ShowMeAI日报系列全新升级！覆盖AI人工智能 工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文 等方向。点击查看历史文章列表，在公众号内订阅话题#ShowMeAI资讯日报，可接收每日最新推送。点击专题合辑&电子月刊快速浏览各专题全集。点击这里回复关键字日报免费获取AI电子月刊与资料包。

📢 科技部等六部门：加快『场景创新』，以人工智能高水平应用，促进经济高质量发展

科技部等六部门8月12日公布了《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》（以下简称《指导意见》），指出推动人工智能场景创新对于促进人工智能更高水平应用，更好支撑高质量发展具有重要意义。

《指导意见》规定了企业主导、创新引领、开放融合、协同治理的基本原则，以重大应用场景加速涌现、场景驱动技术创新成效显著、场景创新合作生态初步形成、场景驱动创新模式广泛应用为发展目标，鼓励在制造、农业、物流、金融、商务、家居等重点行业深入挖掘人工智能技术应用场景，促进智能经济高端高效发展。

工具&框架

🚧 『IMAR Vision Datasets Tools』IMAR视觉数据工具

/sminchisescu-research/imar_vision_datasets_tools

这个工具项目包含了处理和可视化IMAR视觉数据集的工具，具体的数据集包括：CHI3D、FlickrCI3D、HumanSC3D、FlickrSC3D 和 Fit3D。项目中还包含了作者发布的三维重建挑战的评估服务器的代码，包含『Close Interactions Reconstruction/近距离互动重建』、『Complex Self-Contact Reconstruction/复杂的自我接触重建』和『Fitness Exercises Reconstruction/健身运动重建』。

🚧 『lkki』一个用于定义和运行多容器Docker应用程序的工具

/jlkiri/ikki

Ikki是一个用于定义和运行多容器Docker应用程序的工具。它与Docker Compose有一些类似和不同之处。

🚧 『Datatile』数据管理、验证、总结和可视化工具库

/polyaxon/datatile

Datatile 是一个用于数据管理、验证、总结和可视化的工具库，它包含 DataFrameSummary 对象，对 pandas 原有的数据总结总览功能describe做了拓展。包括『属性』和『函数』两个层面：

在『属性』层面：

dfs.columns_stats：每一列的计数、uniques、missing、missing_perc，以及类型。dsf.columns_types：对列的类型进行统计dfs[column]：更深入的列的摘要

在『函数』层面：

summary()：用上面属性里提到的columns_stats值对describe()函数进行了拓展。

🚧 『pdf-diff』PDF文件diff工具，可显示两个pdf文档的差别

/serhack/pdf-diff

pdf-diff 是一个用于可视化两个 pdf 文件之间差异的工具。作者做这个工具，主要是想帮助那些通常在几个 pdf 文件上花费大量时间去比对的编辑们。

博文&分享

👍 『The System Design Primer』系统设计入门教程，学习如何设计可扩展系统

/donnemartin/system-design-primer

The System Design Primer是一份面试教程资料，主要针对「系统设计」方向，在很多科技公司中，除了代码面试，系统设计也是技术面试过程中的一个必要环节。本教程包含实践常见的系统设计面试题并且提供相应的参考答案和示例。

👍 『精益副业』程序员如何优雅地做副业

/easychen/lean-side-bussiness

/lean-side-bussiness/index.html

本书扩展了《程序员如何优雅地挣零花钱》的基本内容，将其放到更大的副业视角；同时引入经过互联网行业验证的『精益创业』流程，并优化为副业专用的精益副业流程。书籍以实际案例为主，包含为什么副业特别重要、如何优雅地做副业、知识和人脉的变现、精益副业流程、精益独立开发实践、精益网课变现实践等部分。

数据&资源

🔥 『Bandai Namco Research Motiondataset』Bandai Namco的人物动作数据集

/BandaiNamcoResearchInc/Bandai-Namco-Research-Motiondataset

Bandai-Namco-Research-Motiondataset是一份数据集，包含了不同的任务动作内容，如日常活动、战斗和舞蹈；有活跃、疲惫等等风格。这些可以作为MST（运动风格迁移）模型的训练数据。

