【20210205期AI简报】联发科发布二代5G基带芯片发布、超强镜像优化从1.16GB到22.4MB！...

关注

原创最新推荐文章于 2026-11-08 12:08:08 发布 767 阅读 AI 写同款· GEO 优化 ›

mobilenetv3-centernet tensorflow 实现 Centernet 移动端的优化简介 centernet 是一个很简洁的目标检测框架，原理很简单，关键点估计加宽高回归。文章不介绍算法细节，注意是一个centernet在端侧的优化。 backbone 采用了mobilenetv3，但是只改backbone 提速不够，head 还是比较重的，所以采用可分离卷积来实现，并且采用了类似inception的结构，并把深层和浅层的特征进行了融合，取得... 阅读详情

导读：本期为 AI 简报 20210205 期，将为您带来 9 条相关新闻，祝各位小年吉祥、阖家团圆~

本文一共 4000 字，通篇阅读结束需要 8~13 分钟

1. 华为天才少年自制B站百大Up奖杯！网友：技术难度不高，但侮辱性极强 | 稚晖君 | AI科技评论

bilibili：

https://www.bilibili.com/video/BV1VA411p7MD

在程序员的眼中，“平平无奇”四个字是不存在的。

停更了好一阵子后，这位自称野生钢铁侠的超硬核Up主稚晖君终于又发布了新作品。

之所以停更这么久，Up主解释说，不是因为在野外被捕了，纯粹是因为工作太忙了。

熟悉稚晖君的同学都知道，他前段时间已经加入了“华为天才少年”计划。

话说回来，这次稚晖君带来了什么硬核黑科技?

他在视频中说，这次的更新是趁周末肝了20多个小时的作品，名叫HoloCubic，翻译过来就是分体式迷你高清光学影像分光投射桌面网络终端设备。

简称“透明小电视”，也就是这个亚子。

2. 14.7倍推理加速、18.9倍存储节省！北航、商汤、UCSD提出首个点云二值网络 | ICLR 2021 | 量子位

图 1: BiPointNet 的整体框架图

会议论文：
https://openreview.net/forum?id=9QLRCVysdlO

项目网址：
https://htqin.github.io/Projects/BiPointNet.html

代码地址：
https://github.com/htqin/BiPointNet

无论是在自动驾驶场景中，还是在手持移动设备上，基于点云的深度学习模型应用越来越广泛。

但这些离线边缘场景自身的限制，给模型的推理、存储、传输等环节都带来了巨大的挑战。如何让点云模型在边缘设备上“又轻又快”，是工业界和学术界共同关注的重要问题。

现在，为了解决边缘设备上运行点云应用时的资源限制问题，来自北航、商汤和 UCSD的研究团队，基于神经网络量化这样的模型压缩和加速手段，提出了首个点云深度学习二值化模型 BiPointNet。

这一方法不仅在边缘设备上带来了 14.7倍 的加速比和 18.9倍 的存储节省，准确率损失也不大（相差1-2%以内），甚至可以媲美全精度网络。

目前，这一研究成果已经被 ICLR 2021接收。

不妨点击标题来一起看看研究团队关于这篇论文的解读。

3. 没想到，这个AI特效背后还隐藏着个“世界冠军” | 雷锋网

图片

刷新纪录！腾讯光影研究室GYSeg算法斩获MIT场景解析世界第一。

手机QQ相机里有一个热门AI玩法——漫画脸。从画面来看，哪怕受拍摄人物大幅度动作，融合感依旧满分。

类似的，一经上线便备受用户们追捧的还有“童话脸”等多个AI特效玩法。

细心的朋友可能会发现，漫画脸的AI特效get了一项技能——实时抠图。

在动态场景下，无论是人像的头部、面部，还是半身像，都能够被精准识别，并转化为漫画版，看不出一点破绽。

这项技能在学术上叫做语义分割技术。而这些特效背后使用的语义分割技术叫做GYSeg，它是腾讯光影研究室（Tencent GYLab）在计算机视觉领域的自研算法。最近GYSeg算法刚刚参加完MIT Scene Parsing Benchmark 场景解析国际竞赛，从多个参赛团队中脱颖而出，以0.6140的成绩斩获了冠军。

MIT Scene Parsing Benchmark 是全球公认的最具挑战性、权威性的场景解析、语义分割评测集。本届参赛的团队还有商汤科技、亚马逊、复旦、北大、MIT等国内外研究机构和高校。

值得一提的是，近两周团队持续优化算法，并再次刷线最新成绩至0.6235，仍处榜单第一名。

4. 重读 CenterNet，一个在Github有5.2K星标的目标检测算法 | 我爱计算机视觉

Paper:

https://arxiv.org/abs/1904.07850

Github:

https://github.com/xingyizhou/CenterNet

本文带领大家重温 Objects as Points 一文，其于2019年4月发布于arXiv，谷歌学术显示目前已有403次引用，Github代码仓库已有5.2K星标，无论在工业界和学术界均有巨大影响力。

论文摘要：

使用卷积神经网络做目标检测，大体可以分为单阶段（one-stage）方法和二阶段（two-stage）方法。单阶段检测器预定义很多anchor，基于这些anchor去做检测，密集的anchor有助于提高检测精度，然而在预测阶段，真正起到检测作用的只有少部分anchor，因此导致了计算资源的浪费。

