星巴克推出Web3平臺；天啦嚕，AI繪畫能007了；『決策算法』電子書；合成人臉數(shù)據(jù)集；面向數(shù)據(jù)的版本控制；前沿論文

這篇具有很好參考價值的文章主要介紹了星巴克推出Web3平臺；天啦嚕，AI繪畫能007了；『決策算法』電子書；合成人臉數(shù)據(jù)集；面向數(shù)據(jù)的版本控制；前沿論文 | ShowMeAI資訊日報。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點擊"舉報違法"按鈕提交疑問。

??日報合輯 | ??電子月刊 | ??公眾號下載資料 | ??@韓信子

?? 星巴克推出 Web3 平臺 Starbucks Odyssey

https://stories.starbucks.com/press/2022/starbucks-brewing-revolutionary-web3-experience-for-its-starbucks-rewards-members/

9 月 12 日星巴克宣布推出 Web3 平臺 Starbucks Odyssey，將星巴克的忠誠度計劃 Starbucks Rewards 與 NFT 平臺相結合，允許客戶賺取和購買數(shù)字資產(chǎn)，從而解鎖獨家體驗和獎勵。Starbucks Odyssey 的所有 NFT 都由星巴克與藝術家共同創(chuàng)作，可以登錄參與設定的互動游戲等獲取，也可以使用信用卡直接購買。NTF 的積分可用于體驗星巴克的酒類制作課程、參加星巴克的烘焙活動等。

此外，值得注意的是，Starbucks Odyssey 平臺將由以太坊擴容方案 Polygon 提供技術支撐，以降低可能的昂貴的鏈上交易成本。Polygon 官方也于同一時間發(fā)推表示合作愉快。

工具&框架

?? 『AI Art Generator』AI藝術作品自動生成器

https://github.com/rbbrdckybk/ai-art-generator

AI Art Generator 用于在本地自動批量基于 AI 創(chuàng)建藝術作品（繪畫）。它將充分利用你的GPU進行 7X24 小時創(chuàng)作藝術畫，能夠自動生成 prompt 隊列，結合用戶選擇的主題、風格/ 藝術家等進行工作。

?? 『van-blog』簡潔實用優(yōu)雅的高性能個人博客系統(tǒng)

https://github.com/Mereithhh/van-blog

https://vanblog.mereith.com/

VanBlog 是一款簡潔實用優(yōu)雅的高性能個人博客系統(tǒng)。支持 HTTPS 證書全自動按需申請、黑暗模式、移動端自適應和評論，內(nèi)置流量統(tǒng)計與圖床，內(nèi)嵌評論系統(tǒng)，配有完備的、支持黑暗模式、支持移動端、支持一鍵上傳剪切板圖片到圖床、帶有強大的編輯器的后臺管理面板。

?? 『PaddleScience』基于 PaddlePaddle 開發(fā) AI 驅(qū)動科學計算應用的 SDK和庫

https://github.com/PaddlePaddle/PaddleScience

https://paddlescience.paddlepaddle.org.cn/

PaddleScience 基于 PaddlePaddle 框架構建，充分使用了其生態(tài)下的軟件組件，用于開發(fā)新的科學計算應用。覆蓋的領域包括物理信息機器學習、基于神經(jīng)網(wǎng)絡的PDE求解器、用于 CFD 的機器學習等等。PaddleScience 仍在不斷開發(fā)和更新中。

?? 『CvComposer』OpenCV的高級圖形界面，可方便構建工作流、快捷查看結果

https://github.com/wawanbreton/cvcomposer

CvComposer 是一個 OpenCV 的圖形界面工具。它讓你輕松使用和組合多種處理功能，并實時看到效果。典型的應用包括：

通過觀察單個函數(shù)的效果來學習 OpenCV
通過組合函數(shù)來設計復雜的圖像視覺算法
微調(diào)參數(shù)（閾值、核大小…）

?? 『Dolt』面向數(shù)據(jù)的版本控制，數(shù)據(jù)的 Git，13K Star

https://github.com/dolthub/dolt

Dolt 是一個 SQL 數(shù)據(jù)庫，你可以像 Git 倉庫一樣克隆、分支控制、合并、推送和拉取操作。將MySQL 數(shù)據(jù)庫連接到 Dolt，運行查詢或使用 SQL 命令更新數(shù)據(jù)都很方便。它支持使用命令行界面導入 CSV 文件，提交你的修改，推送到遠程，或合并團隊其他同學的修改。所有 Git 的命令在 Dolt 上都保持了一致性，可以放心使用。

博文&分享

?? 『Algorithms for Decision Making』決策算法·免費書

https://algorithmsbook.com/

PDF 下載：https://algorithmsbook.com/files/dm.pdf

本書對不確定條件下的決策算法作了廣泛的介紹，內(nèi)容涵蓋了與決策有關的各種主題，介紹了基本的數(shù)學問題公式和解決這些問題的算法。包含以下主題：

第一部分：概率推理

表征
推理
參數(shù)學習
結構學習
簡單決策

第二部分：順序問題

精確解法
近似值函數(shù)
在線規(guī)劃
政策搜索
政策梯度估計
政策梯度優(yōu)化
角色批判方法
政策驗證

第三部分：模型的不確定性

探索和利用
基于模型的方法
無模型的方法
模仿學習

第四部分：狀態(tài)的不確定性

信念
準確的信念狀態(tài)規(guī)劃
離線信念狀態(tài)規(guī)劃
在線信念狀態(tài)規(guī)劃
控制器抽象

第五部分：多Agent系統(tǒng)

