本周关键词：对象识别、CNN、文本识别
本周最佳学术研究
SOLO：按位置分割对象的方法
本文提出了一种新颖且极其简单的图像实例分割方法，称为SOLO，这是一种直接实例分割框架，由澳大利亚阿德莱德大学和字节跳动 AI 实验室的研究人员合作开发。
SOLO是一种端到端的深度学习架构，可以将原始输入图像直接映射到所需的实例蒙版，无需像自底向上的方法那样进行分组后处理，也不需要像自顶向下的方法那样进行边界框检测和RoI操作，减少了处理时间。
实验结果：说明这是一个具有可靠性能且简单灵活的实例分割框架，在准确性方面与Mask R-CNN持平，并且优于最新的单阶段实例分割器。
鉴于SOLO的简单性，灵活性和强大的性能，研究人员希望SOLO可以成为实例分割和其他实例级别识别任务的基准。
Github传送门：
https://github.com/aim-uofa/AdelaiDet/
原文：
https://arxiv.org/pdf/1912.04488v3.pdf
多元假设检验Python包
hyppo的全称是HYPothesis Testing in PythOn，发音为“ Hippo”，是一个功能强大且可扩展的开源Python软件包，用于进行包括独立性、双样本和多样本等多变量假设检验。
尽管做多元独立性检验可以使用R软件包，但其大多数接口与Python不兼容，无法使用。而hyppo则包含许多最新的多元检验模块，易于使用，且可以灵活扩展。
文档及使用手册：
https://hyppo.neurodata.io/
原文：
https://arxiv.org/pdf/1907.02088v5.pdf
可进行交互式计算性能分析的深度神经网络训练工具
这篇最近发表的论文介绍了SKYLINE，一种用于DNN（深度神经网络）训练的交互式新工具，它支持编辑器内性能分析，可视化和调试等功能。
SKYLINE充分利用了DNN模型训练的特性，包括重复性，可预测性和代码结构性等，从而提供了与代码相关的交互式性能展示。本文主要阐述了：
DNN训练计算性能调试是深度学习开发人员面临的重要问题
DNN训练在计算性能上的特性可以应用于新的交互式分析
SKYLINE是开源的，可帮助深度学习开发人员提升未来研究效率。
Github传送门：
https://github.com/skylineprof/skyline。
原文：
https://arxiv.org/pdf/2008.06798v2.pdf
EASTER：一个高效且可扩展的文本识别器
这项工作提出了一种高效且可扩展的文本识别器（EASTER），可以在机器上打印的文字和手写文本上执行光学字符识别。
新模型利用了不重复的一维卷积层，从而能够以更少的数据量进行并行训练。
在对该体系结构的多个变体和最小变体之一进行评估时，该识别器的性能与基于RNN的复杂选择相当。使用20层最深变体的识别器优于RNN架构，在基准测试数据集（如IIIT-5k和SVT）上有很大的优势。
研究人员还展示了在脱机手写文本识别任务上，此识别器带来的结果相比当前最佳结果有较大提升。他们介绍了具有扩充设置的数据生成管道，这个管道可以生成手写和机器打印文本的综合数据集。
原文：
https://arxiv.org/pdf/2008.07839v2.pdf
致力于CNN的准确可视化和可解释性
为了更好地理解和使用卷积神经网络（CNN），CNN的可视化和解释近年来引起了越来越多的关注。
本文介绍了一种新颖的可视化方法，称为XGrad-CAM，该方法受敏感度和守恒原理的启发。提供了清晰的数学解释，填补了CAM可视化方法可解释性的空白。
结果表明，就保守性和敏感性而言，XGrad-CAM是Grad-CAM的增强版本。与Grad-CAM ++和Ablation-CAM相比，它可以实现比Grad-CAM更好的可视化性能，并且具有区分类和易于实现的优点。
Github传送门：
https://github.com/Fu0511/XGrad-CAM
原文：
https://arxiv.org/pdf/2008.02312v4.pdf
其他爆款论文
是否将离线RL的丰富前景带入现实应用？Google AI应对离线强化学习中的开放挑战：
https://ai.googleblog.com/2020/08/tackling-open-challenges-in-offline.html
CopyPose：一致的多视图多对象6D姿势估计：
https://www.di.ens.fr/willow/research/cosypose/
我们面临的挑战以及克服这些挑战所需的专业知识——信托与医疗AI：
https://arxiv.org/pdf/2008.07734v1.pdf
保守离线强化学习Q-Learning：
https://arxiv.org/pdf/2006.04779v3.pdf
自动化机器学习评论——挑战与机遇：
https://arxiv.org/pdf/2008.08516v1.pdf
学习资源
怎样使用机器学习驱动商业价值：
https://pages.awscloud.com/glbl-gc-450-machine-learning-journey-ebook/
AI大事件
用于机器学习应用程序的谷歌笔数字墨水识别API：
https://www.electronicsweekly.com/news/products/software-products/google-pens-digital-ink-recognition-api-machine-learning-apps-2020-08/
Socionext和大阪大学开发了新的深度学习方法，用于在弱光条件下进行目标检测：
https://www.prnewswire.com/news-releases/socionext-and-osaka-university-develop-new-deep-learning-method-for-object-detection-in-low-light-conditions-301116092.html
