大數(shù)據(jù)文摘出品

作者：Christopher Dossman

編譯：Luna、李雷、云舟

嗚啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly欄目又和大家見面啦！

AI ScholarWeekly是AI領(lǐng)域的學術(shù)專欄，致力于為你帶來最新潮、最全面、最深度的AI學術(shù)概覽，一網(wǎng)打盡每周AI學術(shù)的前沿資訊。

每周更新，做AI科研，每周從這一篇開始就夠啦！

本周關(guān)鍵詞：對象識別、CNN、文本識別

??

本文提出了一種新穎且極其簡單的圖像實例分割方法，稱為SOLO，這是一種直接實例分割框架，由澳大利亞阿德萊德大學和字節(jié)跳動 AI 實驗室的研究人員合作開發(fā)。

SOLO是一種端到端的深度學習架構(gòu)，可以將原始輸入圖像直接映射到所需的實例蒙版，無需像自底向上的方法那樣進行分組后處理，也不需要像自頂向下的方法那樣進行邊界框檢測和RoI操作，減少了處理時間。

實驗結(jié)果：說明這是一個具有可靠性能且簡單靈活的實例分割框架，在準確性方面與Mask R-CNN持平，并且優(yōu)于最新的單階段實例分割器。

鑒于SOLO的簡單性，靈活性和強大的性能，研究人員希望SOLO可以成為實例分割和其他實例級別識別任務(wù)的基準。

Github傳送門：

原文：

https://arxiv.org/pdf/1912.04488v3.pdf

hyppo的全稱是HYPothesis Testing in PythOn，發(fā)音為“ Hippo”，是一個功能強大且可擴展的開源Python軟件包，用于進行包括獨立性、雙樣本和多樣本等多變量假設(shè)檢驗。

盡管做多元獨立性檢驗可以使用R軟件包，但其大多數(shù)接口與Python不兼容，無法使用。而hyppo則包含許多最新的多元檢驗?zāi)K，易于使用，且可以靈活擴展。

文檔及使用手冊：

https://hyppo.neurodata.io/

原文：

https://arxiv.org/pdf/1907.02088v5.pdf

這篇最近發(fā)表的論文介紹了SKYLINE，一種用于DNN（深度神經(jīng)網(wǎng)絡(luò)）訓練的交互式新工具，它支持編輯器內(nèi)性能分析，可視化和調(diào)試等功能。

SKYLINE充分利用了DNN模型訓練的特性，包括重復(fù)性，可預(yù)測性和代碼結(jié)構(gòu)性等，從而提供了與代碼相關(guān)的交互式性能展示。本文主要闡述了：

DNN訓練計算性能調(diào)試是深度學習開發(fā)人員面臨的重要問題

DNN訓練在計算性能上的特性可以應(yīng)用于新的交互式分析

SKYLINE是開源的，可幫助深度學習開發(fā)人員提升未來研究效率。

Github傳送門：

https://github.com/skylineprof/skyline。

原文：

https://arxiv.org/pdf/2008.06798v2.pdf

這項工作提出了一種高效且可擴展的文本識別器（EASTER），可以在機器上打印的文字和手寫文本上執(zhí)行光學字符識別。

新模型利用了不重復(fù)的一維卷積層，從而能夠以更少的數(shù)據(jù)量進行并行訓練。

在對該體系結(jié)構(gòu)的多個變體和最小變體之一進行評估時，該識別器的性能與基于RNN的復(fù)雜選擇相當。使用20層最深變體的識別器優(yōu)于RNN架構(gòu)，在基準測試數(shù)據(jù)集（如IIIT-5k和SVT）上有很大的優(yōu)勢。

研究人員還展示了在脫機手寫文本識別任務(wù)上，此識別器帶來的結(jié)果相比當前最佳結(jié)果有較大提升。他們介紹了具有擴充設(shè)置的數(shù)據(jù)生成管道，這個管道可以生成手寫和機器打印文本的綜合數(shù)據(jù)集。

原文：

https://arxiv.org/pdf/2008.07839v2.pdf

為了更好地理解和使用卷積神經(jīng)網(wǎng)絡(luò)（CNN），CNN的可視化和解釋近年來引起了越來越多的關(guān)注。

本文介紹了一種新穎的可視化方法，稱為XGrad-CAM，該方法受敏感度和守恒原理的啟發(fā)。提供了清晰的數(shù)學解釋，填補了CAM可視化方法可解釋性的空白。

結(jié)果表明，就保守性和敏感性而言，XGrad-CAM是Grad-CAM的增強版本。與Grad-CAM ++和Ablation-CAM相比，它可以實現(xiàn)比Grad-CAM更好的可視化性能，并且具有區(qū)分類和易于實現(xiàn)的優(yōu)點。

Github傳送門：

https://github.com/Fu0511/XGrad-CAM

原文：

https://arxiv.org/pdf/2008.02312v4.pdf

是否將離線RL的豐富前景帶入現(xiàn)實應(yīng)用？Google AI應(yīng)對離線強化學習中的開放挑戰(zhàn)：

https://ai.googleblog.com/2020/08/tackling-open-challenges-in-offline.html

CopyPose：一致的多視圖多對象6D姿勢估計：

https://www.di.ens.fr/willow/research/cosypose/

我們面臨的挑戰(zhàn)以及克服這些挑戰(zhàn)所需的專業(yè)知識——信托與醫(yī)療AI：

https://arxiv.org/pdf/2008.07734v1.pdf

保守離線強化學習Q-Learning：

https://arxiv.org/pdf/2006.04779v3.pdf

自動化機器學習評論——挑戰(zhàn)與機遇：

https://arxiv.org/pdf/2008.08516v1.pdf

怎樣使用機器學習驅(qū)動商業(yè)價值：

https://pages.awscloud.com/glbl-gc-450-machine-learning-journey-ebook/

用于機器學習應(yīng)用程序的谷歌筆數(shù)字墨水識別API：

https://www.electronicsweekly.com/news/products/software-products/google-pens-digital-ink-recognition-api-machine-learning-apps-2020-08/

Socionext和大阪大學開發(fā)了新的深度學習方法，用于在弱光條件下進行目標檢測：

https://www.prnewswire.com/news-releases/socionext-and-osaka-university-develop-new-deep-learning-method-for-object-detection-in-low-light-conditions-301116092.html

零售行業(yè)的機器學習：

https://thedailychronicle.in/news/335883/machine-learning-in-retail-market-top-companies-trends-and-technology-2020-2029/