1. 首頁 > 生活百科 > >

2020年人工智能論文總結 論文總結

創業資源


2020年人工智能論文總結 論文總結

文章插圖

論文摘要(2020人工智能論文摘要)雖然今年世界上發生了這么多事情，但我們仍然有機會看到許多驚人的研究成果 。尤其是在人工智能領域 。此外，今年還強調了很多重要的方面，比如倫理道德、重要偏見等等 。人工智能和我們對人腦的理解及其與人工智能的聯系正在不斷發展，并將在不久的將來顯示出有希望的應用 。
以下是今年最有趣的研究論文，如果你錯過了其中的任何一篇 。簡而言之，基本上是根據發布日期列出的人工智能和數據科學的最新突破，有清晰的視頻講解，更深入的文章鏈接和代碼(如果適用) 。
最后，本文列出了每篇論文的完整參考文獻 。
YOLOv4:物體檢測的最佳速度和精度[1]
第四版由Alexey Bochkovsky等人在2020年4月的論文《Yolov4:物體檢測的最佳速度和精度》中介紹 。該算法的主要目標是在精度方面做出高質量的超高速目標檢測器 。
深度人臉繪制:從草圖深度生成人臉圖像[2]
現在你可以使用這種新的圖像到圖像轉換技術，從粗糙甚至不完整的草圖中生成高質量的人臉圖像，而無需繪圖技能！如果你的繪畫技巧和我一樣糟糕，你甚至可以調整眼睛、嘴巴和鼻子對最終圖像的影響 。讓我們看看它是否真的有效，以及他們是如何做到的 。
學習用GameGAN模擬動態環境[3]
這項研究由英偉達多倫多AI實驗室和日本游戲制造商*BANDAI NAMCO開發，前者提供技術，后者提供數據 。
簡單來說，GameGAN只需要學習簡單的游戲視頻和玩家輸入就可以模擬接近真實游戲的環境，不需要游戲引擎和底層代碼 。它的底層是人工智能領域眾所周知的生成對抗網絡(GAN) 。
脈沖:通過生成模型的潛在空間探索進行自監督照片上采樣[4]
它可以將超低分辨率的16x16圖像轉換成1080p高清人臉！你不相信我？然后你可以在不到一分鐘的時間里自己試穿，就像我一樣！
編程語言的無監督翻譯[5]
這種新模型可以在沒有任何監督的情況下將代碼從一種編程語言轉換成另一種編程語言！它可以接受一個Python函數，并將其轉換為c++函數，反之亦然，無需任何前面的示例！它理解每種語言的語法，所以可以擴展到任何編程語言！讓我們看看他們是怎么做的 。
PIFuHD:用于高分辨率三維人體數字化的多級像素對齊隱式函數[6]
這種人工智能從2D圖像生成人的三維高分辨率重建！它只需要一個單一的圖像，你就可以生成一個看起來像你的3D頭像，即使是從后面看！
視覺效果的高分辨率神經人臉交換[7]
迪士尼研究人員開發了一種新的具有高分辨率視覺效果的人臉交換算法 。它可以以一百萬像素的分辨率渲染照片的真實結果 。。他們的目標是在保持演員表演的同時，從源演員那里交換目標演員的外貌 。這在很多情況下都是非常有挑戰性和有用的，比如改變角色的年齡，演員不在的時候，甚至涉及到對主要演員來說太危險的特技場景 。目前的方法需要大量的逐幀動畫和專業人員的后期處理 。
將自動編碼器換成深度圖像處理[8]
這項新技術可以改變任何圖片的紋理，同時使用完全無監督的訓練來保持真實感！結果看起來比GANs能達到的還要好，而且更快！甚至可以用來做深度假貨！
GPT-3:語言模型是很少學習的[9]
目前，最先進的自然語言處理系統很難擴展到不同的任務 。他們需要微調成千上萬個例子的數據集，而人類只需要看幾個例子來執行新的語言任務 。這是GPT-3的目標，旨在提高語言模型的任務不可知性 。
學習用于視頻修復的聯合時空變換[10]
與最新技術相比，這款AI可以填補運動物體背后缺失的像素，以更高的精度和更少的模糊度重構整個視頻！
圖像GPT——從像素生成預處理[11]
一個好的人工智能，比如Gmail中使用的人工智能，可以生成連貫的文本并完成你的短語 。這是用同樣的原理來完成圖像處理！都是在無人監督的訓練中完成的 。完全不需要標簽！
學習使用白盒卡通表示進行卡通化[12]
AI可以卡通你想要的任何圖片或視頻！
從單個圖像對人類進行神經重建[14]
該算法將人體的姿態和形狀表示為一個參數網格，可以從單個圖像中重建并輕松放置 。給定一個人的圖像，他們可以從另一個輸入圖像中獲得具有不同姿勢或不同服裝的人的合成圖像 。
I2L-MeshNet:圖像到網格預測網絡，用于從單個RGB圖像中精確估計3D人體姿態和網格[15]

推薦閱讀