一周AI最火论文 | 100%揭穿伪造人脸图像，道高一丈反Deep Fake

大数据摘要栏

作者:克里斯托弗·多斯曼

编译:乔伊，卢娜，云船

呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜布拉

AI ScholarWeekly是学术栏

每周更新以进行人工智能研究。从本文开始，每周

个关键词就足够了:文本理解、Python、姿势估计

本周最佳学术研究

通用文本理解模型软件工具包

本文介绍了jiant，这是该工具包仍处于持续开发阶段。

基于PyTorch，使用AllenNLP和HuggingFace PyTorch转换器包中的许多组件。Jiant现在已经实现了50多个自然语言理解任务，包括所有的GLUE和SuperGLUE基准测试任务。

作为一个配置驱动的框架，jiant使研究人员能够通过简单地编写配置文件来运行各种实验如果您需要添加新功能，您也可以轻松地编辑或扩展代码。

的代码是开源的。开发团队还邀请更多的人参与开发，提出问题或提交pull request

github:

https://github.com/nyu-MLL/JIANT/

original:

KD掘金最近一项涉及1800多名参与者的调查显示，在2019年，Python仍然是该领域使用最广泛的语言

这篇研究论文旨在介绍使用Python进行机器学习研究的最热门的主题和趋势研究人员进行了一项调查，以深入了解Python在机器学习中的应用，并总结了一些主要的挑战、分类和方法。在本文中，他们努力在学术研究和行业主题之间找到平衡，同时关注最相关的工具和软件库。

作为一种易于学习和使用的语言，Python已经发展成为许多研究和应用领域的流行语言随着中央处理器和图形处理器计算的发展以及Python用户群体的不断增长，这种语言有望在未来的许多年里继续成为科学计算机的主流语言。

对于该领域的研究人员，调查涵盖了广泛使用的框架和概念，这些框架和概念被收集在一起并作为一个整体进行比较，以便为读者提供最准确的信息，并促进Python机器学习领域的发展。

original:

https://arxiv.org/ABS/2002.04803v1

·2D/3D姿态估计和运动识别使用多任务深度学习

在本文中，研究人员提出了一个多任务框架来使用单目彩色图像估计2D或3D人类姿态，并从视频序列中对人类运动进行分类

之所以如此，是因为人类姿势估计和运动识别强烈依赖于人类表示和分析。然而，这两个问题只有在涉及到最新技术时才能分别处理。

该研究现在表明，可以使用一种方法来有效地解决这两个问题，并且当以每秒100帧以上的速度运行时，该算法仍然可以在每个任务上获得最新或等效的结果。由

提出的3D姿态方法提供了具有低分辨率的特征图的高精度估计，并且不需要通过预测每个人体关节的特定深度图的昂贵的体积热图

在四个数据集(MPII、Human3.6M、佩恩行动和NTU RGB+D)上的计算结果表明，该方法在目标任务上表现良好。该方法可以使用混合的2D和3D数据进行训练，这得益于精确的室内3D数据和使用手动标注的2D“场”图像，这证明了3D姿态估计的显著改进此外，该方法还可以同时以无缝方式利用单帧和视频剪辑进行训练

演示视频:

https://www . YouTube . com/watch？v = MNEZACbFA4Y & ampt = 6s

code:

https://github . com/dlu vizon/deep har

original:

https://arxiv . org/ABS/1912.08077v 2

多年来检测假脸图像的新方法

，虚假数字内容越来越受到关注，人们对图像内容的不信任日益蔓延。这种需求导致了对检测伪造图像的自动化技术的迫切需求。

为了区分哪些虚拟人脸图像是由人工智能生成的，一组德国研究人员最近引入了一种新方法，并成功地检测到了虚假人脸图像具体来说，他们提出了一种新的基于经典频域分析和简单分类的机器学习方法。

该方法对特定图像具有100%的检测精度，其主要应用范围是GANs两个数据集中的高分辨率和中分辨率虚拟人脸图像与需要提供大量标记数据的现有技术相比，这种新技术可以用很少的带注释的训练样本获得非常精确的结果，并且整个过程完全不受监督。

如果可以得到高分辨率的图像和不少于20个带注释的样本来训练模型，这种方法可以达到100%的理想检测率研究人员还将该模型应用于其他主流的假照片收藏，准确率可达91%

代码:

https://github.com/cc-HPC-itwm/deepfakedetection

original:

https://arxiv.org/ABS/1911.00686v3

将服装转移到3D人体模型

该技术自动将服装转移到3D人体模型，对于人类照片的逼真渲染、全面的数据学习、虚拟试衣、艺术和设计数据生成非常有用。虽然目前对这一领域的研究还不多，但仍有研究人员在努力改进现有的方法。

在本文中，研究人员提出了一种简单有效的方法，该方法能够实时地将服装图像的正面和背面纹理自动转换成三维服装他们使用的主要方法是在学习图像到衣服紫外线图的映射时，只使用轮廓信息而不是纹理信息。

研究人员首先介绍了他们使用的参数化3D服装模型，以及如何使用这些模型来标准化自动网格到图像轮廓的拟合过程由于拟合过程昂贵且容易出错，他们使用有效的神经映射(Pix2Surf)将图像纹理实时传输到网格

他们的新型号Pix2Surf的性能明显优于2D TPS翘曲等经典方法因此，这项工作可以说是在将服装纹理自动转换为3D服装的研究领域中迈出了一大步。它为未来更强大的应用(例如虚拟试戴)的诞生打开了大门，并允许生成具有学习所需的各种纹理的3D人体模型。

该技术对于人类真实感渲染、全面的数据学习、虚拟试衣、艺术和设计数据生成非常有用。

原文:

https://arxiv.org/ABS/2003.02050 v 1

其他爆炸性论文

自然语言处理深度学习的进展:

https://arxiv.org/abs/2003.01200v1

:简介本研究对受益于深度学习的自然语言处理的不同方面和应用进行了分类和处理。它涵盖了自然语言处理的核心任务和应用，并描述了深度学习方法和模型如何促进这些领域的发展。

非马尔可夫任务的交互式机器人训练:

https://arxiv.org/ABS/2003.02232v1

引言:在这篇论文中，研究人员提出了一个贝叶斯交互式机器人训练框架，它允许机器人从教师提供的演示中学习，并允许教师评估机器人的任务性能受不确定性抽样的启发，他们还提出了一种新的主动学习方法来识别那些可接受性低的任务。本文证明，与单纯的演示学习方法相比，新框架下的主动学习能在更大程度上决定教师的预期任务描述。

自动特征工程和选择的Python库:

https://arxiv.org/ABS/1901.07329v4

简介:它提供了一个多步骤的特征工程和选择过程:首先，形成大量非线性特征，然后从这些特征中选择一组健壮且有意义的特征这可以提高线性模型的预测精度并保持其可解释性。

数据集

用于机器人的大型RGB-D数据集。该数据集可用于确定老年人的日常活动:

年ai重大事件

年br >

年最热门开发者职位:

年https://www . zdnet . com/Article/developer-jobs-they-the-coders-the-coders

本文由 在线网速测试 整理编辑，转载请注明出处，原文链接：https://www.wangsu123.cn/news/889.html。