多Agent推理
序列問題
狀態(tài)的不確定性
協(xié)作代理

?? 『A Short Chronology Of Deep Learning For Tabular Data』表格數(shù)據(jù)深度學習簡明清單

https://sebastianraschka.com/blog/2022/deep-learning-for-tabular-data.html

我們知道深度學習非常適合非結構化數(shù)據(jù)，深度學習有時被稱為『表征學習』，因為它的優(yōu)勢在于學習特征提取的能力。大多數(shù)結構化（表格）數(shù)據(jù)集已經(jīng)表示了（通常是手動）提取的特征，但許多研究人員最近試圖為結構化數(shù)據(jù)集開發(fā)特殊用途的深度學習方法。這篇內(nèi)容整理和更新了結構化數(shù)據(jù)上的深度學習研究和應用資源列表。

數(shù)據(jù)&資源

?? 『Synthetic Faces High Quality (SFHQ) Dataset』合成人臉高質(zhì)量數(shù)據(jù)集

https://github.com/SelfishGene/SFHQ-dataset

這個數(shù)據(jù)集由 3 個部分組成，每個部分包含大約 9 萬張精心收集的高質(zhì)量 1024x1024 的合成臉部圖像。它是通過使用『將圖像編碼到 StyleGAN2 潛在空間，并操作將每個圖像變成一個照片般的真實圖像』得到。該數(shù)據(jù)集還包含面部關鍵點和解析語義分割圖。

?? 『Collaborative Perception』協(xié)同感知相關文獻列表

https://github.com/Little-Podi/Collaborative_Perception

該項目是 V2I / V2V / V2X 自動駕駛場景下的協(xié)作 / 合作 / 多代理感知的最新進展的論文摘要。論文按第一個字符的字母順序列出。所有論文和代碼的鏈接都可以免費訪問。

研究&論文

可以點擊這里回復關鍵字日報，免費獲取整理好的論文合輯。

科研進展

2022.08.26 『視頻檢索』 Partially Relevant Video Retrieval

2022.02.12 『目標檢測』 Depth-Cooperated Trimodal Network for Video Salient Object Detection

2022.01.01 『對比學習』 Cross-View Language Modeling: Towards Unified Cross-Lingual Cross-Modal Pre-training

? 論文：Partially Relevant Video Retrieval

論文時間：26 Aug 2022

領域任務：Moment Retrieval, Multiple Instance Learning, 視頻檢索，計算機視覺

論文地址：https://arxiv.org/abs/2208.12510

代碼實現(xiàn)：https://github.com/HuiGuanLab/ms-sl

論文作者：Jianfeng Dong, Xianke Chen, Minsong Zhang, Xun Yang, ShuJie Chen, Xirong Li, Xun Wang

論文簡介：To fill the gap, we propose in this paper a novel T2VR subtask termed Partially Relevant Video Retrieval (PRVR)./為了填補這一空白，我們在本文中提出了一個新的T2VR子任務，即部分相關視頻檢索（PRVR）。

論文摘要：目前的文本-視頻檢索（T2VR）方法是在面向視頻字幕的數(shù)據(jù)集（如MSVD、MSR-VTT和VATEX）上進行訓練和測試。這些數(shù)據(jù)集的一個關鍵屬性是，視頻被假定為時間上的預剪短，而提供的標題很好地描述了視頻內(nèi)容的要點。因此，對于一個給定的成對的視頻和標題，視頻應該是與標題完全相關的。然而，在現(xiàn)實中，由于查詢并不是預先知道的，預先修剪的視頻片段可能不包含足夠的內(nèi)容來完全滿足查詢。這表明文獻和現(xiàn)實世界之間存在差距。為了填補這一空白，我們在本文中提出了一個新的T2VR子任務，即部分相關視頻檢索（PRVR）。如果一個未經(jīng)修剪的視頻包含了與查詢相關的時刻，那么它就被認為與給定的文本查詢部分相關。PRVR旨在從一大批未修剪的視頻中檢索出這些部分相關的視頻。PRVR不同于單一視頻時刻檢索和視頻語料庫時刻檢索，因為后兩者要檢索的是時刻而不是未修剪的視頻。我們將PRVR表述為一個多實例學習（MIL）問題，即一個視頻同時被視為一袋視頻片段和一袋視頻幀。片段和幀代表不同時間尺度的視頻內(nèi)容。我們提出了一個多尺度相似性學習（MS-SL）網(wǎng)絡，為PRVR共同學習片段尺度和幀尺度的相似性。在三個數(shù)據(jù)集（TVR、ActivityNet Captions和Charades-STA）上的廣泛實驗證明了所提方法的可行性。我們還表明，我們的方法可用于改善視頻語料庫的時刻檢索。

