【20210312期AI简报】用树莓派DIY激光枪、30天吃掉那只 TensorFlow2.0-优快云博客

本文链接：https://blog.youkuaiyun.com/rtthreadiotos/article/details/114715655

导读：本期为 AI 简报 20210312 期，将为您带来 8 条相关新闻，今日植树节，考研国家线已出，祝大家顺利上岸~

本文一共 2300 字，通篇阅读结束需要 6~10 分钟

1. 二次元妹子五官画风都能改，周博磊团队用无监督方法控制GAN | CVPR 2021 | 量子位

图片

论文地址：
https://arxiv.org/abs/2007.06600

代码地址：
https://github.com/genforce/sefa

现在，GAN不仅能画出二次元妹子，还能精准调节五官、表情、姿势和绘画风格。

而且在调控某个因素的时候，其他条件能尽量保持不变。

这就是香港中文大学周博磊团队提出的SeFa（语义分解，Semantics Factorization），该论文最近入选了CVPR 2021（Oral）。

SeFa适用于PGGAN、StyleGAN、BigGAN和StyleGAN2等常见GAN模型。

通过这种方法分离出映射矩阵的各个本征值，即可实现对不同图像元素的精准调控

更重要的是，SeFa无需对GAN生成的数据进行标注，它能自己找到这些元素变化对应的编码。也就说SeFa是一种无监督方法。

目前，SeFa相关代码已经开源。

2. 游戏“捏脸”需要高手教程？用这个AI模型，一张肖像照就能快速生成 | 学术头条

论文地址：

https://arxiv.org/abs/2102.02371

代码地址：

https://github.com/FuxiCV/MeInGame

在游戏中，亲手创造一个与众不同的角色，乐趣不言而喻。但有时往往是“游戏五分钟，捏脸两小时”。

来自网易伏羲 AI 实验室和密歇根大学的研究人员最近发明了一种深度学习的方法，名为 MeInGame，它可以通过分析一个人脸的单个肖像而自动生成游戏人物脸，这项技术在 arXiv 上预先发表的一篇论文中提出。

不少捏脸高手为了在游戏中捏出一个指定人物的脸可谓煞费苦心，甚至总结了一套复杂的教程和参数包，而今后，可能只需要输入一张人脸照片就能轻松搞定了。

MeInGame 的贡献在于：
1、提出了一种低成本的三维人脸数据集生成方法。所创建的数据集在种族和性别上是平衡的，面部形状和纹理都是从原始图像中创建；

2、提出了一种将重建的三维人脸形状转化为游戏网格的方法，可以直接在游戏环境中使用，该方法不依赖于网格连通性，计算效率高；

3、为了消除光照和遮挡的影响，他们训练了一个神经网络，在一个通用的训练范式下，从 “野生” 人脸图像中预测一个完整的漫反射贴图。

3.《30天吃掉那只 TensorFlow2.0 》

代码地址：

https://github.com/lyhue1991/eat_tensorflow2_in_30_days#30%E5%A4%A9%E5%90%83%E6%8E%89%E9%82%A3%E5%8F%AA-tensorflow2

本书是一本对人类用户极其友善的TensorFlow2.0入门工具书，不刻意恶心读者是本书的底限要求，Don t let me think是本书的最高追求。

本书主要是在参考TensorFlow官方文档和函数doc文档基础上整理写成的。

但本书在篇章结构和范例选取上做了大量的优化。

不同于官方文档混乱的篇章结构，既有教程又有指南，缺少整体的编排逻辑。

本书按照内容难易程度、读者检索习惯和TensorFlow自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。