研究&论文

可以点击这里回复关键字日报，免费获取整理好的论文合辑。

科研进展

.07.27 『计算机视觉』 Cross-Attention of Disentangled Modalities for 3D Human Mesh Recovery with Transformers.07.25 『计算机视觉』 Dive into Big Model Training.07.27 『计算机视觉』 Break and Make: Interactive Structural Understanding Using LEGO Bricks.07.25 『自然语言处理』 μKG: A Library for Multi-source Knowledge Graph Embeddings and Applications

⚡ 论文：Cross-Attention of Disentangled Modalities for 3D Human Mesh Recovery with Transformers

论文时间：27 Jul

所属领域：计算机视觉

对应任务：Human Mesh Recovery，人体3D mesh复原

论文地址：/abs/2207.13820

代码实现：/postech-ami/fastmetro

论文作者：Junhyeong Cho, Kim Youwang, Tae-Hyun Oh

论文简介：Transformer encoder architectures have recently achieved state-of-the-art results on monocular 3D human mesh reconstruction, but they require a substantial number of parameters and expensive computations./Transformer编码器架构最近在单目三维人体网格重建上取得了最先进的成果，但它们需要大量的参数和昂贵的计算。

论文摘要：Transformer编码器架构最近在单目3D人体mesh重建上取得了最先进的成果，但它们需要大量的参数和昂贵的计算。由于巨大的内存开销和缓慢的推理速度，很难将这种模型部署到实际使用中。在本文中，我们提出了一种新型的Transformer编码器-解码器架构，用于从单一图像进行3D人体mesh结构重建，称为FastMETRO。我们发现基于编码器的Transformer的性能瓶颈是由令牌设计引起的，它在输入令牌之间引入了高复杂性的相互作用。我们通过一个编码器-解码器架构来分解这些相互作用，这使得我们的模型需要更少的参数和更短的推理时间。此外，我们通过注意力遮蔽和网格上采样操作强加了人体形态关系的先验知识，这导致了更快的收敛和更高的准确性。我们的FastMETRO提高了准确性和效率的帕累托前沿，在Human3.6M和3DPW上明显优于基于图像的方法。此外，我们在FreiHAND上验证了其通用性。

⚡ 论文：Dive into Big Model Training

论文时间：25 Jul

所属领域：计算机视觉

对应任务：Self-Supervised Learning，自监督学习

论文地址：/abs/2207.11912

代码实现：/qhliu26/bm-training

论文作者：Qinghua Liu, Yuxiang Jiang

论文简介：We summarize the existing training methodologies into three main categories: training parallelism, memory-saving technologies, and model sparsity design./我们将现有的训练方法总结为三大类：训练的并行性、节省内存的技术和模型的稀疏性设计。

论文摘要：模型规模的不断扩大和性能的不断提高预示着大模型时代的到来。在这份报告中，我们通过深入研究训练目标和训练方法，探讨大模型训练的内容和方式。具体来说，训练目标描述了如何利用网络规模的数据来开发基于自监督学习的能力极强、规模极大的模型，而基于分布式训练的训练方法则描述了如何使大模型训练成为现实。我们将现有的训练方法总结为三大类：训练并行化、内存节省技术和模型稀疏性设计。训练并行可以根据发生并行的维度分为数据并行、流水线并行和张量并行。节省内存的技术与训练并行是正交的和互补的。而模型稀疏性设计在计算成本不变的情况下进一步扩大了模型规模。持续更新的大模型训练列表资源可在 /qhliu26/BM-Training 获取。

⚡ 论文：Break and Make: Interactive Structural Understanding Using LEGO Bricks

论文时间：27 Jul

所属领域：计算机视觉

论文地址：/abs/2207.13738

代码实现：/aaronwalsman/ltron,/aaronwalsman/ltron-torch-eccv22

论文作者：Aaron Walsman, Muru Zhang, Klemen Kotar, Karthik Desingh, Ali Farhadi, Dieter Fox

