👀日報合輯 | 📆電子月刊 | 🔔公眾號下載資料 | 🍩@韓信子

📢 AI繪畫發展史(偽) ：不能提升生產力的創新，都是偽創新

微博博主 @西仔LittileC 繪制了一份AI繪畫發展史，展示了從業者的擔憂——并非抗拒技術進步帶來的競爭和壓力，而是擔心已有行業的種種亂象在繪畫行業重演，最終導致所有用戶被動『吃屎』。

大平臺免費致使從業人數減少、平臺收取低價使用費用、用戶必須購買會員/按月訂閱/按年訂閱才能使用、內容趨同千人一面··· 這個發展歷程，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或字體文件。

🚧 『MedPerf』醫療人工智能開放基準測試平臺

https://github.com/mlcommons/medperf

https://www.medperf.org/

Medperf 是一個使用聯邦評估的醫療人工智能開放基準測試平臺。Repo中你可以找到運行 MedPerf 的所有重要部分，包括：MedPerf 服務器、MedPerf CLI、試點結果。

🚧 『streamlit audio recorder』麥克風管理器

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 的應用程序錄制客戶端麥克風的音頻。通過瀏覽器的 Media-API 管理對麥克風的訪問，在 streamlit 應用程序中錄制、播放和恢復音頻捕獲，并將最終錄制文件下載到本地系統（WAV，16 位，44kHz）。

🚧 『fcmaes』一個 Python3 無梯度優化庫

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

🚧 『PainterEngine』由C語言編寫的跨平臺圖形應用框架

https://github.com/matrixcascade/PainterEngine

PainterEngine是一個由C語言編寫的跨平臺圖形應用框架,可運行于Windows Linux Android iOS 支持WebAssembly的Web端及嵌入式MCU上。

• PainterEngine由C89標準及部分拓展編寫,不依賴任何C標準庫及三方庫
• PainterEngine是平臺、編譯環境、運行時無關的
• 包含一套完整的內存管理及常用數據結構算法的實現
• 包含一套完整軟2D/3D渲染器實現
• 包含一套完整編譯型腳本引擎實現（編譯器、虛擬機、調試器）
• 包含一套完整游戲世界框架（對象及資源管理器，事件調度器，碰撞優化及物理計算模板）
• 包含一套完整的Live2D動畫系統實現（骨骼及物理模擬、動作追蹤、獨立的圖元光柵化實現，配套建模編輯器）
• 常用的反走樣幾何繪制及光柵化算法
• 圖像信號及音頻信號處理算法（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，出品了很多優質的數據類課程。這門 NLP 課程在GitHub上已經收獲了8K+個Star，可謂廣受認可。課程包含以下主題，資料見 GitHub項目的對應的文件夾：

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

👍 『(CS285) Deep Reinforcement Learning』 Berkeley伯克利 · 深度強化學習課程

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

CS285 課程來自著名的頂級院校UC伯克利，結合了最新的研究進展，講解深度強化學習領域的前沿知識和實踐。課程覆蓋了使用深度學習神經網絡進行強化學習的各類方法模型，對強化學習感興趣的同學可以借此全面了解神經網絡在其中的應用。

• Introduction and Course Overview（課程速覽與介紹）
• Supervised Learning of Behaviors（行為監督學習）
• Introduction to Reinforcement Learning（強化學習介紹）
• Policy Gradients（梯度策略）
• Actor-Critic Algorithms（Actor-Critic 算法）
• Value Function Methods（價值函數方法）
• Deep RL with Q-functions（基于Q函數的的深度強化學習）
• Advanced Policy Gradients（前沿梯度策略）
• Model-based Planning（基于模型的規劃）
• Model-based Reinforcement Learning（基于模型的強化學習）
• Model-based Policy Learning（基于模型的策略學習）
• Exploration（探索與利用）
• Offline Reinforcement Learning（離線強化學習）
• Introduction to RL Theory（強化學習理論）
• Deep RL Algorithm Design（深度強化學習算法設計）
• Probability and Variational Inference Primer（概率與變分推斷初步）
• Connection between Inference and Control（推斷與控制聯系）
• Inverse Reinforcement Learning（逆強化學習）
• Transfer Learning and Multi-Task Learning（遷移學習與多任務學習）
• Meta-Learning（元學習）
• Challenges and Open Problems（挑戰與開放待解決的問題）

課程對應的資料和視頻公開放出，ShowMeAI 對課程資料進行了梳理，整理成這份完備且清晰的資料包（點擊 這里 獲取這份資料包）：

• 📚 課件。Lecture 1~23所有章節。

• 📚 代碼作業與參考答案-數據文件&.py文件。Homework 1~5所有作業的參考答案。

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

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

ENGR108 （曾用名：EE103、CME103）是全球頂級院校斯坦福開設的以線性代數和矩陣論為主題的專業課程。不同于定理證明、矩陣運算的傳統內容，這門課程更直觀，用非常多的例子和圖標，來表示向量、矩陣與復雜世界的關系，并能夠解決現實問題。

• Linear functions（線性函數）
• Intro to Julia Tutorial（Julia 入門教程）
• Norm and distance（范數與距離度量）
• Clustering（聚類）
• Linear independence（線性無關）
• Matrices（矩陣）
• Linear equations（線性方程）
• Linear dynamical systems（線性動態系統）
• 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（多目標最小二乘）
• Constrained least squares（受約束的最小二乘）

