人工智能论文报告(人工智能的未来趋势论文参考文献)

人工智能论文报告(人工智能的未来趋势论文参考文献),本文通过数据整理汇集了人工智能论文报告(人工智能的未来趋势论文参考文献)相关信息，下面一起看看。

论文(2020年人工智能论文)尽管今年世界上发生了那么多事情，我们仍然有机会看到许多惊人的研究成果。尤其是在人工智能领域。，今年还强调了许多重要方面，如伦理道德、重要偏见等等。人工智能和我们对人脑的理解以及它与人工智能的联系都在不断发展，在不久的将来显示出有前景的应用。

如果你错过了其中的任何一篇，以下是今年最有趣的研究论文。简而言之，它基本上是根据发布日期列出的人工智能和数据科学的最新突破，有清晰的视频解释，更深入的文章链接和代码(如果适用)。

，本文列出了每篇论文的完整参考文献。

YOLOv4:物体检测的最佳速度和精确度[1]

第四版是由阿列克谢博奇科夫斯基等人于2020年4月在论文& # 039；YOLOV4:物体检测的最佳速度和精确度& # 039；该算法的主要目标是在精度方面做出高质量的超高速目标检测器。

DeepFaceDrawing:从草图中深度生成人脸图像[2]

现在，您可以使用这种新的图像到图像转换技术，在没有绘图技能的情况下，从粗糙甚至不完整的草图中生成高质量的人脸图像！如果你的绘画技巧和我一样差，你甚至可以调整眼睛、嘴巴和鼻子对最终图像的影响。让& # 039；让我们看看它是否真的有效，以及他们是如何做到的。

学习用GameGAN模拟动态环境[3]

这项研究是由英伟达多伦多AI实验室和日本游戏制造商BANDAI NAMCO共同开发的。技术来自前者，数据来自后者。

简单来说，GameGAN只需要学习简单的游戏视频和玩家输入，就可以模拟接近真实游戏的环境，而且它不会& # 039；不需要游戏引擎和底层代码。它的底层是生成式对抗网络(GAN)，在AI领域有口皆碑。

PULSE:通过生成模型的潜在空间探索进行自我监督的照片上采样[4]

它可以将超低分辨率的16x16图像转换成1080p高清人脸！你不& # 039；你不相信我吗？那你就可以像我一样不到一分钟就在自己身上试一试了！

编程语言的无监督翻译[5]

这个新的模型将代码从一种编程语言转换成另一种编程语言，没有任何监督！它可以把一个Python函数转换成C函数，反之亦然，没有任何以前的例子！它理解每种语言的语法，它可以扩展到任何编程语言！让& # 039；让我们看看他们是怎么做的。

PIFuHD:用于高分辨率3D人体数字化的多级像素对齐隐函数[6]

这种人工智能从2D图像中生成人的3D高分辨率重建！它只需要一张图片，你就可以生成一个看起来和你一模一样的3D头像，甚至从后面看也是如此！

视觉效果的高分辨率神经面部交换[7]

在这篇论文中，迪士尼的研究人员开发了一种新的面部交换算法，具有高分辨率的视觉效果。它能以百万像素的分辨率渲染照片的真实效果。他们的目标是在保持演员表演的，从源演员那里交换目标演员的外貌。这在许多情况下非常具有挑战性和有用，例如改变角色的年龄，当演员不在时，甚至当它涉及对主要演员来说太危险的特技场景时。目前的方法需要大量的逐帧动画和专业人员的后期处理。

将自动编码器换成深度图像处理[8]

这项新技术可以改变任何图片的纹理，在完全无人监督的训练下保持逼真！结果看起来甚至比GANs所能达到的还要好，而且它& # 039；it’更快！甚至可以用来做深度假货！

GPT 3:语言模型是一次性学习者[9]

