👀日?qǐng)?bào)合輯 | 📆電子月刊 | 🔔公眾號(hào)下載資料 | 🍩@韓信子

📢 AI繪畫發(fā)展史(偽) ：不能提升生產(chǎn)力的創(chuàng)新，都是偽創(chuàng)新

微博博主 @西仔LittileC 繪制了一份AI繪畫發(fā)展史，展示了從業(yè)者的擔(dān)憂——并非抗拒技術(shù)進(jìn)步帶來(lái)的競(jìng)爭(zhēng)和壓力，而是擔(dān)心已有行業(yè)的種種亂象在繪畫行業(yè)重演，最終導(dǎo)致所有用戶被動(dòng)『吃屎』。

大平臺(tái)免費(fèi)致使從業(yè)人數(shù)減少、平臺(tái)收取低價(jià)使用費(fèi)用、用戶必須購(gòu)買會(huì)員/按月訂閱/按年訂閱才能使用、內(nèi)容趨同千人一面··· 這個(gè)發(fā)展歷程，我們太熟悉了···

工具&框架

🚧 『Monocraft』Minecraft 前端字體

https://github.com/IdreesInc/Monocraft

https://idreesinc.com/

Monocraft 是為那些喜歡 Minecraft 的開發(fā)者提供的字體，這款字體模仿了 Minecraft UI 中使用的字體，但它不包括原游戲中的任何資產(chǎn)或字體文件。

🚧 『MedPerf』醫(yī)療人工智能開放基準(zhǔn)測(cè)試平臺(tái)

https://github.com/mlcommons/medperf

https://www.medperf.org/

Medperf 是一個(gè)使用聯(lián)邦評(píng)估的醫(yī)療人工智能開放基準(zhǔn)測(cè)試平臺(tái)。Repo中你可以找到運(yùn)行 MedPerf 的所有重要部分，包括：MedPerf 服務(wù)器、MedPerf CLI、試點(diǎn)結(jié)果。

🚧 『streamlit audio recorder』麥克風(fēng)管理器

https://github.com/stefanrmmr/streamlit_audio_recorder

https://stefanrmmr-streamlit-audio-recorder-streamlit-app-4wiha3.streamlitapp.com/

Streamlit 自定義組件，允許部署到 Web 的應(yīng)用程序錄制客戶端麥克風(fēng)的音頻。通過(guò)瀏覽器的 Media-API 管理對(duì)麥克風(fēng)的訪問(wèn)，在 streamlit 應(yīng)用程序中錄制、播放和恢復(fù)音頻捕獲，并將最終錄制文件下載到本地系統(tǒng)（WAV，16 位，44kHz）。

🚧 『fcmaes』一個(gè) Python3 無(wú)梯度優(yōu)化庫(kù)

https://github.com/dietmarwo/fast-cma-es

🚧 『PainterEngine』由C語(yǔ)言編寫的跨平臺(tái)圖形應(yīng)用框架

https://github.com/matrixcascade/PainterEngine

PainterEngine是一個(gè)由C語(yǔ)言編寫的跨平臺(tái)圖形應(yīng)用框架,可運(yùn)行于Windows Linux Android iOS 支持WebAssembly的Web端及嵌入式MCU上。

• PainterEngine由C89標(biāo)準(zhǔn)及部分拓展編寫,不依賴任何C標(biāo)準(zhǔn)庫(kù)及三方庫(kù)
• PainterEngine是平臺(tái)、編譯環(huán)境、運(yùn)行時(shí)無(wú)關(guān)的
• 包含一套完整的內(nèi)存管理及常用數(shù)據(jù)結(jié)構(gòu)算法的實(shí)現(xiàn)
• 包含一套完整軟2D/3D渲染器實(shí)現(xiàn)
• 包含一套完整編譯型腳本引擎實(shí)現(xiàn)（編譯器、虛擬機(jī)、調(diào)試器）
• 包含一套完整游戲世界框架（對(duì)象及資源管理器，事件調(diào)度器，碰撞優(yōu)化及物理計(jì)算模板）
• 包含一套完整的Live2D動(dòng)畫系統(tǒng)實(shí)現(xiàn)（骨骼及物理模擬、動(dòng)作追蹤、獨(dú)立的圖元光柵化實(shí)現(xiàn)，配套建模編輯器）
• 常用的反走樣幾何繪制及光柵化算法
• 圖像信號(hào)及音頻信號(hào)處理算法（常用濾波器、聲碼編碼器、ZCR、MFCC等特征采集算法）