无论是单阶段检测器还是二阶段检测器，在后处理阶段都需要NMS（Non-Maximum Suppression）操作去除多余框，NMS操作只在推理阶段存在，NMS的存在导致现有的检测器并不是严格的端到端训练的。

基于上述现象，作者提出了CenterNet算法，直接预测物体bounding box的中心点和尺寸。相比其他方法，该方法在预测阶段不需要NMS操作，极大的简化了网络的训练和推理过程。

5. Docker镜像优化：从1.16GB到22.4MB | 人工智能爱好者社区

原文链接：

https://medium.com/the-agile-crafter/docker-image-optimization-from-1-16gb-to-22-4mb-53fdb4c53311

Docker 是一个供软件开发人员和系统管理员使用容器构建、运行和与分享应用程序的平台。容器是在独立环境中运行的进程，它运行在自己的文件系统上，该文件系统是使用 docker 镜像构建的。镜像中包含运行应用程序所需的一切（编译后的代码、依赖项、库等等）。镜像使用 Dockerfile 文件定义。

因为容器具备如下优点，所以很受欢迎：

灵活性、轻量化、便携性、松耦合、安全性

在这篇文章中，我将重点讨论如何优化 Docker 镜像以使其轻量化。

让我们从一个示例开始，在该示例中，我们构建了一个 React 应用程序并将其容器化。运行 npx 命令并创建 Dockerfile 之后，我们得到了如下图所示的文件结构。

1npx create-react-app app --template typescript

如果我们构建一个基础的 Dockerfile，我们最终会得到一个 1.16 GB 的镜像：

优化步骤如下：

使用轻量化基础镜像
多阶段构建

6. GitHub超级火！任意爬取，超全开源爬虫工具箱 | 夕小瑶的卖萌屋

项目代码：

https://github.com/kangvcar/InfoSpider

项目使用文档：

https://infospider.vercel.app

项目视频演示：

https://www.bilibili.com/video/BV14f4y1R7oF/

最近国内一位开发者在 GitHub 上开源了个集众多数据源于一身的爬虫工具箱——InfoSpider，一不小心就火了！！！

有多火呢？开源没几天就登上GitHub周榜第四，标星1.3K，累计分支 172 个。同时作者已经开源了所有的项目代码及使用文档，并且在B站上还有使用视频讲解。

InfoSpider 是一个集众多数据源于一身的爬虫工具箱，旨在安全快捷的帮助用户拿回自己的数据，工具代码开源，流程透明。并提供数据分析功能，基于用户数据生成图表文件，使得用户更直观、深入了解自己的信息。

目前支持数据源包括GitHub、QQ邮箱、网易邮箱、阿里邮箱、新浪邮箱、Hotmail邮箱、Outlook邮箱、京东、淘宝、支付宝、中国移动、中国联通、中国电信、知乎、哔哩哔哩、网易云音乐、QQ好友、QQ群、生成朋友圈相册、浏览器浏览历史、12306、博客园、优快云博客、开源中国博客、简书。

7. 在iPhone里玩电路设计：3D版电子电路沙盒上线，支持Arduino，真实还原1000+组件 | 量子位

图片

如果你对电子电路感兴趣，又烦恼家里没有车库施展不开——

现在，你可以试试在手机/平板上测试和调整你的设计了，还是3D的那种。

简单如连接小灯泡，调整电阻：

（嗯，没错，电阻上的色环会像现实中一样，随电阻值的改变而有所不同。）

更进一步上个面包板，入门单片机

甚至还能搞起Arduino！虽然不支持第三方库，但据作者介绍，官方函数均可使用。

对了，如果你的布线出现问题，或者电子元件过载，故障部位就会冒出浓烟，方便你诊断和修复错误.

这个3D版电子电路沙盒，名叫iCircuit 3D，目前已经登录苹果App Store，支持iPhone和iPad。Mac 版支持正在火速赶来的路上。

8. 新纪录！7.67Gbps全球最快！联发科发布二代5G基带芯片，支持毫米波 | EETOP

刚刚联发科发布了第二代5G基带M80，相比上代的M70正式加入了毫米波技术支持，5G标准终于完整了。M80基带将支持5GSub-6G及mmWave毫米波两种5G频段，在技术水平上看齐高通的骁龙X60，不过网速更快，上行速率3.67Gbps，下行速率7.67Gbos。

过去为竞争对手所诟病，指其移动处理器基带芯片没能支持毫米波5G 网络的联发科，这次终于追上进度，宣布新推出的M80 基带芯片将支持毫米波(mmWave) 和Sub- 6GHz 双5G 频段，为联发科在5G 市场的竞争更添助力。

联发科新推出全新的5G 基带芯片M80，可支持毫米波和Sub-6GHz 双5G 频段。在独立组网(SA) 和非独立组网(NSA) 下，M80 5G 基带芯片支持超高的5G 传输速率，最高下行速率可达7.67 Gbps，上行速率最高为3.76 Gbps，为目前最业界快速的技术。M80 还拥有双5G SIM卡、双5G NSA 和SA 网络、以及双VoNR 等产业领先技术，为使用者带来高速连网的5G 畅快体验。

作为对比，骁龙X60的上行、下行速度分别是3Gbps、7.5Gbps，三星的Exynos2100上行、下行分别是3.67Gbps、7.35Gbps，华为的麒麟9000因为不支持毫米波，上行、下行分别是2.5、4.6Gbps。