关注我们了解计算机视觉最新动态 ！
动态先览
1
「计算机视觉技术赋能智慧城市」技术论坛
          三天已过，仍人满为患
2
首届欧洲NLP会议EurNLP2019落幕
3
AI当自强:旷视自研人工智能算法平台Brain++
4
人工智能免费公开课一网打尽！
5
德州农工大学开源RLCard：帮你快速训练
        会斗地主的智能体
6
开源图神经网络框架DGL升级:GCMC训练
        时间从1天缩到1小时
7
网络运行时间提高100倍，Google使用的AI
        视频理解架构有多强？
8
Facebook正式开源CrypTen:基于PyTorch的
         安全机器学习新工具
4
MIT开发AI检测系统自动识别虚假消息

新闻类
「计算机视觉技术赋能智慧城市」技术论坛三天已过，仍人满为患
10 月 17 日至 19 日，由 CCF 主办、苏州工业园区管委会、苏州大学承办的 CNCC 2019 在秋意正浓的苏州如约而至。今年大会以「智能+引领社会发展」为主题，选址苏州金鸡湖国际会议中心召开。AI 科技评论将会作为战略合作媒体进行全程跟踪报道。
李子青：人脸识别挑战问题和解决技术
杨淑媛：基于深度学习的复杂场景解译
王刚：自动驾驶没有免费的午餐
鲁继文：深度强化学习与视觉内容理解
劳世竑：中日计算机视觉技术：从人脸识别到自动驾驶的产业化历程
申省梅：视频图像智能化助力智慧安防建设
首届欧洲NLP会议EurNLP2019落幕
前有美国、加拿大引领理论创新，后有中国在实际应用上紧追猛赶，欧洲学术圈在深度学习时代的存在感并不怎么强。一个这样的会可以看做是报团取暖，更可以看做是鼓励更多交流和创新。
本次为期一天的首届 EurNLP，暨 EurNLP 2019，有大约 200 人参加，共收到 179 篇有效论文投稿，接收论文 57 篇（接收率 31.8%）。会议议程包括 1 个大会报告、4 场论文报告以及 1 个圆桌讨论。除此之外，会议也安排了一个论文海报讨论环节，供学生、研究者们可以自由地展开讨论；这些论文的主题也多种多样，包括了多语言性、语言中的偏倚、机器学习、多模态、文本生成等等。
Vera Demberg：NLP 是否需要更多地考虑语言处理中的具体区别？
Dirk Hovy：层数越多，责任越大
Joakim Nivre：有监督句法分析快要寿终正寝了吗？还有大概 12 年吧
Bonnie Webber：隐式论述关系可以和显式关系共同存在
Natalie Schluter：神经网络句法解析看起来真简单，真的是这样吗？
Gemma Boleda：分布式表征中的通用信息以及特定情境信息
Reut Tsarfaty：空元素计划
Lucia Specia：人机对话需要发展出更全面的方法
André Martins：超越 Sparsemax - 自适应稀疏 Transformer
Angela Fan：在推理时剪枝 Transformer 模型
Rico Sennrich：自然语言处理中的 Transformer 模型都学到了什么？模型分析带来一些新的见解
AI当自强：旷视自研人工智能算法平台Brain++
随着深度学习逐渐从实验室走向工业应用，各大企业都在探索构建算法架构、实现模型的工具和平台。和使用 TensorFlow 或 PyTorch 等开源框架的公司不同，旷视走向了一条自主研制的道路，建立了从算法研发到部署应用的全流程、一站式人工智能算法平台 Brain++。
近日，旷视自主研发的人工智能算法平台 Brain++荣获第六届世界互联网大会「世界互联网领先科技成果」。
旷视原创自研的新一代人工智能算法平台 Brain++由三大支柱构成，分别是深度学习框架 MegEngine、深度学习云计算平台 MegCompute 和数据管理平台 MegData。
MegEngine 是 Brain++的核心组件，是为开发者和研究人员提供开发的深度学习框架。这一框架主要用于旷视内部进行计算机视觉领域的算法开发工作，包括大规模的人脸识别、图像分割、姿态识别等。
教程类
人工智能免费公开课一网打尽！
Deep Neural Networks 深度神经网络
课程推荐
1、Neural Networks for Machine Learning
Geoffrey Hinton，University of Toronto，2012/2014
2、CS231n: CNNs for Visual Recognition
Justin Johnson，Stanford University，2015-2017
3.CS320: Deep Learning
Andrew Ng，Stanford University，2018
Machine Learning Fundamentals 机器学习基础
课程推荐：
Linear Algebra
Gilbert Strang，MIT
Optimization for Machine Learning 机器学习优化方法
课程推荐
1、Convex Optimization
Stephen Boyd, Stanford University
2、Optimization
Geoff Gordon & Ryan Tibshirani, CMU
3、Convex Optimization
Ryan Tibshirani, CMU
4、Algorithmic Aspects of Machine Learning / Advanced Algorithms
