图像压缩领域
1. 传统图像压缩
方法
主页
说明
JPEG XL
https://jpeg.org/jpegxl/
JPEG 小组提出,目前最好的图像压缩方法
CMIX
http://www.byronknoll.com/cmix.html
无损数据压缩方法,以高 CPU/内存使用率换高压缩比
Lepton
https://github.com/dropbox/lepton
对 JPEG 图片进行无损压缩,节省近 22%22\%22% 的大小
FLIF
https://flif.info/
无损图像压缩方法,目前已停止开发(被 JPEG XL 取代)
AVIF
https://aomediacodec.github.io/av1-avif/
开放媒体联盟 AOMedia 提出
HEIC
https://hevc.hhi.fraunhofer.de/
MPEG 小组提出,基于 HEVC,不开源
Webp
https://developers.google.com/speed/webp
Google 提出,无损模式比 PNG 小 26%26\%26%,有损模式比 ...
AI会议接收论文列表汇总
Conferences’ accepted paper lists
❗ 建议使用 dblp 和 Aminer 查询。
Quick Link
Conference:
AAAI
IJCAI
KDD
WWW
ICLR
ICML
NeurIPS
CIKM
2017
🔗
🔗
🔗
🔗
🔗
2018
🔗
🔗
🔗
🔗
🔗
2019
🔗
🔗
🔗
🔗
🔗
🔗
2020
🔗
🔗
🔗
🔗
🔗
🔗
🔗
🔗
2021
🔗
🔗
🔗
🔗
🔗
🔗
🔗
🔗
2022
🔗
🔗
🔗
🔗
🔗
🔗
🔗
🔗
2023
AAAI
Conference
Source
Deadline
Notification
AAAI-23
August 15, 2021
November 18, 2022
AAAI-22
🔗
September 8, 2021
November 29, 2021
AAAI-21
🔗
AAAI-20
🔗
AAAI-1 ...
2022年论文阅读清单
03 月
2016-PCS-End-to-end optimization of nonlinear transform codes for perceptual quality
2016-ICLR-Density Modeling of Images using a Generalized Normalization Transformation
04 月
2017-ICLR-End-to-end Optimized Image Compression
2018-ICLR-Variational image compression with a scale Hyper-prior
2016-CVPR-Deep Residual Learning for Image Recognition
2021-Arxiv-Learning Transferable Visual Models From Natural Language Supervision
05 月
2017-CVPR-PointNet: Deep Learning on Point Sets for ...
论文十问
1. 简介
论文十问由沈向洋博士提出,他鼓励大家带着这十个问题去阅读论文,用有用的信息构建认知模型。个人也觉得论文十问对阅读论文非常有帮助,故此记下,同时记录一些经典的论文十答作为典范参考。
2. 内容
Q1:论文试图解决什么问题?
Q2:这是否是一个新的问题?
Q3:这篇文章要验证一个什么科学假设?
Q4:有哪些相关研究?如何归类?谁是这一课题在领域内值得关注的研究员?
Q5:论文中提到的解决方案之关键是什么?
Q6:论文中的实验是如何设计的?
Q7:用于定量评估的数据集是什么?代码有没有开源?
Q8:论文中的实验及结果有没有很好地支持需要验证的科学假设?
Q9:这篇论文到底有什么贡献?
Q10:下一步呢?有什么工作可以继续深入?
3. 经典案例
Paper 十问
AI论文学习资料汇总
1. 视频讲解
跟李沐学AI:讲解的非常透彻明了。
2. 科研工具
ReadPaper:论文阅读神器!
AI-Paper-Search:AI 论文检索神器!
AI-research-tools:AI 科研工具大礼包!
AMiner:科技情报大数据挖掘与服务系统平台,可以提供订阅等功能,为广大科研人提供科研动态的实时追踪、个人科研信息流的定制化服务。
DBLP:DBLP 计算机科学书目提供有关主要计算机科学期刊和会议录的开放书目信息,可谓论文信息检索查询大利器!
Conference-Accepted-Paper-List:AI 会议论文 Paper List 大汇总!
3. 实验工具
Wandb:Weights & Biases 可以帮助跟踪机器学习项目,记录运行中的超参数和输出指标(Metric),然后对结果进行可视化和比较。
Optuna:Optuna 是一个自动超参搜索框架,解放一线炼丹者的双手!
NNI:微软的自动机器学习工具!
4. 研究方向
研究方向
论文合集
点云分析
awesome-point-cloud-analysi ...