目前，最先进的NLP系统很难扩展到不同的任务。他们需要微调成千上万个例子的数据集，而人类只需要看几个例子就可以执行新的语言任务。这是GPT-3的目标，旨在改善语言模型的任务不可知特性。

学习视频修复的联合时空变换[10]

与目前最新的技术相比，这种AI可以填充移动物体背后的缺失像素，并以更高的精度和更少的模糊度重建整个视频！

图像GPT-从像素生成的预训练[11]

一个好的人工智能，如Gmail中使用的人工智能，可以生成连贯的文本并完成你的短语。这是用同样的原理来完成图像处理！它& # 039；s都是在无监督的训练中完成的，根本不需要任何标签！

学习使用白盒卡通表现来卡通化[12]

人工智能可以绘制任何你想要的图片或视频！

从单一图像对人类进行神经再现[14]

该算法将身体的姿态和形状表示为参数化网格，可以从单幅图像中重建，并且容易放置。给定一个人的图像，他们可以从另一个输入图像中获得该人的不同姿势或不同衣服的合成图像。

I2L-MeshNet:图像到像素预测网络，用于从单个RGB图像进行精确的3D人体姿态和网格估计[15]

目标是提出一种新的技术，用于从单个RGB图像估计三维人体姿态和网格。他们称之为I2L-MeshNet。I2代表& # 039；图像到像素& # 039；正如体素和体像素是三维空间中的量化单元一样，它们将lixel、线条和像素定义为一维空间中的量化单元。他们的方法优于之前的方法，而且代码是公开的！

超越导航图连续环境中的视觉和语言导航[16]

语言导航是一个被广泛研究的领域，也是一个非常复杂的领域。它& # 039；一个人走过一栋房子，拿走你放在床头柜上的咖啡是很容易的。但这是AI特工的另一回事。它是一个自主的人工智能驱动的系统，使用深度学习来执行任务。

RAFT:用于光流的循环全对场变换[17]

普林斯顿大学团队获得ECCV 2020年最佳论文奖。他们为光流开发了一种新的端到端可训练模型。他们的方法超越了跨多个数据集的最新架构的准确性，并且更加高效。

众数采样全光函数[18]

利用从网上获得的公开照片，他们可以重建旅游场景的多个视点，从而保持逼真的阴影和灯光！这是真实感场景渲染最先进技术的一大进步，结果简直令人惊叹。

通过深层潜在空间翻译恢复旧照片[19]

想象一下，你奶奶18岁的时候，她的老照片，折叠的，甚至撕掉的照片都是毫无瑕疵的，清晰度很高。这就是所谓的老照片复原，而本文只是用深度学习的方法来开辟一条解决这个问题的新途径。

支持可审计自治的神经回路策略[20]

来自澳大利亚IST大学和麻省理工学院的研究人员使用一种新的人工智能系统成功训练了自动驾驶汽车，该系统基于线虫等微小动物的大脑。他们做到了这一点。与流行的深度神经网络(如Inceptions、Resnets或VGG)所需的数百万神经元相比，只有少数神经元可以控制自动驾驶汽车。他们的网络只用75000个参数就能完全控制汽车(19个控制神经元而不是几百万个参数)！

寿命年龄转换综合[21]

Adobe Research的一组研究人员开发了一种新的技术，只根据这个人的一张照片进行年龄转换合成。它可以从你发送的任何图片中生成不同年代的图片。

去醛化[22]

DeOldify是一种对旧的黑白图像甚至电影图片进行着色和恢复的技术。它是由Jason Antic开发的，目前仍在更新中。现在，这是黑白图像着色的最新技术，一切都是开源的，但我们稍后会讨论。

COOT:用于视频-文本表示学习的合作分层转换器[23]

顾名思义，它使用Transformer将视频及其一般描述作为输入，为每个视频序列生成准确的文本描述。

风格化的神经绘画[24]