Ankur Moitra, MIT
德州农工大学开源RLCard：帮你快速训练会斗地主的智能体
RLCard 是一个用于牌类游戏强化学习研究的开源工具包，其接口简单易用，支持多种牌类环境。RLCard 的目标是在强化学习与非完美信息博弈之间搭建桥梁，推动强化学习研究在多智能体、高维状态和动作空间以及稀疏奖励领域的进步。作者在论文中概述了 RLCard 的关键组件，探讨了其设计原则并简要介绍了接口，还给出了对这些环境的评估。
项目地址：https://github.com/datamllab/rlcard
论文地址：https://arxiv.org/abs/1910.04376
官方网站：http://rlcard.org/

开源图神经网络框架DGL升级：GCMC训练时间从1天缩到1小时
又一个AI框架迎来升级。
这次，是纽约大学、亚马逊联手推出图神经网络框架DGL。
异构图是一个与同构图相对应的新概念。
传统同构图（Homogeneous Graph）数据中只存在一种节点和边，因此在构建图神经网络时所有节点共享同样的模型参数并且拥有同样维度的特征空间。
而异构图（Heterogeneous Graph）中可以存在不只一种节点和边，因此允许不同类型的节点拥有不同维度的特征或属性。
DGL异构图教程：
https://docs.dgl.ai/tutorials/hetero/1_basics.html
DGL v0.4 更新笔记：
https://github.com/dmlc/dgl/releases
DGL-KE代码及使用说明：
https://github.com/dmlc/dgl/tree/master/apps/kg
DGL-Chem 模型库:
https://docs.dgl.ai/api/python/model_zoo.html#chemistry
程序员
网络运行时间提高100倍，Google使用的AI视频理解架构有多强？
当今深层学习模型的能力在很大程度上依赖于其神经结构。视频的卷积神经网络（CNN）通常是通过将已知的2D架构（例如Inception和ResNet）人工扩展到3D来构建的，或者是通过精心设计将外观和运动信息融合在一起的双流CNN架构来构建的。然而，设计一个最佳的视频架构并充分利用视频中的时空信息仍然是一个有待解决的问题。
Evanet：第一个进化的视频架构
本文作者在ICCV 2019的“Evolving Space-Time Neural Architectures for Videos”中介绍过EvaNet，它是对视频体系结构设计神经体系结构研究的首次尝试。
AssembleNet：构建更强、更好的（多流）模型
在“ AssembleNet：Evolving Space-Time Neural Architectures for Videos”中，作者研究了一种新的方法，该方法可以将不同的子网络融合到不同输入模式（例如rgb和光流）和时间分辨率中去。
Tiny Video Networks：最快的视频理解网络
原文链接：
https://ai.googleblog.com/2019/10/video-architecture-search.htm
Facebook正式开源CrypTen:基于PyTorch的安全机器学习新工具
机器学习通过基于云端或机器学习即服务（MLaaS）平台的实际应用提出了一系列安全和隐私挑战。尤其对于这些平台上可能不希望或无法共享未经加密数据的用户，他们可能因此无法充分利用机器学习工具。为了应对这些挑战，帮助人们更好地理解如何应用其中的某些技术，Facebook 发布了 CrypTen，这是新的基于社区的研究开源平台，旨在推动隐私保护机器学习领域的发展。
人工智能研究人员可以使用 CrypTen 来训练 PyTorch 模型，例如使用加密数据的 ResNet，同时保持 PyTorch 张量（torch.Tensor）的熟悉外观和感觉。
在过去的十年中，机器学习取得了翻天覆地的进步，部分原因是数据和计算的可用性以及易于使用的框架的发展。我们希望通过开发像 CrypTen 这样的工具，降低其他研究人员的进入门槛，我们可以帮助促进和加速开发新的机器学习安全技术的研究。
原文链接：
https://ai.facebook.com/blog/crypten-a-new-research-tool-for-secure-machine-learning-with-pytorch
MIT开发AI检测系统自动识别虚假消息
互联网时代，假新闻铺天盖地，而且极具迷惑性，Facebook 一度深陷虚假新闻的泥淖，不但被控影响了美国总统大选结果，甚至引发了德国政府的巨额罚款。我们不禁想到，能否利用人工智能强大的能力，来对抗假新闻呢？麻省理工学院计算机科学与人工智能实验室就为此做出了尝试。
原文链接：
https://venturebeat.com/2019/10/15/mit-csail-fights-fake-news-with-ai/  
无论最终的解决方案是人工智能、人类管理还是两者兼而有之，都不可能很快就会实现。Gartner 预测，如果目前的趋势持续下去的话，到 2022 年，发达国家的大多数人将会看到更多的虚假信息，而不是真实信息。
昨日推荐(左下角阅读原文)
 GitHub标星 2.3K，比个手势，AI自动识别Emoji！/ 之江杯全球人工智能大赛决赛亮点纷呈 / 自动驾驶没有免费的午餐
公众号ID：清瞳
清瞳时代，用科技让复杂的世界更简单
长按识别左边二维码关注我们