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。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。
工具&框架
🚧 『VISTA Driving Simulator』数据驱动的无人驾驶模拟器
https://github.com/vista-simulator/vista
VISTA 是用于自动驾驶感知&控制的数据驱动的仿真引擎。VISTA API 提供了一个接口，将现实世界（real-world）的数据集转换为具有动态代理（dynamic agents）、传感器套件（sensor suites）和任务目标（task objectives）的虚拟环境。
🚧 『Obsei』面向文本分析的低代码自动化工具
https://github.com/lalitpagaria/obsei
Obsei 是一种开源、低代码、AI 驱动的自动化工具，由Observer、Analyzer、Informer三部分组成：Observer 从各种来源收集非结构化数据，Analyzer 使用分类、情感分类、翻译等技术分析这些数据，Informer将分析的数据发送到各目的地，以便用户可以进一步使用和分析数据。
🚧 『FinRL』量化金融自动化股票交易的深度强化学习库
https://github.com/AI4Finance-Foundation/FinRL
FinRL开源框架展示了金融强化学习的巨大潜力，已经发展成为一个生态系统，包括数百个金融市场、最先进的算法、金融应用程序（投资组合分配、加密货币交易、高频交易）、实时交易、云部署等。FinRL 框架具有三层：市场环境（market environments）、代理（agents）和应用程序（applications）。
🚧 『MindsDB』用SQL在数据库里做机器学习预测
https://github.com/mindsdb/mindsdb
MindsDB 允许开发人员将 AI 功能快速添加到应用程序中，允许数据科学家将 ML 模型部署为 AI Table 以简化 MLOps，允许数据分析师更轻松地对复杂数据进行预测，并在 Tableau 等 BI 工具中将其可视化。
MindsDB 通过将机器学习引入存储数据的数据库中， 从而加快开发速度。使用 MindsDB，可以轻松构建、训练、优化和部署机器学习的模型，模型预测结果可以通过查询获取。
🚧 『LightSeq』序列处理和生成高性能推理库
https://github.com/bytedance/lightseq
LightSeq 是一个高性能的训练和推理库，用于在 CUDA 中实现序列处理和生成，支持现代 NLP 模型（如 BERT、GPT2、Transformer 等）的高效计算，适用于机器翻译、文本生成、对话、语言建模、情感分析和其他具有序列数据的相关任务。
博文&分享
👍 『learning cuda trt』学习CUDA/TensorRT的大量案例
https://github.com/shouxieai/learning-cuda-trt
https://zhuanlan.zhihu.com/p/462980738
这是一个学习cuda、tensorrt的源代码案例项目，包含大量案例，覆盖从基础的cuda驱动api、运行时api 到 tensorrt 的基础入门、tensorr t的高级进阶、模型的导出、模型的前后处理、多线程的封装等等，帮助进一步掌握 tensorRT。
👍 『Applications of Deep Neural Networks with Keras』深度神经网络应用(Keras)
https://github.com/jeffheaton/t81_558_deep_learning
https://arxiv.org/pdf/2009.05673.pdf
从2016年春季学期开始，作者 Jeff Heaton 开始为圣路易斯华盛顿大学教授 T81-558 深度学习的应用课程，并将课程材料、例子和作业放在 GitHub 上，逐渐丰富演变成了这本书。书籍内容包括以下内容：
- Python Preliminaries
- Python for Machine Learning
- Introduction to TensorFlow
- Training for Tabular Data
- Regularization and Dropout
- Convolutional Neural Networks (CNN) for Computer Vision
- Generative Adversarial Networks
- Kaggle Data Sets
- Transfer Learning
- Time Series in Keras
- Natural Language Processing with Hugging Face
- Reinforcement Learning
- Advanced/Other Topics
- Other Neural Network Techniques
数据&资源
🔥 『BMList』大模型列表
https://github.com/OpenBMB/BMList
BMList 将大模型的所有信息显示在一个多维表格中，可以按照组织、语言、领域等对模型进行分类，展示了大模型的近期趋势。下图为 BM 体系架构图和网站截图。
🔥 『dd nerf dataset』DroneDeploy NeRF 数据集（DNF）