博文&分享

👍 『YSDA Natural Language Processing course』YSDA 的自然語(yǔ)言處理課程 8.1k stars

https://github.com/yandexdataschool/nlp_course

https://lena-voita.github.io/nlp_course.html

YSDA是 Yandex School of Data Analysis 的首字母縮寫，出品了很多優(yōu)質(zhì)的數(shù)據(jù)類課程。這門 NLP 課程在GitHub上已經(jīng)收獲了8K+個(gè)Star，可謂廣受認(rèn)可。課程包含以下主題，資料見 GitHub項(xiàng)目的對(duì)應(yīng)的文件夾：

• Word Embeddings
• Text Classification
• Language Modeling
• Seq2seq and Attention
• Transfer Learning
• Domain Adaptation

👍 『(CS285) Deep Reinforcement Learning』 Berkeley伯克利 · 深度強(qiáng)化學(xué)習(xí)課程

https://www.showmeai.tech/article-detail/345

CS285 課程來(lái)自著名的頂級(jí)院校UC伯克利，結(jié)合了最新的研究進(jìn)展，講解深度強(qiáng)化學(xué)習(xí)領(lǐng)域的前沿知識(shí)和實(shí)踐。課程覆蓋了使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行強(qiáng)化學(xué)習(xí)的各類方法模型，對(duì)強(qiáng)化學(xué)習(xí)感興趣的同學(xué)可以借此全面了解神經(jīng)網(wǎng)絡(luò)在其中的應(yīng)用。

• Introduction and Course Overview（課程速覽與介紹）
• Supervised Learning of Behaviors（行為監(jiān)督學(xué)習(xí)）
• Introduction to Reinforcement Learning（強(qiáng)化學(xué)習(xí)介紹）
• Policy Gradients（梯度策略）
• Actor-Critic Algorithms（Actor-Critic 算法）
• Value Function Methods（價(jià)值函數(shù)方法）
• Deep RL with Q-functions（基于Q函數(shù)的的深度強(qiáng)化學(xué)習(xí)）
• Advanced Policy Gradients（前沿梯度策略）
• Model-based Planning（基于模型的規(guī)劃）
• Model-based Reinforcement Learning（基于模型的強(qiáng)化學(xué)習(xí)）
• Model-based Policy Learning（基于模型的策略學(xué)習(xí)）
• Exploration（探索與利用）
• Offline Reinforcement Learning（離線強(qiáng)化學(xué)習(xí)）
• Introduction to RL Theory（強(qiáng)化學(xué)習(xí)理論）
• Deep RL Algorithm Design（深度強(qiáng)化學(xué)習(xí)算法設(shè)計(jì)）
• Probability and Variational Inference Primer（概率與變分推斷初步）
• Connection between Inference and Control（推斷與控制聯(lián)系）
• Inverse Reinforcement Learning（逆強(qiáng)化學(xué)習(xí)）
• Transfer Learning and Multi-Task Learning（遷移學(xué)習(xí)與多任務(wù)學(xué)習(xí)）
• Meta-Learning（元學(xué)習(xí)）
• Challenges and Open Problems（挑戰(zhàn)與開放待解決的問(wèn)題）

課程對(duì)應(yīng)的資料和視頻公開放出，ShowMeAI 對(duì)課程資料進(jìn)行了梳理，整理成這份完備且清晰的資料包（點(diǎn)擊 這里 獲取這份資料包）：

• 📚 課件。Lecture 1~23所有章節(jié)。

• 📚 代碼作業(yè)與參考答案-數(shù)據(jù)文件&.py文件。Homework 1~5所有作業(yè)的參考答案。

👍 『(ENGR108) Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares』 Stanford斯坦福 · 線性代數(shù)與矩陣方法導(dǎo)論課程

https://www.showmeai.tech/article-detail/346

ENGR108 （曾用名：EE103、CME103）是全球頂級(jí)院校斯坦福開設(shè)的以線性代數(shù)和矩陣論為主題的專業(yè)課程。不同于定理證明、矩陣運(yùn)算的傳統(tǒng)內(nèi)容，這門課程更直觀，用非常多的例子和圖標(biāo)，來(lái)表示向量、矩陣與復(fù)雜世界的關(guān)系，并能夠解決現(xiàn)實(shí)問(wèn)題。