? 論文：Depth-Cooperated Trimodal Network for Video Salient Object Detection

論文時間：12 Feb 2022

領域任務：object-detection, Optical Flow Estimation, 目標檢測，光流預估

論文地址：https://arxiv.org/abs/2202.06060

代碼實現(xiàn)：https://github.com/luyukang/DCTNet

論文作者：Yukang Lu, Dingyao Min, Keren Fu, Qijun Zhao

論文簡介：However, existing video salient object detection (VSOD) methods only utilize spatiotemporal information and seldom exploit depth information for detection./然而，現(xiàn)有的視頻突出對象檢測（VSOD）方法只利用時空信息，很少利用深度信息進行檢測。

論文摘要：深度可以為突出物體檢測（SOD）提供有用的地理線索，并且在最近的RGB-D SOD方法中被證明是有用的。然而，現(xiàn)有的視頻突出對象檢測（VSOD）方法只利用時空信息，很少利用深度信息進行檢測。在本文中，我們提出了一個深度合作的三模網(wǎng)絡，稱為用于VSOD的DCTNet，這是一項結合深度信息來輔助VSOD的開創(chuàng)性工作。為此，我們首先從RGB幀中生成深度，然后提出一種不平等地處理三種模式的方法。具體來說，我們設計了一個多模態(tài)注意力模塊（MAM）來模擬主模態(tài)（RGB）和兩個輔助模態(tài)（深度、光流）之間的多模態(tài)長程依賴關系。我們還引入了一個細化融合模塊（RFM）來抑制每個模態(tài)中的噪音，并動態(tài)地選擇有用的信息來進一步細化特征。最后，在細化特征后采用漸進式融合策略，實現(xiàn)最終的跨模態(tài)融合。在五個基準數(shù)據(jù)集上的實驗證明了我們的深度合作模型相對于12種最先進的方法的優(yōu)越性，深度的必要性也得到了驗證。

? 論文：Cross-View Language Modeling: Towards Unified Cross-Lingual Cross-Modal Pre-training

論文時間：1 Jun 2022

領域任務：Contrastive Learning, Language Modelling, 對比學習，語言模型

論文地址：https://arxiv.org/abs/2206.00621

代碼實現(xiàn)：https://github.com/zengyan-97/cclm

論文作者：Yan Zeng, Wangchunshu Zhou, Ao Luo, Xinsong Zhang

論文簡介：To this end, the cross-view language modeling framework considers both multi-modal data (i. e., image-caption pairs) and multi-lingual data (i. e., parallel sentence pairs) as two different views of the same object, and trains the model to align the two views by maximizing the mutual information between them with conditional masked language modeling and contrastive learning./為此，跨視圖語言建?？蚣軐⒍嗄B(tài)數(shù)據(jù)（即圖像-標題對）和多語言數(shù)據(jù)（即平行句子對）視為同一對象的兩個不同視圖，并通過條件掩碼語言建模和對比學習，使兩個視圖之間的相互信息最大化來訓練模型，使其協(xié)調(diào)一致。

論文摘要：在本文中，我們介紹了跨視圖語言建模，這是一個簡單而有效的語言模型預訓練框架，它將跨語言跨模式預訓練與共享架構和目標統(tǒng)一起來。我們的方法源于一個關鍵的觀察，即跨語言和跨模態(tài)的預訓練有著相同的目標，即把同一對象的兩個不同的觀點統(tǒng)一到一個共同的語義空間。為此，跨視圖語言建?？蚣軐⒍嗄B(tài)數(shù)據(jù)（即圖像-標題對）和多語言數(shù)據(jù)（即平行句對）視為同一對象的兩個不同視圖，并通過條件掩蔽語言建模和對比學習使兩個視圖之間的相互信息最大化來訓練模型。我們用跨視圖語言建?？蚣茴A先訓練CCLM，一個跨語言的跨模態(tài)語言模型。在IGLUE（一個多語言多模態(tài)基準）和兩個多語言圖像-文本檢索數(shù)據(jù)集上的實證結果表明，雖然概念上比較簡單，但CCLM明顯優(yōu)于之前的最先進水平，平均絕對改進超過10%。值得注意的是，CCLM是第一個多語言多模態(tài)模型，通過零點跨語言轉(zhuǎn)移，超越了有代表性的英語視覺語言模型的翻譯測試性能。

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，用知識加速每一次技術成長！

? 點擊 日報合輯，在公眾號內(nèi)訂閱話題 #ShowMeAI資訊日報，可接收每日最新推送。

? 點擊 電子月刊，快速瀏覽月度合輯。

? 點擊這里，回復關鍵字日報免費獲取AI電子月刊與論文 / 電子書等資料包。文章來源地址http://www.zghlxwxcb.cn/news/detail-483203.html

到了這里，關于星巴克推出Web3平臺；天啦嚕，AI繪畫能007了；『決策算法』電子書；合成人臉數(shù)據(jù)集；面向數(shù)據(jù)的版本控制；前沿論文 | ShowMeAI資訊日報的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！