https://github.com/nickponline/dd-nerf-dataset
包含许多由无人机捕获的真实世界场景，包括高分辨率图像、相机姿势（内在和外在）和密集的彩色点云，可用于计算机视觉研究。
研究&论文
可以点击 这里 回复关键字日报，免费获取整理好的论文合辑。
科研进展
- 2022.07.12 『计算机视觉』 DTG-SSOD: Dense Teacher Guidance for Semi-Supervised Object Detection
- 2022.07.19 『计算机视觉』 Box-supervised Instance Segmentation with Level Set Evolution
- 2022.07.20 『计算机视觉』 Object-Compositional Neural Implicit Surfaces
- 2022.07.28 『计算机视觉』 Rewriting Geometric Rules of a GAN
⚡ 论文：DTG-SSOD: Dense Teacher Guidance for Semi-Supervised Object Detection
论文标题：DTG-SSOD: Dense Teacher Guidance for Semi-Supervised Object Detection
论文时间：12 Jul 2022
所属领域：计算机视觉
对应任务：object-detection，Object Detection，Semi-Supervised Object Detection，目标检测，半监督目标检测
论文地址：https://arxiv.org/abs/2207.05536
代码实现：https://github.com/ligang-cs/PseCo
论文作者：Gang Li, Xiang Li, Yujie Wang, Yichao Wu, Ding Liang, Shanshan Zhang
论文简介：Specifically, we propose the Inverse NMS Clustering (INC) and Rank Matching (RM) to instantiate the dense supervision, without the widely used, conventional sparse pseudo labels./具体来说，我们提出了逆向NMS聚类（INC）和等级匹配（RM）来实例化密集监督，而没有广泛使用的传统稀疏的伪标签。
论文摘要：半监督物体检测（SSOD）中广泛采用了Mean-Teacher（MT）方案。在MT中，由teacher老师(网络)的最终预测（例如，在非最大抑制（NMS）后处理之后）提供的稀疏伪标签，被用于通过手工制作的标签分配对学生进行密集监督。然而，从稀疏到密集的范式使SSOD的管道变得复杂，同时忽略了强大的直接密集的教师监督。在本文中，我们试图直接利用教师的密集指导来监督学生的训练，即密集到密集范式。具体来说，我们提出了逆向NMS聚类（INC）和等级匹配（RM）来实例化密集监督，而没有广泛使用的、传统的稀疏伪标签。INC引导学生在NMS中像老师一样将候选盒分组，这是通过学习老师在NMS过程中揭示的分组信息实现的。在通过INC获得与老师相同的分组方案后，学生通过Rank Matching进一步模仿老师在聚类的候选人中的等级分布。通过提出的INC和RM，我们将密集教师指导整合到半监督物体检测（称为DTG-SSOD）中，成功地放弃了稀疏的伪标签，并在无标签的数据上实现了更多的信息学习。在COCO基准上，我们的DTG-SSOD在各种标签比率下都达到了最先进的性能。例如，在10%的贴标率下，DTG-SSOD将有监督的基线从26.9MAP提高到35.9MAP，比之前最好的方法Soft Teacher高出1.9分。
⚡ 论文：Box-supervised Instance Segmentation with Level Set Evolution
论文标题：Box-supervised Instance Segmentation with Level Set Evolution
论文时间：19 Jul 2022
所属领域：计算机视觉
对应任务：Instance Segmentation，Semantic Segmentation，实例分割，语义分割
论文地址：https://arxiv.org/abs/2207.09055
代码实现：https://github.com/liwentomng/boxlevelset
论文作者：Wentong Li, Wenyu Liu, Jianke Zhu, Miaomiao Cui, Xiansheng Hua, Lei Zhang
论文简介：A simple mask supervised SOLOv2 model is adapted to predict the instance-aware mask map as the level set for each instance./一个简单的掩码监督SOLOv2模型被调整为预测实例感知的掩码图作为每个实例的水平集。