论文简介：We pair this simulator with a new dataset of fan-made LEGO creations that have been uploaded to the internet in order to provide complex scenes containing over a thousand unique brick shapes./我们将这个模拟器与上传到互联网上的粉丝制作的乐高作品的新数据集配对，以提供包含一千多个独特砖块形状的复杂场景。

论文摘要：对具有复杂空间关系的几何结构的视觉理解是人类智力的一个基本组成部分。作为儿童，我们不仅从观察中学习如何推理结构，而且还通过与我们周围的世界互动–把东西拆开，再把它们装回去。对结构和组成进行推理的能力使我们不仅能够建造东西，而且能够理解和反向设计复杂的系统。为了推进基于零件的几何理解的交互式推理研究，我们提出了一个使用乐高积木的具有挑战性的新的组装问题，我们称之为 “分解和制造”。在这个问题中，代理被赋予一个乐高模型，并试图通过交互式的检查和拆卸来理解其结构。检查结束后，代理人必须通过使用低级动作原语从头开始重建模型来证明其理解。为了促进对这个问题的研究，我们建立了LTRON，一个完全交互式的三维模拟器，允许学习代理组装、拆卸和操纵乐高模型。我们将这个模拟器与上传到互联网上的粉丝制作的乐高作品的新数据集配对，以提供包含一千多个独特砖块形状的复杂场景。我们为解决这个问题迈出了第一步，使用序列对序列模型，为如何在这个具有挑战性的问题上取得进展提供指导。我们的模拟器和数据可在 /aaronwalsman/ltron 获取。额外的训练代码和PyTorch例子可在 /aaronwalsman/ltron-torch-eccv22 获取。

⚡ 论文：μKG: A Library for Multi-source Knowledge Graph Embeddings and Applications

论文时间：23 Jul

所属领域：自然语言处理

对应任务：Entity Alignment，Entity Typing，Graph Embedding，Graph Question Answering，Knowledge Graph Embedding，Knowledge Graph Embeddings，Knowledge Graphs，Link Prediction，Question Answering，Representation Learning，实体对齐，实体类型，图嵌入，图回答，知识图嵌入，知识图嵌入，知识图，链接预测，问题回答，表达学习

论文地址：/abs/2207.11442

代码实现：/nju-websoft/mukg

论文作者：Xindi Luo, Zequn Sun, Wei Hu

论文简介：It is useful for a thorough comparison and analysis of various embedding models and tasks./它有助于对各种嵌入模型和任务进行全面的比较和分析。

论文摘要：本文介绍了μKG，一个用于知识图谱上表征学习的开源Python库。μKG支持多源知识图的联合表示学习（也支持单一知识图）、多个深度学习库（PyTorch和TensorFlow2）、多个嵌入任务（链接预测、实体对齐、实体类型和多源链接预测）以及多种并行计算模式（多进程和多GPU计算）。它目前实现了26个流行的知识图谱嵌入模型，并支持16个基准数据集。μKG提供了嵌入技术的高级实现，简化了不同任务的管道。μKG比现有的知识图谱嵌入库更全面。它对于各种嵌入模型和任务的全面比较和分析是非常有用的。我们表明，联合学习的嵌入可以极大地帮助以知识为动力的下游任务，如多跳知识图谱问答。我们将紧跟相关领域的最新发展，并将其纳入μKG。

我们是ShowMeAI，致力于传播AI优质内容，分享行业解决方案，用知识加速每一次技术成长！点击查看历史文章列表，在公众号内订阅话题#ShowMeAI资讯日报，可接收每日最新推送。点击专题合辑&电子月刊快速浏览各专题全集。点击这里回复关键字日报免费获取AI电子月刊与资料包。

科技部等6部门发文 推动AI场景创新；『精益副业』教程序员优雅做副业；『可扩展系统』设计全教程；人物动作数据集；前沿论文 | ShowMeAI资讯日报