这种从图像到绘画的翻译方法应该使用一种新颖的方法来模拟各种风格的真实画家，而它并没有& # 039；不涉及任何GAN架构，不同于目前所有最新的方法！

实时人像抠图真的需要绿屏吗？[25]

面临灭绝是一个非常有趣的任务。目标是找到图片中的任何人，并从其中删除背景。因为任务的复杂性，确实很难找到一个或几个轮廓完美的人。在这篇文章中，我将回顾这些年来使用的最佳技术以及将于2020年11月29日发布的一种新颖的方法。许多技术都在使用基本的计算机视觉算法来完成这项任务，例如GrabCut算法，它非常快，但不是非常准确。

ADA:用有限的数据训练生成性对抗网络[26]

通过NVIDIA开发的这种新的训练方法，你可以使用十分之一的图像来训练一个强大的生成模型！制作许多可以& # 039；不能访问太多的图像！

在立方体球体上使用深度卷积神经网络改进数据驱动的全球天气预测[27]

目前，传统的天气预报方法使用我们称之为& # 039；数值天气预报& # 039；模型。它使用大气和海洋的数学模型根据当前条件预测天气。它在20世纪20年代推出，在20世纪50年代，计算机模拟产生了生动的结果。这些数学模型可用于预测短期和长期预测。它的计算量很大，它的预测不能像深度神经网络那样基于大量的数据。这是它如此有前途的部分原因。这些当前的数值天气预报模型已经使用机器学习作为后处理工具来改进预报。天气预报越来越受到机器学习研究者的关注，并产生了良好的效果。

神经用于重新照明和视图合成的神经反射和可见度场[28]

这种新方法可以生成完整的三维场景，并具有确定场景光照的能力。与以前的方法相比，这些方法的计算量非常有限，而且效果非常好。

如你所见，这是人工智能领域极具洞察力的一年。我& # 039；我很高兴看到2021年会发生什么！我一定会报道最激动人心和最有趣的报纸，

作者路易布沙尔

原始地址

所有期末论文的列表如下

[1] A. Bochkovskiy，C.-Y. Wang，和H.-Y. M .廖，Yolov4:物体探测的最佳速度和精度，2020 .arXiv:2004.10934 [cs。简历】。

[2]陈士元，苏文伟，高立伦，夏晓松，傅海红，& # 039；DeepFaceDrawing:从草图中深度生成人脸图像，& # 039；美国计算机学会制图汇刊(2020年美国计算机学会制图汇刊)，第39卷，第4期，72:172:16，2020年。

[3] S. W. Kim，Y. Zhou，J. Philion，A. Torralba和S. Fidler。学习用GameGAN模拟动态环境。2020年6月，IEEE计算机视觉和模式识别会议(CVPR)。

[4] S. Menon，A. Damian，S. Hu，N. Ravi和C. Rudin，Pulse:通过生成模型的潜在空间探索进行自我监督的照片上采样，2020年。arXiv:2003.03808 [cs。简历】。

[5] M.-A. Lachaux，B. Roziere，L. Chanussot，G. Lample，程序设计语言的无监督翻译，2020年。arXiv:2006.03511 [cs。CL】。

[6] S. Saito，T. Simon，J. Saragih，和H. Joo，Pifuhd:用于高分辨率3d人体数字化的多级像素对齐隐函数，2020年。arXiv:2004.00452 [cs。简历】。

[7] J .纳鲁涅克、l .赫尔明格、c .施罗德和r韦伯，”视觉效果的高分辨率神经面部交换"《计算机图形论坛》,第39卷，第173-184页，2020年七月。

[8] T. Park，J.-Y. Zhu，O. Wang，J. Lu，E. Shechtman，A. A. Efros，和r .张，用于深度图像处理的交换自动编码器，2020年arXiv:2007.00653 [cs .简历】。

[9]布朗、曼恩、赖德、苏比亚、卡普兰、达里瓦尔、尼拉坎坦、希亚姆、萨斯特里、阿斯克尔、阿加瓦尔、赫伯特-沃斯、克鲁格、亨尼根、蔡尔德、拉梅什、齐格勒、吴、温特、黑塞、陈、西格勒、利特温、格雷arXiv:2005.14165 [cs .CL 】.