论文摘要：与使用像素级掩码标签的完全监督方法相比，盒式监督实例分割利用了简单的盒式注释，这在最近引起了很多研究的关注。在本文中，我们提出了一种新颖的单次盒式监督实例分割方法，它将经典的水平集模型与深度神经网络巧妙地结合起来。具体来说，我们提出的方法通过一个连续的基于Chan-Vese能量的函数，以端到端的方式迭代学习一系列的水平集。一个简单的掩码监督SOLOv2模型被调整为预测实例感知的掩码图作为每个实例的水平集。输入图像及其深层特征都被作为输入数据来演化水平集曲线，其中一个盒子投影函数被用来获得初始边界。通过最小化全微分能量函数，每个实例的水平集在其相应的边界盒注释中被反复优化。在四个具有挑战性的基准上的实验结果表明，我们提出的方法在各种情况下的稳健实例分割方面具有领先的性能。代码见：https://github.com/LiWentomng/boxlevelset
⚡ 论文：Object-Compositional Neural Implicit Surfaces
论文标题：Object-Compositional Neural Implicit Surfaces
论文时间：20 Jul 2022
所属领域：计算机视觉
对应任务：3D Reconstruction，Novel View Synthesis，三维重建，新视角合成
论文地址：https://arxiv.org/abs/2207.09686
代码实现：https://github.com/qianyiwu/objsdf
论文作者：Qianyi Wu, Xian Liu, Yuedong Chen, Kejie Li, Chuanxia Zheng, Jianfei Cai, Jianmin Zheng
论文简介：This paper proposes a novel framework, ObjectSDF, to build an object-compositional neural implicit representation with high fidelity in 3D reconstruction and object representation./本文提出了一个新颖的框架，即ObjectSDF，以建立一个具有高保真度的三维重建和物体表征的物体构成神经隐含表征。
论文摘要：神经隐含表征在的视图合成和多视图图像的高质量三维重建中显示了其有效性。然而，大多数方法都集中在整体的场景表示上，却忽略了其中的单个物体，从而限制了潜在的下游应用。为了学习物体构成表征，一些作品将二维语义图作为训练的线索，以掌握物体之间的差异。但他们忽略了物体几何和实例语义信息之间的紧密联系，这导致了对单个实例的不准确的建模。本文提出了一个新颖的框架，即ObjectSDF，以建立一个具有高保真度的三维重建和物体表征的物体构成神经隐含表征。观察到传统体积渲染管道的模糊性，我们通过结合单个物体的有符号距离函数（SDF）对场景进行建模，以施加明确的表面约束。区分不同实例的关键是重新审视单个物体的SDF和语义标签之间的紧密联系。特别是，我们将语义信息转换为物体SDF的函数，并为场景和物体开发了一个统一的、紧凑的表示。实验结果表明，ObjectSDF框架在表示整体的物体组成的场景和单个实例方面都有优势。代码可以在 https://qianyiwu.github.io/objectsdf/ 获取
⚡ 论文：Rewriting Geometric Rules of a GAN
论文标题：Rewriting Geometric Rules of a GAN
论文时间：28 Jul 2022
所属领域：计算机视觉
对应任务：生成对抗网络
论文地址：https://arxiv.org/abs/2207.14288
代码实现：https://github.com/peterwang512/ganwarping
论文作者：Sheng-Yu Wang, David Bau, Jun-Yan Zhu
论文简介：Our method allows a user to create a model that synthesizes endless objects with defined geometric changes, enabling the creation of a new generative model without the burden of curating a large-scale dataset./我们的方法允许用户创建一个模型，用定义好的几何变化来合成无尽的物体，从而能够创建一个新的生成模型，而没有需求大规模数据集的负担。
论文摘要：深度生成模型通过在收集的数据集的基础上自动合成多样化的、现实的内容，使新手更容易进行视觉内容的创作。然而，目前的机器学习方法错过了创作过程中的一个关键因素–合成远远超出数据分布和日常经验的能力。为了开始解决这个问题，我们使用户能够 "扭曲 "一个给定的模型，只需用所需的几何变化编辑少量的原始模型输出。我们的方法将低等级更新应用于单个模型层，以重构编辑过的例子。此外，为了对抗过度拟合，我们提出了一种基于风格混合的潜在空间增强方法。我们的方法允许用户创建一个模型，用定义的几何变化来合成无尽的物体，从而能够创建一个新的生成模型，而没有需要大规模数据集的负担。我们还证明了编辑过的模型可以被组成以达到聚合的效果，并且我们提出了一个交互式界面，使用户能够通过组合来创建新的模型。对多个测试案例的实证测量表明，我们的方法相对于最近的GAN微调方法具有优势。最后，我们展示了几个使用编辑过的模型的应用，包括潜在空间插值和图像编辑。
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。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。
867
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
