携手创作，共同生长！这是我参与「日新方案 · 8 月更文应战」的第8天，点击检查活动概况

ShowMeAI日报系列全新升级！覆盖AI人工智能 东西&结构 | 项目&代码 | 博文&共享 | 数据&资源 | 研讨&论文 等方向。点击检查 历史文章列表，在公众号内订阅论题 #ShowMeAI资讯日报，可接纳每日最新推送。点击 专题合辑&电子月刊 快速阅览各专题全集。

东西&结构

🚧 『Gum』炫酷的 shell 脚本东西

github.com/charmbracel…

Gum 供给了高度可装备、即用型的实用程序，能够生成酷炫的 shell 脚本但无需编写任何 Go 代码。

🚧 『FourCastNet』用 PyTorch 完成优化的全球AI气象预告模型

github.com/HFAiLab/Fou…

FourCastNet 是数据驱动的高分辨率全球气候模型，也是第一个人工智能气候模型，由 High-Flyer AI 部署和改进，能够与 ECMWF （欧洲中期气候预告中心）的归纳预告体系 IFS 进行直接比较。下图为『台风猜测途径与实在途径比较』『水汽浓度猜测与实在数据比较』。

🚧 『CBIM Medical Image Segmentation』PyTorch 医学图画切割结构

github.com/yhygao/CBIM…

CBIM Medical Image Segmentation 是根据 PyTorch 的医学图画切割结构，供给了CNN 和 Transformer 在多个医学图画数据集的评价与比较，为学术研讨人员供给了一个易用的深度学习模型开发与评价的结构。

🚧 『Diffgram』监督学习数据的开源数据标示渠道

github.com/diffgram/di…

Diffgram 是第一个真实的开源练习数据渠道，为所有数据类型（Image、Video、Text、3D、Geo、Audio等）供给『从注释到数据存储』的东西，能够减少数据标示的费用，进步练习数据的质量。

🚧 『InferOpt.jl』机器学习管道的组合优化东西箱

github.com/axelparment…

InferOpt.jl 是一个在机器学习管道中运用组合优化算法的东西箱，典型的比如包括混合整数线性程序或图算法。

博文&共享

👍 『存储(分布式、存储引擎等)』范畴相关的论文阅览笔记

github.com/lichuang/st…

作者当前工作方向集中在分布式、存储引擎等范畴，repo 记录了作者在这个方向现已阅览的论文解析、博客、文章索引，以及待阅览的论文。

👍 『核算学习导论及R言语应用』Python 版源码

github.com/qx0731/Shar…

项目作者十分喜欢《An Introduction to Statistical Learning with Applications in R》（核算学习导论及R言语应用）这本书，因而用 Python 代码完成了书中的代码。

数据&资源

🔥 『Time Series Papers』时刻序列相关文献列表

github.com/cure-lab/Aw…

🔥 『Math』免费自学数学路线图与资源

github.com/ossu/math

OSSU 课程是运用最TOP的在线资料进行的完整的数学教育，课程一般来自哈佛、麻省理工、斯坦福等顶级大学，能够满意一般本科数学专业的学位要求。本次数学路线图包括以下内容：

  • Introduction to Mathematical Thinking / 数学思维导论
  • Single-Variable Calculus / 单变量微积分
  • Multi-Variable Calculus / 多变量微积分
  • Introduction to Differential Equations / 微分方程简介
  • Discrete Math / 离散数学
  • Linear Algebra / 线性代数
  • Probability & Statistics / 概率与核算
  • Intro to Analysis / 剖析学入门
  • Intro to Abstract Algebra / 抽象代数入门

研讨&论文

公众号回复关键字日报，免费获取整理好的论文合辑。

科研论文

  • 2022.07.21 『核算机视觉』 Sobolev Training for Implicit Neural Representations with Approximated Image Derivatives
  • 2022.07.19 『核算机视觉』 Rethinking IoU-based Optimization for Single-stage 3D Object Detection
  • 2022.07.19 『核算机视觉』 ParticleSfM: Exploiting Dense Point Trajectories for Localizing Moving Cameras in the Wild
  • 2022.07.20 『核算机视觉』 AiATrack: Attention in Attention for Transformer Visual Tracking