• Linear functions（線性函數(shù)）
• Intro to Julia Tutorial（Julia 入門教程）
• Norm and distance（范數(shù)與距離度量）
• Clustering（聚類）
• Linear independence（線性無(wú)關(guān)）
• Matrices（矩陣）
• Linear equations（線性方程）
• Linear dynamical systems（線性動(dòng)態(tài)系統(tǒng)）
• Matrix multiplication（矩陣乘法）
• Matrix inverses（逆矩陣）
• Regression（回歸）
• Least squares classification（最小二乘法）
• Multi-objective least squares（多目標(biāo)最小二乘）
• Constrained least squares（受約束的最小二乘）

課程對(duì)應(yīng)的資料和視頻公開放出，ShowMeAI 對(duì)課程資料進(jìn)行了梳理，整理成這份完備且清晰的資料包（點(diǎn)擊 這里 獲取這份資料包）：

• 📚 e-book：課程對(duì)應(yīng)的電子書。

• 📚 課件：Chapter 1-19的所有課件PDF版本。

• 📚 作業(yè)： Stephen Boyd (課程講師) 和 Lieven Vandenberghe 整理的課程練習(xí)題，共20多頁(yè)，21章。

數(shù)據(jù)&資源

🔥 『Graph Adversarial Learning Literature』圖對(duì)抗學(xué)習(xí)文獻(xiàn)集

https://github.com/safe-graph/graph-adversarial-learning-literature

https://arxiv.org/pdf/1812.10528.pdf

關(guān)于圖結(jié)構(gòu)數(shù)據(jù)的對(duì)抗性攻擊和防御論文的精選列表。論文按上傳日期降序排列。對(duì)應(yīng)論文『Adversarial Attack and Defense on Graph Data: A Survey 』 見上方第二個(gè)鏈接。

研究&論文

可以點(diǎn)擊 這里 回復(fù)關(guān)鍵字 日?qǐng)?bào)，免費(fèi)獲取整理好的論文合輯。

科研進(jìn)展

• 2022.09.21 『數(shù)據(jù)增強(qiáng)』 Deep Learning for Medical Image Segmentation: Tricks, Challenges and Future Directions
• 2022.09.21 『3D姿態(tài)預(yù)估』 Benchmarking and Analyzing 3D Human Pose and Shape Estimation Beyond Algorithms
• 2022.09.21 『圖像分類』 HiFuse: Hierarchical Multi-Scale Feature Fusion Network for Medical Image Classification

? 論文：Deep Learning for Medical Image Segmentation: Tricks, Challenges and Future Directions

論文時(shí)間：21 Sep 2022

領(lǐng)域任務(wù)：Data Augmentation, Domain Adaptation, 數(shù)據(jù)增強(qiáng)，域自適應(yīng)

論文地址：https://arxiv.org/abs/2209.10307

代碼實(shí)現(xiàn)：https://github.com/hust-linyi/seg_trick

論文作者：Dong Zhang, Yi Lin, Hao Chen, Zhuotao Tian, Xin Yang, Jinhui Tang, Kwang Ting Cheng

論文簡(jiǎn)介：Over the past few years, the rapid development of deep learning technologies for computer vision has greatly promoted the performance of medical image segmentation (MedISeg)./在過(guò)去的幾年里，計(jì)算機(jī)視覺深度學(xué)習(xí)技術(shù)的快速發(fā)展大大促進(jìn)了醫(yī)學(xué)圖像分割（MedISeg）的性能。

