工具&框架
🚧 『DeepPavlov』开源对话 AI 库
DeepPavlov 是一个基于 TensorFlow、Keras 和 PyTorch 的开源对话式人工智能库。DeepPavlov 可以用于:开发可用于生产的聊天机器人和复杂的对话系统、NLP领域对话系统的研究。
🚧 『Flutter Chat UI』基于 Flutter 的聊天界面 UI
Flyer Chat 是一个使用 Flutter 或 React Native 创建应用内聊天体验的平台。这个资源库包含 Flutter 的聊天 UI 实现。它具备以下特点:
- 免费、开源、社区驱动
- 多后台支持,可选择自己喜欢的后端
- 可定制,支持自定义主题、地域和更多
- 极小的依赖性
🚧 『TuGraph』高效的图数据库
TuGraph 是一个高效的图形数据库,支持高数据量、低延迟查询和快速图形分析。
🚧 『VDP』将视觉AI与现代数据栈无缝集成的开源工具
视觉数据准备(VDP)是一个开源的视觉数据ETL工具,用于简化端到端的视觉数据处理管道。核心步骤功能包括:
- 从预先建立的数据源(如云/企业内部存储或物联网设备)中提取非结构化的视觉数据
- 通过Vision AI模型将其转化为可分析的结构化数据
- 将转换后的数据加载到仓库、应用程序或其他场景。
🚧 『GNews』Google新闻的非官方搜索API
一个轻量级的 Python 包,它提供了一个 API 来搜索谷歌新闻上的文章,并返回一个 JSON 格式的结果。
博文&分享
👍 『CS 295 - Causal Reasoning』UCI·因果推理(2021课程)
课程涵盖因果推理的相关主题,以研讨会的形式进行,课程的前半部分有课程讲授,后半部分是学生阅读并向全班展示基于书本章节的论文。本课程是为人工智能和机器学习领域的博士生准备的,需要有一定的机器学习基础。
课程包含以下主题:
- Introduction: Causal Hierarchy / 简介:因果层次结构
- The Simpson Paradox / 辛普森悖论
- Structural Causal Models / 结构因果模型
- Identification of Causal Effects / 因果效应识别
- The Problem of Confounding and the Back-Door Criterion / 混杂问题和后门标准
- Causal Calculus / 因果演算
- Linear Structural Causal Models / 线性结构的因果模型
- Counterfactuals / 反事实
- Structural Learning / 结构学习
👍 『Grokking Stable Diffusion.ipynb』Stable Diffusion实战 (Colab)
colab.research.google.com/drive/1dlgg…
数据&资源
🔥 『A Roadmap for Transfer Learning』迁移学习路线图
zhuanlan.zhihu.com/p/463332254
当下大部分的深度学习应用(尤其是CV和NLP)或多或少都会用到预训练模型,因此综述按照这些应用的生命周期,也就是 Pre-training - Adaptation - Evaluation,进行展开。
- 预训练(Pre-training)阶段的目标是获得可迁移的知识。深度模型在具有大规模数据的上游任务上进行预训练,以学习可迁移到各种下游任务的特征表示或参数。
- 适应阶段(Adaptation)的目标是重用可迁移的知识。通过将预训练的模型适应到下游任务,能够以更少的标注样本实现更好的泛化。而当下游任务不存在标注样本时,通常还会使用来自相同学习任务但不同数据分布的另一个数据域。上述两个过程分别涉及到了跨任务或者跨分布的迁移性。
- 评估阶段(Evaluation)的目标是评估模型的迁移性。通过评估某个模型或者某个方法在跨任务或者跨分布情况下的迁移性,可以帮助我们更好地挑选预训练模型、改进预训练方法、设计适应方法等。
🔥 『personal emotional dialogue system』对话系统相关文献列表
研究&论文
⚡ 论文:PyTorch Image Quality: Metrics for Image Quality Assessment
论文时间:31 Aug 2022
领域任务:Image Quality Assessment,图像质量评估
论文作者:Sergey Kastryulin, Jamil Zakirov, Denis Prokopenko, Dmitry V. Dylov
论文简介:Image Quality Assessment (IQA) metrics are widely used to quantitatively estimate the extent of image degradation following some forming, restoring, transforming, or enhancing algorithms./图像质量评估(IQA)指标被广泛用于定量估计某些成形、恢复、转换或增强算法后的图像退化程度。
论文摘要:图像质量评估(IQA)指标被广泛用于定量估计一些成形、恢复、转换或增强算法后的图像退化程度。我们提出了PyTorch图像质量(PIQ),这是一个以可用性为中心的库,包含了最流行的现代IQA算法,保证根据其原始命题正确实施,并经过彻底验证。在本文中,我们详细介绍了该库的基础原理,描述了使其可靠的评估策略,提供了展示性能-时间权衡的基准,并强调了在PyTorch后端使用该库时GPU加速的好处。PyTorch图像质量是一个开源软件,获取地址:github.com/photosynthe… 。
⚡ 论文:ESFPNet: efficient deep learning architecture for real-time lesion segmentation in autofluorescence bronchoscopic video
论文时间:15 Jul 2022
领域任务:Lesion Detection, Lesion Segmentation,病变检测,病变分割
论文作者:Qi Chang, Danish Ahmad, Jennifer Toth, Rebecca Bascom, William E. Higgins
论文简介:These values are superior to results achieved by other competing architectures that use Mix transformers or CNN-based encoders./这些数值优于其他使用混合变换器或基于CNN的编码器的竞争架构所取得的结果。
论文摘要:肺癌往往在晚期才被发现,导致病人的死亡率很高。因此,最近的研究集中在早期疾病检测方面。肺癌一般首先表现为在气道壁的支气管上皮内发生病变。支气管镜检查是有效的无创性支气管病变检测的首选程序。特别是,自体荧光支气管镜(AFB)可以区分正常和病变组织的自体荧光特性,即病变在AFB视频帧中显示为红褐色,而正常组织显示为绿色。由于最近的研究显示AFB对病变有很高的敏感性,它已成为标准支气管镜气道检查中检测早期肺癌的一个潜在的关键方法。不幸的是,手动检查AFB视频是非常繁琐和容易出错的,而在潜在的更强大的自动AFB病变检测和分割方面所做的努力有限。我们提出了一个实时的深度学习架构ESFPNet,用于从AFB视频流中对支气管病变进行稳健检测和分割。该架构的特点是利用预训练的混合Transformer(MiT)编码器结构和分阶段的特征金字塔(ESFP)解码器结构。来自肺癌患者气道检查的AFB视频的结果表明,我们的方法给出的平均Dice指数和IOU值分别为0.782和0.658,而处理量为27帧/秒。这些数值优于其他使用混合Transformer或基于CNN的编码器的竞争架构所取得的结果。此外,在ETIS-LaribPolypDB数据集上的优异表现表明了它在其他领域的潜在适用性。
⚡ 论文:Stationary Kernels and Gaussian Processes on Lie Groups and their Homogeneous Spaces I: the Compact Case
论文时间:31 Aug 2022
领域任务:Bayesian Inference, Gaussian Processes,贝叶斯推断,高斯过程
论文作者:Iskander Azangulov, Andrei Smolensky, Alexander Terenin, Viacheslav Borovitskiy
论文简介:The invariance of a Gaussian process' covariance to such symmetries gives rise to the most natural generalization of the concept of s