⚡ 论文：Sobolev Training for Implicit Neural Representations with Approximated Image Derivatives

论文时刻：21 Jul 2022

所属范畴：核算机视觉

论文地址：arxiv.org/abs/2207.10…

代码完成：github.com/megvii-rese…

论文作者：Wentao Yuan, Qingtian Zhu, Xiangyue Liu, Yikang Ding, Haotian Zhang, Chi Zhang

论文简介：Recently, Implicit Neural Representations (INRs) parameterized by neural networks have emerged as a powerful and promising tool to represent different kinds of signals due to its continuous, differentiable properties, showing superiorities to classical discretized representations./最近，以神经网络为参数的隐性神经表征（INRs）现已成为一种强大而有出路的东西，因为其接连、可区分的特性，显示出比经典离散表征更多的优势，能够表征不同品种的信号。

论文摘要：最近，以神经网络为参数的隐性神经表征（INRs）因为其接连、可微分的特性而成为表征不同品种信号的强大和有出路的东西，显示出比经典离散表征的优越性。但是，神经网络的练习只使用了输入-输出对，而方针输出相对于输入的导数，在某些情况下能够拜访，一般被忽略了。在本文中，咱们为方针输出为图画像素的INRs提出了一种练习范式，在神经网络中除了图画值之外，还对图画导数进行编码。具体来说，咱们运用有限差分来逼近图画导数。咱们展现了怎么使用该练习范式来处理典型的INRs问题，即图画回归和反烘托，并证明该练习范式能够进步INRs的数据功率和泛化能力。咱们办法的代码可在github.com/megvii-rese…

⚡ 论文：Rethinking IoU-based Optimization for Single-stage 3D Object Detection

论文时刻：19 Jul 2022

所属范畴：核算机视觉

对应使命：3D Object Detection，object-detection，Object Detection，3D方针检测，方针检测

论文地址：arxiv.org/abs/2207.09…

代码完成：github.com/hlsheng1/rd…

论文作者：Hualian Sheng, Sijia Cai, Na Zhao, Bing Deng, Jianqiang Huang, Xian-Sheng Hua, Min-Jian Zhao, Gim Hee Lee

论文简介：Since Intersection-over-Union (IoU) based optimization maintains the consistency of the final IoU prediction metric and losses, it has been widely used in both regression and classification branches of single-stage 2D object detectors./因为根据穿插联合（IoU）的优化坚持了终究IoU猜测指标和丢失的一致性，它已被广泛用于一阶段2D物体检测器的回归和分类分支。

论文摘要：因为根据交并比（IoU）的优化坚持了终究IoU猜测指标和丢失的一致性，它已被广泛用于一阶段2D物体检测器的回归和分类分支。最近，一些三维物体检测办法采用了根据IoU的优化，并直接用三维IoU替代二维IoU。但是，因为杂乱的完成和低效的后向操作，这种直接的三维核算成本十分高。此外，根据3D IoU的优化是次优的，因为它对旋转很敏感，因而会导致练习不稳定和检测功能下降。在本文中，咱们提出了一种新颖的旋转耦合物联网（RDIoU）办法，它能够缓解旋转敏感问题，并在练习阶段发生比三维物联网更有效的优化方针。具体来说，咱们的RDIoU经过将旋转变量解耦为一个独立项，简化了回归参数的杂乱互动，但又保存了3D IoU的几许结构。经过将RDIoU纳入回归和分类分支，鼓励网络学习更准确的边界盒，一起战胜分类和回归之间的错位问题。在基准KITTI和Waymo开放数据集上的广泛试验验证了咱们的RDIoU办法能够为单阶段的3D物体检测带来实质性的改进。

⚡ 论文：ParticleSfM: Exploiting Dense Point Trajectories for Localizing Moving Cameras in the Wild