[10]曾玉燕，傅俊杰，赵海峰，学习视频嵌入的联合时空变换，2020 .arXiv:2007.10247 [cs .简历】。

[11] M .陈，a .r .柴尔德，j .吴，h .君，d .栾和I. Sutskever，”从像素生成预训练"载于第37届机器学习国际会议论文集H. D. III和a .辛格编辑。爵士。机器学习研究会议录，第119卷，虚拟PMLR，2020年年七月13-18日，第1691-1703页。【在线】。可用

[12]和于金泽，"学习使用白盒卡通表示法进行卡通化“，IEEE计算机视觉与模式识别大会，2020年6月。

[13] S .莫，m .赵和申俊杰，冻结鉴别器微调甘斯的简单基线，2020年arXiv:2002.10964 [cs .简历】。

[14] K .萨卡尔、d .梅赫塔、w .徐、v .戈利亚尼克和c .西奥多，”从单个图像进行人类的神经再现"欧洲计算机视觉会议(ECCV)，2020年年。

[15] G .穆恩和李克明，“I2l-meshnet:从单一rgb图像进行精确三维（three dimension的缩写）人体姿态和网格估计的图像到像素预测网络"欧洲计算机视觉会议(ECCV)，2020年年

[16]克兰茨、威曼斯、马朱姆达尔、巴特拉和李英杰，”超越导航图连续环境中的视觉和语言导航"2020年arXiv:2004.02857 [cs .简历】。

[17] Z .蒂德和j .邓，筏用于光流的循环所有对场变换，2020年arXiv:2003.12039 [cs .简历】。

[18]李，冼，戴维斯和斯内夫利，”众数采样全光函数"中华人民共和国。2020年欧洲计算机视觉会议(ECCV).

[19]万，张，陈，张平，陈，廖，文，2020 .arXiv:2009.07047 [cs .简历】。

[20]m .莱赫纳，r .哈萨尼，a .阿米尼等人，《实现可审计自主性的神经回路政策》。国家机器智能2,642652(2020)。

[21]奥尔-埃尔、森古普塔、弗里德、谢赫曼和一.凯梅尔马赫-什利泽曼"生命跨度变换合成"欧洲计算机视觉会议(ECCV)会议录，2020年。

[22]贾森安蒂奇，解除锁定的创造者，

[23] S .金、m .佐尔法加里、h .皮尔西亚瓦什和T. Brox，" Coot:用于视频-文本表示学习的合作式分层转换器"神经信息处理系统会议，2020年。

[24]邹，史，邱，袁，史，风格化神经绘画，2020。arXiv:2011.08114[cs .简历】。

[25]柯正光，李，周，吴，毛，严，刘瑞伟，"实时人像抠图真的需要绿屏吗？"ArXiv，第abs/2011.11961卷，2020年。

[26] T .卡拉斯、m .艾塔拉、j .赫尔斯滕、s .莱恩、j .莱蒂宁和泰勒艾拉，用有限数据训练生成性对抗网络，2020年arXiv:2006.06676 [cs .简历】。

[27] J. A .韦恩，D. R .杜兰和卡鲁阿纳，”使用立方体球体上的深度卷积神经网络改进数据驱动的全球天气预测"《地球系统建模进展杂志》,第12卷，第9期，2020年9月，刊号19422466。doi:10.1029/2020 ms 002109

[28]斯里尼瓦桑、邓、张、坦奇克、米尔登霍尔和J. T .巴伦，《神经用于重新照明和视图合成的神经反射和可见度场“，arXiv，2020年。

本文地址

更多人工智能论文报告(人工智能的未来趋势论文参考文献)相关信息请关注本站。