验表明,我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性能。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

论文时间:16 Mar 2022

所属领域:机器学习

论文地址arxiv.org/abs/2203.08…

代码实现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。我们的目标是提供一个易于使用的库,其中包括许多与各种类型的问题有关的检查,如模型预测性能、数据完整性、数据分布不匹配,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生态系统的核心库:scikit-learn、PyTorch、NumPy、pandas和SciPy。源代码、文档、例子和大量的用户指南可以在 github.com/deepchecks/…docs.deepchecks.com/ 上找到。

⚡ 论文:CONVIQT: Contrastive Video Quality Estimator

论文标题:CONVIQT: Contrastive Video Quality Estimator

论文时间:29 Jun 2022

所属领域:计算机视觉

对应任务:Self-Supervised Learning,Video Quality Assessment,Visual Question Answering,自监督学习,视频质量评估,视觉问答

论文地址arxiv.org/abs/2206.14…

代码实现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./感知性视频质量评估(VQA)是许多流媒体和视频共享平台的一个组成部分。

论文摘要:感知视频质量评估(VQA)是许多流媒体和视频共享平台的一个组成部分。在这里,我们考虑了以自监督的方式学习感知相关的视频质量表示的问题。失真类型的识别和退化程度的确定被作为一项辅助任务来训练深度学习模型,该模型包含一个提取空间特征的深度卷积神经网络(CNN)以及一个捕捉时间信息的循环单元。该模型使用对比性损失进行训练,因此我们把这个训练框架和产生的模型称为CONtrastive VIdeo Quality EstimaTor(CONVIQT)。在测试过程中,训练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考(NR)环境下的质量分数。我们通过分析模型预测和地面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估,与最先进的NR-VQA模型相比,取得了具有竞争力的性能,尽管它没有在这些数据库上进行训练。我们的消融实验表明,所学到的表征是高度稳健的,并且在合成和现实的扭曲中具有良好的概括性。我们的结果表明,使用自监督学习可以获得具有感知能力的令人信服的表征。这项工作中使用的实现方法已在 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

论文时间:27 Jun 2022

所属领域:医学

论文地址arxiv.org/abs/2206.13…

代码实现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./在蛋白质序列上训练的基于注意力的模型在与人工智能驱动的蛋白质设计有关的分类和生成任务中表现出令人难以置信的成功。

论文摘要:在蛋白质序列上训练的基于注意力的模型在与人工智能驱动的蛋白质设计有关的分类和生成任务中表现出了令人难以置信的成功。然而,我们对非常大规模的模型和数据如何在有效的蛋白质模型开发中发挥作用缺乏足够的了解。我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训练,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分布、生成新的可行序列和预测蛋白质的适应性方面显示出最先进的性能,而不需要额外的微调。随着大的模型规模和蛋白质序列的原始数量继续变得更加广泛,我们的结果表明,需要越来越重视提供给蛋白质序列模型的数据分布。我们将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

论文时间:30 Jun 2022

所属领域:机器学习

对应任务:Representation Learning,表征学习

论文地址arxiv.org/abs/2206.15…

代码实现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./分离信号和噪音的能力,以及用干净的抽象概念进行推理的能力,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能力,对智能来说至关重要。有了这种能力,人类可以在不考虑所有可能的干扰因素的情况下有效地执行现实世界的任务。人工代理如何做到这一点?什么样的信息可以被代理人安全地作为噪音丢弃?在这项工作中,我们根据可控性和与奖励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励相关的信息。这个框架澄清了先前关于强化学习(RL)中的表征学习的各种信息,并导致我们提出了学习去噪MDP的方法,该方法明确地排除了某些噪音干扰因素。在DeepMind控制套件和RoboDesk的变体上进行的广泛实验表明,我们的去噪世界模型在政策优化控制任务以及联合位置回归的非控制任务中,比单独使用原始观测值和先前的工作有更高的性能。

⚡ 论文:PRANC: Pseudo RAndom Networks for Compacting deep models

论文标题:PRANC: Pseudo RAndom Networks for Compacting deep models

论文时间:16 Jun 2022

论文地址arxiv.org/abs/2206.08…

代码实现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实现了1)代理之间模型的高效通信,2)高效的模型存储,以及3)通过实时生成层级权重加速推理。

论文摘要:在各种分布式机器学习环境中,通信成为一个瓶颈。在这里,我们提出了一个新的训练框架,保证了代理之间模型的高效通信。简而言之,我们将网络训练成许多伪随机生成的冻结模型的线性组合。对于通信,源代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。我们的方法被称为PRANC,学习的参数几乎比深度模型少100倍,在一些数据集和架构上仍然表现良好。PRANC实现了1)代理之间模型的有效沟通,2)有效的模型存储,以及3)通过在飞行中生成层级权重来加速推理。我们在CIFAR-10、CIFAR-100、tinyImageNet和ImageNet-100上测试了PRANC和各种架构,如AlexNet、LeNet、ResNet18、ResNet20和ResNet56,并证明了参数数量的大量减少,同时在这些基准数据集上提供满意的性能。该代码可在 github.com/ucdvision/p… 获取。

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!点击查看 历史文章列表,在公众号内订阅话题 #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。