论文时刻：19 Jul 2022

所属范畴：核算机视觉

对应使命：Motion Segmentation，Optical Flow Estimation，Pose Estimation，运动切割，光流估量，位置估量

论文地址：arxiv.org/abs/2207.09…

代码完成：github.com/bytedance/p…

论文作者：Wang Zhao, Shaohui Liu, Hengkai Guo, Wenping Wang, Yong-Jin Liu

论文简介：In addition, our method is able to retain reasonable accuracy of camera poses on fully static scenes, which consistently outperforms strong state-of-the-art dense correspondence based methods with end-to-end deep learning, demonstrating the potential of dense indirect methods based on optical flow and point trajectories./此外，咱们的办法能够在彻底静态的场景上坚持合理的摄像机姿势精度，这一向优于根据端到端深度学习的强大的最先进的密布对应办法，证明了根据光流和点轨道的密布直接办法的潜力。

论文摘要：从单目视频中估量移动摄像机的姿势是一个具有应战性的问题，特别是因为动态环境中存在移动物体，现有的摄像机姿势估量办法的功能容易遭到几许上不一致的像素的影响。为了应对这一应战，咱们提出了一种稳健的视频密布直接结构办法，该办法根据从成对光流初始化的密布对应联系。咱们的关键思维是将长距离视频对应联系优化为密布点轨道，并使用它来学习运动切割的稳健估量。咱们提出了一个新的神经网络结构来处理不规则的点轨道数据。然后，在被归类为静态的长距离点轨道的部分上，用全局绑缚调整来估量和优化摄像机姿势。在MPI Sintel数据集上的试验标明，与现有的最先进的办法比较，咱们的体系发生的摄像机轨道明显更准确。此外，咱们的办法能够在彻底静态的场景中保存合理的相机姿势精度，这一向优于根据端到端深度学习的强大的最先进的密布对应办法，证明了根据光流和点轨道的密布直接办法的潜力。因为点轨道表明是通用的，咱们进一步介绍了在动态物体杂乱运动的野外单目视频中的成果和比较。代码可在github.com/bytedance/p…

⚡ 论文：AiATrack: Attention in Attention for Transformer Visual Tracking

论文时刻：20 Jul 2022

所属范畴：核算机视觉

对应使命：Object Tracking，Visual Object Tracking，Visual Tracking，方针追寻，视觉方针追寻，视觉追寻

论文地址：arxiv.org/abs/2207.09…

代码完成：github.com/Little-Podi…

论文作者：Shenyuan Gao, Chunluan Zhou, Chao Ma, Xinggang Wang, Junsong Yuan

论文简介：However, the independent correlation computation in the attention mechanism could result in noisy and ambiguous attention weights, which inhibits further performance improvement./但是，注意力机制中的独立相关核算或许导致噪声和模糊的注意力权重，这抑制了功能的进一步进步。

论文摘要：Transformer追寻器最近取得了令人印象深刻的发展，其中注意力机制发挥了重要作用。但是，注意力机制中的独立相关核算或许会导致噪声和模糊的注意力权重，这抑制了功能的进一步进步。为了处理这个问题，咱们提出了一个注意力中的注意力（AiA）模块，它经过在所有的相关向量中寻求一致来增强适当的相关并抑制错误的相关。咱们的AiA模块能够很容易地应用于自注意块和穿插注意块，以促进视觉跟踪的特征集合和信息传达。此外，咱们提出了一个简化的Transformer跟踪结构，称为AiATrack，经过引入有效的特征重用和方针-背景嵌入来充分使用时刻参考。试验标明，咱们的跟踪器在六个跟踪基准上完成了最先进的功能，一起以实时速度运转。

咱们是 ShowMeAI，致力于传达AI优质内容，共享职业处理方案，用常识加速每一次技术生长！点击检查 历史文章列表，在公众号内订阅论题 #ShowMeAI资讯日报，可接纳每日最新推送。点击 专题合辑&电子月刊 快速阅览各专题全集。

  • 作者：韩信子@ShowMeAI
  • 历史文章列表
  • 专题合辑&电子月刊
  • 声明：版权所有，转载请联系渠道与作者并注明出处
  • 欢迎回复，拜托点赞，留言引荐中有价值的文章、东西或主张，咱们都会尽快回复哒~