論文摘要：在過(guò)去的幾年里，計(jì)算機(jī)視覺深度學(xué)習(xí)技術(shù)的快速發(fā)展極大地促進(jìn)了醫(yī)學(xué)圖像分割（MedISeg）的性能。然而，最近的MedISeg出版物通常集中在對(duì)主要貢獻(xiàn)的介紹上（如網(wǎng)絡(luò)架構(gòu)、訓(xùn)練策略和損失函數(shù)），而不知不覺地忽略了一些邊緣的實(shí)現(xiàn)細(xì)節(jié)（也稱為 “技巧”），導(dǎo)致了不公平的實(shí)驗(yàn)結(jié)果比較的潛在問(wèn)題。在本文中，我們針對(duì)不同的模型實(shí)施階段（即預(yù)訓(xùn)練模型、數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)、模型實(shí)施、模型推理和結(jié)果后處理）收集了一系列MedISeg技巧，并通過(guò)實(shí)驗(yàn)探索這些技巧對(duì)一致的基線模型的有效性。與那些只基礎(chǔ)地關(guān)注分割模型的優(yōu)勢(shì)和局限性分析的論文驅(qū)動(dòng)的調(diào)查相比，我們的工作提供了大量扎實(shí)的實(shí)驗(yàn)，在技術(shù)上更具有可操作性。通過(guò)對(duì)具有代表性的二維和三維醫(yī)學(xué)圖像數(shù)據(jù)集的大量實(shí)驗(yàn)結(jié)果，我們明確地闡明了這些技巧的效果。此外，基于所調(diào)查的技巧，我們還開源了一個(gè)強(qiáng)大的MedISeg資源庫(kù)，其中的每個(gè)組件都具有即插即用的優(yōu)勢(shì)。我們相信，這項(xiàng)里程碑式的工作不僅完成了對(duì)最先進(jìn)的MedISeg方法的全面和補(bǔ)充調(diào)查，而且還為解決未來(lái)的醫(yī)學(xué)圖像處理挑戰(zhàn)提供了實(shí)用指南，包括但不限于小數(shù)據(jù)集學(xué)習(xí)、類不平衡學(xué)習(xí)、多模式學(xué)習(xí)和領(lǐng)域適應(yīng)。該代碼已在以下網(wǎng)站發(fā)布：https://github.com/hust-linyi/MedISeg

? 論文：Benchmarking and Analyzing 3D Human Pose and Shape Estimation Beyond Algorithms

論文時(shí)間：21 Sep 2022

領(lǐng)域任務(wù)：3D human pose and shape estimation, Human Mesh Recovery，3D姿態(tài)預(yù)估

論文地址：https://arxiv.org/abs/2209.10529

代碼實(shí)現(xiàn)：https://github.com/smplbody/hmr-benchmarks

論文作者：Hui En Pang, Zhongang Cai, Lei Yang, Tianwei Zhang, Ziwei Liu

論文簡(jiǎn)介：Experiments with 10 backbones, ranging from CNNs to transformers, show the knowledge learnt from a proximity task is readily transferable to human mesh recovery./用10個(gè)骨干（從CNN到transformers）進(jìn)行的實(shí)驗(yàn)表明，從接近任務(wù)中學(xué)到的知識(shí)很容易轉(zhuǎn)移到人類網(wǎng)格恢復(fù)中。

論文摘要：3D人類姿勢(shì)和形狀估計(jì)（又稱 “人類網(wǎng)格恢復(fù)”）已經(jīng)取得了實(shí)質(zhì)性進(jìn)展。研究人員主要集中在新算法的開發(fā)上，而對(duì)所涉及的其他關(guān)鍵因素關(guān)注較少。這可能導(dǎo)致不太理想的基線，阻礙了對(duì)新設(shè)計(jì)的方法進(jìn)行公平和忠實(shí)的評(píng)估。為了解決這個(gè)問(wèn)題，這項(xiàng)工作從算法以外的三個(gè)未充分開發(fā)的角度提出了第一個(gè)全面的基準(zhǔn)研究。1）數(shù)據(jù)集。對(duì)31個(gè)數(shù)據(jù)集的分析揭示了數(shù)據(jù)樣本的不同影響：具有關(guān)鍵屬性的數(shù)據(jù)集（即不同的姿勢(shì)、形狀、相機(jī)特征、骨干特征）更加有效。戰(zhàn)略性地選擇和組合高質(zhì)量的數(shù)據(jù)集可以對(duì)模型的性能產(chǎn)生顯著的提升。2) 骨干。用10個(gè)骨干進(jìn)行的實(shí)驗(yàn)，從CNN到transformers，表明從接近任務(wù)中學(xué)到的知識(shí)很容易轉(zhuǎn)移到人類網(wǎng)格恢復(fù)上。3) 訓(xùn)練策略。適當(dāng)?shù)脑鰪?qiáng)技術(shù)和損失設(shè)計(jì)是至關(guān)重要的。有了上述發(fā)現(xiàn)，我們用一個(gè)相對(duì)簡(jiǎn)單的模型在3DPW測(cè)試集上實(shí)現(xiàn)了47.3毫米的PA-MPJPE。更重要的是，我們?yōu)樗惴ǖ墓奖容^提供了強(qiáng)有力的基線，并為將來(lái)建立有效的訓(xùn)練配置提供了建議。代碼庫(kù)可在 http://github.com/smplbody/hmr-benchmarks