課程對應的資料和視頻公開放出，ShowMeAI 對課程資料進行了梳理，整理成這份完備且清晰的資料包（點擊 這里 獲取這份資料包）：

• 📚 e-book：課程對應的電子書。

• 📚 課件：Chapter 1-19的所有課件PDF版本。

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

數據&資源

🔥 『Graph Adversarial Learning Literature』圖對抗學習文獻集

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

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

關于圖結構數據的對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。對應論文『Adversarial Attack and Defense on Graph Data: A Survey 』 見上方第二個鏈接。

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

• 2022.09.21 『數據增強』 Deep Learning for Medical Image Segmentation: Tricks, Challenges and Future Directions
• 2022.09.21 『3D姿態預估』 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

論文時間：21 Sep 2022

領域任務：Data Augmentation, Domain Adaptation, 數據增強，域自適應

論文地址：https://arxiv.org/abs/2209.10307

代碼實現：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)./在過去的幾年里，計算機視覺深度學習技術的快速發展大大促進了醫學圖像分割（MedISeg）的性能。

論文摘要：在過去的幾年里，計算機視覺深度學習技術的快速發展極大地促進了醫學圖像分割（MedISeg）的性能。然而，最近的MedISeg出版物通常集中在對主要貢獻的介紹上（如網絡架構、訓練策略和損失函數），而不知不覺地忽略了一些邊緣的實現細節（也稱為 “技巧”），導致了不公平的實驗結果比較的潛在問題。在本文中，我們針對不同的模型實施階段（即預訓練模型、數據預處理、數據增強、模型實施、模型推理和結果后處理）收集了一系列MedISeg技巧，并通過實驗探索這些技巧對一致的基線模型的有效性。與那些只基礎地關注分割模型的優勢和局限性分析的論文驅動的調查相比，我們的工作提供了大量扎實的實驗，在技術上更具有可操作性。通過對具有代表性的二維和三維醫學圖像數據集的大量實驗結果，我們明確地闡明了這些技巧的效果。此外，基于所調查的技巧，我們還開源了一個強大的MedISeg資源庫，其中的每個組件都具有即插即用的優勢。我們相信，這項里程碑式的工作不僅完成了對最先進的MedISeg方法的全面和補充調查，而且還為解決未來的醫學圖像處理挑戰提供了實用指南，包括但不限于小數據集學習、類不平衡學習、多模式學習和領域適應。該代碼已在以下網站發布：https://github.com/hust-linyi/MedISeg

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

論文時間：21 Sep 2022

領域任務：3D human pose and shape estimation, Human Mesh Recovery，3D姿態預估

論文地址：https://arxiv.org/abs/2209.10529

代碼實現：https://github.com/smplbody/hmr-benchmarks

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

論文簡介：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個骨干（從CNN到transformers）進行的實驗表明，從接近任務中學到的知識很容易轉移到人類網格恢復中。

論文摘要：3D人類姿勢和形狀估計（又稱 “人類網格恢復”）已經取得了實質性進展。研究人員主要集中在新算法的開發上，而對所涉及的其他關鍵因素關注較少。這可能導致不太理想的基線，阻礙了對新設計的方法進行公平和忠實的評估。為了解決這個問題，這項工作從算法以外的三個未充分開發的角度提出了第一個全面的基準研究。1）數據集。對31個數據集的分析揭示了數據樣本的不同影響：具有關鍵屬性的數據集（即不同的姿勢、形狀、相機特征、骨干特征）更加有效。戰略性地選擇和組合高質量的數據集可以對模型的性能產生顯著的提升。2) 骨干。用10個骨干進行的實驗，從CNN到transformers，表明從接近任務中學到的知識很容易轉移到人類網格恢復上。3) 訓練策略。適當的增強技術和損失設計是至關重要的。有了上述發現，我們用一個相對簡單的模型在3DPW測試集上實現了47.3毫米的PA-MPJPE。更重要的是，我們為算法的公平比較提供了強有力的基線，并為將來建立有效的訓練配置提供了建議。代碼庫可在 http://github.com/smplbody/hmr-benchmarks

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

論文時間：21 Sep 2022

領域任務：Image Classification, Inductive Bias, 歸納偏置，圖像分類

論文地址：https://arxiv.org/abs/2209.10218

代碼實現：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./設計了一個局部和全局特征塊的并行層次結構，以有效地提取不同語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的線性計算復雜性。

論文摘要：在卷積神經網絡（CNN）的推動下，醫學圖像分類得到迅速發展。由于卷積核的接受域的固定大小，很難捕捉到醫學圖像的全局特征。雖然基于自注意力的Transformer可以模擬長距離的依賴關系，但它的計算復雜度很高，而且缺乏局部的歸納偏置。許多研究表明，全局和局部特征對圖像分類至關重要。然而，醫學圖像有很多嘈雜、分散的特征，類內變化和類間相似。本文提出了一種三分支分層多尺度特征融合網絡結構，稱為HiFuse，作為一種新的方法用于醫學圖像分類。它可以在不破壞各自建模的前提下，融合多尺度層次結構的Transformer和CNN的優點，從而提高各種醫學圖像的分類精度。設計了一個由局部和全局特征塊組成的平行層次結構，以有效地提取不同語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的線性計算復雜性。此外，還設計了一個自適應的分層特征融合塊（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，以適應性地融合各分支的不同尺度特征之間的語義信息。我們提出的模型在ISIC2018數據集上的準確率比基線高7.6%，在Covid-19數據集上高21.5%，在Kvasir數據集上高10.4%。與其他高級模型相比，HiFuse模型的表現最好。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優質內容，分享行業解決方案，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。

總結

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资讯日报的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。