阅读计划
2022
数学类
《A First Course in Wavelets with Fourier Analysis(2nd)》by Albert Boggess, Francis J. Narcowich
中译本《小波与傅里叶分析基础》by 芮国胜,康健等
《THEORIES OF INTEGRATION — The Integrals of Riemann, Lebesgue, Henstock-Kurzweil, and McShane(2nd)》by Douglas S Kurtz, Charles W Swartz
《Variational Bayesian Learning Theory》by Nakajima, S.Watanabe, K.Sugiyama
《Generalized Latent Variable Modeling Multilevel Longitudinal And Structural Equation Models》by Anders Skrondal, Sophia Rabe-Hesketh
《统计学习》by 李 ...
会议投稿相关资料
1. CCF 列表
会议投稿汇总
2. AI 相关
会议投稿汇总
课程计划
技术类
DLSS & RLSS 2017 - Montreal
Deep Reinforcement Learning, 2018
Generative Adversarial Network (GAN), 2018
动手学深度学习在线课程
OpenMMLabCourse
哲学类
西方哲学史 - 张志伟
数学类
[常微分方程]
Mac终端Shell命令Open
1. 简介
Mac 下手动打开目录、文件和应用程序等和 Windows 都很一不样,用惯 Windows 的用户刚开始使用 Mac 系统可能会非常不习惯。好在 Mac 下有一个非常方便的命令行工具 open,它能很方便地打开 Mac 上的目录、文件和应用程序。
2. 格式
12345678910111213141516171819202122232425Usage: open [-e] [-t] [-f] [-W] [-R] [-n] [-g] [-h] [-s <partial SDK name>][-b <bundle identifier>] [-a <application>] [-u URL] [filenames] [--args arguments]Help: Open opens files from a shell. By default, opens each file using the default application for that file. If the file is in the fo ...
Mac终端打开应用程序
1. 简介
在 Mac 下安装应用时,如果直接在终端使用 brew 安装,则一般都可以在终端直接输入应用名打开。但对于非终端下安装的应用程序,则不能直接在终端下打开。
2. 方法
对于 Mac 非终端安装的应用程序,可以使用以下命令打开:
1open -a <app_name>
其中,-a 参数表示打开应用程序,即 Application。
附录
How to Open Applications Using Terminal on Mac
推荐系统常用评价指标
1. 基本概念
正样本:预测标签与真实标签一致的样本;
负样本:预测标签与真实标签不一致的样本;
困难样本:预测值与实际标签误差较大的样本;
简单样本:预测值与实际标签误差较小的样本。
2. AUC
AUC: Area Under ROC Curve,同目标检测中的 AUC 指标。
理解:随机抽取一对正负样本,AUC 是把正样本预测为 111 的概率大于把负样本预测为 111 的概率的概率。
意义:当 AUC 为 0.50.50.5 时,模型没有分类能力,完全是随机猜测;AUC 越大说明模型越具有分类能力。
3. GAUC
GAUC: Group AUC,先计算各个用户自己的 AUC,然后取加权平均。公式如下:
GAUC=∑uiwui⋅AUCui∑wui\mathrm{GAUC} = \frac{\sum_{ui} w_{ui} \cdot \mathrm{AUC}_{ui}}{\sum w_{ui}}
GAUC=∑wui∑uiwui⋅AUCui
4. HR@K
HR@K: Hit Ratio,即命中率,数学公式如下:
HR@K=∑iKhit(i)N\mathrm{H ...
特征值分解
1. 简介
以物理中「力」的角度来看待,我们通常会将「合力」分解为各个「分力」,来描述整个「合力」的影响。特征值分解便是将「矩阵」分解成各个方向的分量,通过对各个分量的刻画来描述此矩阵。
特征分解:eigen decomposition
特征向量:eigen vector
特征值:eigen value
2. 理解
设矩阵 A∈Rn×nA \in \mathbb{R}^{n \times n}A∈Rn×n,向量 x∈Rn×1x \in \mathbb{R}^{n \times 1}x∈Rn×1,则有:
矩阵乘法本质是一种变换。以几何角度来看,AxAxAx 表示对向量 xxx 进行旋转和伸缩变换。
矩阵 AAA 的特征向量是一种特殊的向量,满足 Ax=λxAx = \lambda xAx=λx。也就是说,矩阵 AAA 对特征向量 xxx 只起到伸缩变换的作用,而没有旋转变换的作用。
Ax=λxAx = \lambda xAx=λx 表示矩阵 AAA 和特征值 λ\lambdaλ、特征向量 xxx 之间建立了联系,但无法通过单一的 λ\lambdaλ 和 xxx 来表示 A ...