如果说通过学习TensorFlow官方文档掌握TensorFlow2.0的难度大概是9的话，那么通过学习本书掌握TensorFlow2.0的难度应该大概是3。

本书是作者利用工作之余和疫情放假期间大概2个月写成的，大部分读者应该在30天可以完全学会。

预计每天花费的学习时间在30分钟到2个小时之间。

4. 为了杀蚊子，这位博士用树莓派DIY了一把激光枪，网友：伤到人怎么办？ | 学术头条

世人苦蚊子久矣。

尤其在夏夜，耳边嗡嗡作响，甚至还得与其“挑灯夜战”个三百回合。

为此，一个国外博士便DIY了一种高端的杀蚊方式：

计算机视觉精准定位，激光瞬间射杀。

还是用树莓派打造的那种。

如此高端的杀蚊方式，都需要些什么装备？

主要包括四大组件：

200多块的树莓派3 Model B+：它采用的是1.4GHz四核处理器，具体型号为Broadcom BCM2837B0。
树莓派摄像头：具体型号是索尼IMX219，像素为800万。
电流表 （Galvanometer）：约20 kPPS。
激光器：功率在1W左右，波长为450nm

5. 超越最新视频压缩标准H.266，字节跳动编码新技术让视频缩小13% | 机器之心

今年初，字节跳动先进视频团队（AVG）向联合视频专家组 JVET 发起了一项 JVET-U0068 技术提案，可以为视频压缩的三个颜色分量（Y, U, V）分别实现约 10%、28%、28% 的性能增益，这是业界公开的单个智能编码工具的最佳性能增益。

在优化压缩质量的同时，视频体积相比 H.266 最新标准至少还可以缩小 13%。就其实际效果而言，如果新技术得以应用，与现在主流的 H.264 标准相比，我们看同样质量的视频，大约只需要 22% 的带宽和存储空间。

这项技术名为 DAM（Deep-filtering with Adaptive Model-selection），它是通过深度学习技术构建减少视频压缩失真的滤波器，主干是基于残差单元堆叠的深度卷积神经网络，辅以自适应模型选择以最大程度适应特性复杂的自然视频。

可以从上面得图片看到，相同压缩比条件下，H.266+DAM 编码压缩质量远远优于 H.264。

除了视频压缩质量提升之外，应用 DAM 技术可以比H.266再缩小 13% 的数据体积。

6. 全球三大芯片架构之一MIPS倒下！转身投入RISC-V阵营 | 量子位

图片

全球三大芯片架构之一MIPS，已经成为历史。

据外媒报道，所属公司宣布将放弃继续设计MIPS架构，全身心投入RISC-V阵营。

MIPS一度被业内认为可以比肩Arm、x86，成为全球三大主流架构之一。

如今本应四十不惑的MIPS，却突然耐不住寂寞，意外转投大火的RISC-V阵营。

于是，就有网友感叹：这真是又一个遇上了安卓的黑莓啊。

7. 原生支持苹果M1 Mac的VS Code稳定版来了，运行速度提升 | 机器之心

下载地址：

https://code.visualstudio.com/download

VS Code 对多种操作系统的支持一直是其优势，苹果 macOS 系统也不例外。2020 年 11 月，苹果发布了三款搭载自研芯片 M1 的 Mac。一个月后，微软就发布了原生支持苹果 M1 Mac 的 VS Code 预览版。

近日，微软发布了 VS Code 1.54.1 稳定版，正式支持苹果 M1 Mac。使用 M1 Mac 的用户不用通过 Rosetta 仿真来运行 VS Code 了，并且运行时将体验到更好的性能和更长的电池续航。

现在，苹果用户既可以下载通用版（Universal），也可以下载 Apple Silicon 版本来使用 M1 Mac 原生的 VS Code，软件将自动检测用户的处理器并进行适配。

8. 12种Numpy&Pandas高效技巧 | 夕小瑶的卖萌屋

图片

代码地址：
https://github.com/kunaldhariwal/12-Amazing-Pandas-NumPy-Functions

原文链接：
https://towardsdatascience.com/12-amazing-pandas-numpy-functions-22e5671a45b8

本文分享给大家 12 种 Numpy 和 Pandas 函数，这些高效的函数会令数据分析更为容易、便捷。最后，读者也可以在 GitHub 项目中找到本文所用代码的 Jupyter Notebook。

Numpy	Pandas
argpartition()	read_csv(nrows=n)
allclose()	map()
clip()	apply()
extract()	isin()
where()	copy()
percentile()	select_dtypes()

???????????? 点击阅读原文进入RT-Thread官网