? 論文：HiFuse: Hierarchical Multi-Scale Feature Fusion Network for Medical Image Classification

論文時(shí)間：21 Sep 2022

領(lǐng)域任務(wù)：Image Classification, Inductive Bias, 歸納偏置，圖像分類

論文地址：https://arxiv.org/abs/2209.10218

代碼實(shí)現(xiàn)：https://github.com/huoxiangzuo/HiFuse

論文作者：Xiangzuo Huo, Gang Sun, Shengwei Tian, Yan Wang, Long Yu, Jun Long, Wendong Zhang, Aolun Li

論文簡(jiǎn)介：A parallel hierarchy of local and global feature blocks is designed to efficiently extract local features and global representations at various semantic scales, with the flexibility to model at different scales and linear computational complexity relevant to image size./設(shè)計(jì)了一個(gè)局部和全局特征塊的并行層次結(jié)構(gòu)，以有效地提取不同語(yǔ)義尺度的局部特征和全局表征，具有在不同尺度上建模的靈活性和與圖像大小相關(guān)的線性計(jì)算復(fù)雜性。

論文摘要：在卷積神經(jīng)網(wǎng)絡(luò)（CNN）的推動(dòng)下，醫(yī)學(xué)圖像分類得到迅速發(fā)展。由于卷積核的接受域的固定大小，很難捕捉到醫(yī)學(xué)圖像的全局特征。雖然基于自注意力的Transformer可以模擬長(zhǎng)距離的依賴關(guān)系，但它的計(jì)算復(fù)雜度很高，而且缺乏局部的歸納偏置。許多研究表明，全局和局部特征對(duì)圖像分類至關(guān)重要。然而，醫(yī)學(xué)圖像有很多嘈雜、分散的特征，類內(nèi)變化和類間相似。本文提出了一種三分支分層多尺度特征融合網(wǎng)絡(luò)結(jié)構(gòu)，稱為HiFuse，作為一種新的方法用于醫(yī)學(xué)圖像分類。它可以在不破壞各自建模的前提下，融合多尺度層次結(jié)構(gòu)的Transformer和CNN的優(yōu)點(diǎn)，從而提高各種醫(yī)學(xué)圖像的分類精度。設(shè)計(jì)了一個(gè)由局部和全局特征塊組成的平行層次結(jié)構(gòu)，以有效地提取不同語(yǔ)義尺度的局部特征和全局表征，具有在不同尺度上建模的靈活性和與圖像大小相關(guān)的線性計(jì)算復(fù)雜性。此外，還設(shè)計(jì)了一個(gè)自適應(yīng)的分層特征融合塊（HFF塊），以全面利用在不同分層層次上獲得的特征。HFF塊包含空間注意力、通道注意力、殘差倒置MLP和快捷鍵，以適應(yīng)性地融合各分支的不同尺度特征之間的語(yǔ)義信息。我們提出的模型在ISIC2018數(shù)據(jù)集上的準(zhǔn)確率比基線高7.6%，在Covid-19數(shù)據(jù)集上高21.5%，在Kvasir數(shù)據(jù)集上高10.4%。與其他高級(jí)模型相比，HiFuse模型的表現(xiàn)最好。我們的代碼是開源的，可從 https://github.com/huoxiangzuo/HiFuse 獲取。

我們是 ShowMeAI，致力于傳播AI優(yōu)質(zhì)內(nèi)容，分享行業(yè)解決方案，用知識(shí)加速每一次技術(shù)成長(zhǎng)！

? 點(diǎn)擊 日?qǐng)?bào)合輯，在公眾號(hào)內(nèi)訂閱話題 #ShowMeAI資訊日?qǐng)?bào)，可接收每日最新推送。

? 點(diǎn)擊 電子月刊，快速瀏覽月度合輯。

? 點(diǎn)擊 這里 ，回復(fù)關(guān)鍵字 日?qǐng)?bào) 免費(fèi)獲取AI電子月刊與論文 / 電子書等資料包。

總結(jié)

以上是生活随笔為你收集整理的AI绘画发展史(伪)：从免费到吃屎；YSDA·自然语言处理课程8K Star；伯克利CS285·深度强化学习课程；前沿论文 | ShowMeAI资讯日报的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。