<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <h3><span style="vertical-align: top; color: rgb(0, 0, 255);">重點新聞(0703～0709 )</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">卷積神經網路 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 史丹佛大學 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 電腦視覺 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>史丹佛聯手MIT發表PSGNet，打破CNN無法預測實體世界的瓶頸</strong></span></p>
<p>卷積神經網路（CNN）是電腦視覺中常用的模型架構，擅長辨識物件，但它卻有個問題，也就是無法理解真實世界的物理原則，比如無法預測物體的動力學，因此限制了CNN在其他電腦視覺的應用。</p>
<p>為解決問題，史丹佛大學聯手MIT，設計一套自監督類神經網路架構PSGNet，可從輸入圖像來學習估計物理場景圖。進一步來說，只要輸入任意長度RGB影片，PSGNet就會重建出相同長度的RGB資訊，包括每幀的深度和法線圖預測，還有每幀的物體影像分割，以及對下一幀的空間點預測。這個方法，可以顯示PSGNet對場景結構的理解，團隊也表示，PSGNet在影像分割任務的測試中，表現優於其他非監督方法。未來，團隊打算將PSGNet擴展到CNN難以應用的電腦視覺任務中。<a href="https://arxiv.org/pdf/2006.12373v2.pdf">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/Screenshot%202020-07-12%2013_37_40.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> A100 GPU </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> VM </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Google雲端 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>Google雲端開始提供Nvidia最新A100 GPU</strong></span></p>
<p>Nvidia最新一代A100 Tensor Core GPU五月中才亮相，近日Google雲端就開始支援了。不過，目前只開放給特殊用戶從Google Compute Engine的A2虛擬機器來使用，今年稍晚才會正式開放所有用戶。</p>
<p>進一步來說，A100 GPU在AI模型訓練和推論上，效能比上一代GPU還要高20倍，這次一臺A2虛擬機器，最多還可使用16個A100 GPU，總共640GB的GPU記憶體和1.3TB的系統記憶體，來解決作業負載高的運算任務需求。而對於作業負載較小的用戶，Google Compute Engine也會提供較輕量的A2虛擬機器，來滿足特定應用程式的需求。Google指出，未來還會擴大 A100 GPU對自家Kubernetes Engine、Cloud AI Platform 和其他 Google Cloud服務的支援。<a href="https://cloud.google.com/blog/products/compute/announcing-google-cloud-a2-vm-family-based-on-nvidia-a100-gpu">（詳全文）</a></p>
<p><img alt="" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/GCP_A2.max-1600x1600.jpg" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Mozilla </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 語音資料集 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Common Voice </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Mozilla發布最新版開源語音資料集，還要打造網頁版喚醒功能</strong></span></p>
<p>Mozilla近日釋出最新的開源語音資料集Common Voice，與上一版相比，新增了36種語言，目前共有54種，總時數更高達7,226小時。不只包含語音，Common Voice還涵蓋了可用來訓練語音引擎的元資料（Metadata），比如說話者的年齡、性別和口音等，而這些資料，還會整合至Mozilla的開源語音辨識引擎DeepSpeech，以及Mozilla機器學習小組的模型中，要來推動文字轉語音（TTS）和語音轉文字（STT）研究進展。</p>
<p>不只如此，Mozilla同時也鎖定更細緻的分類和應用需求，發布了個別的資料集分類。這個分類包含了1萬多人共18種語言的語音片段，比如從數字0到9、「是」和「不是」、嘿、Firefox等。Mozilla表示，這個分類可用做基準測試，來評估以Common Voice資料打造的模型表現。此外，他們也會用來測試自家網頁喚醒詞的功能。<a href="https://discourse.mozilla.org/t/common-voice-dataset-release-mid-year-2020/62938">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> TensorFlow</span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 差分隱私 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 漏洞評分 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>TensorFlow新隱私測試模組能幫你評分模型安全性 </strong></span></p>
<p>Google釋出了新的實驗性TensorFlow隱私測試模組，讓開發者可評估模型的隱私屬性。該模組會產生一個漏洞評分，來顯示模型是否會因訓練資料集而洩漏資訊。</p>
<p>去年，TensorFlow推出差分隱私（Differential Privacy）方法，透過在資料集中加入雜訊，來隱藏個資，但當時TensorFlow所使用的雜訊，可能嚴重影響模型的準確性。因此，Google決定以不同角度來處理隱私問題，打造了一個模組，以成員推理攻擊方法為衡量標準，來評估模型是否洩露資訊，並將模組開源出來。<a href="https://blog.tensorflow.org/2020/06/introducing-new-privacy-testing-library.html">（詳全文）</a></p>
<p><img alt="" src="https://3.bp.blogspot.com/-30nZWOIIHqA/XvJS3jGJe5I/AAAAAAAADO4/weFpA_klKv4WUYr_WWslsnbOzPyVayc_gCLcBGAsYHQ/s1600/membership.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Google </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 動物辨識 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Context R-CNN </span></strong></span></p>
<p><span style="font-size:22px;"><strong>新添時序因素！Google新演算法改善攝影機辨識能力 </strong></span></p>
<p>Google開發一套新的物體偵測演算法Context R-CNN，能將時間因素納入考量，利用攝影機一個月拍攝到的影像，來提升電腦視覺模型效能，特別適合用來監控山路或生態的靜態攝影機。</p>
<p>進一步來說，Google改良兩階段物體偵測基礎架構Faster R-CNN，打造出Context R-CNN，利用同一臺攝影機中長達一個月的影像作為上下文（Context），來提高物體分類的正確性。這種方法能改進對新攝影機部署的通用性，不需要額外的人工資料標記。經測試，與Faster R-CNN baseline相比，Context R-CNN能從相同的圖像中，辨識出更多動物。<a href="https://ai.googleblog.com/2020/06/leveraging-temporal-context-for-object.html">（詳全文）</a></p>
<p><img alt="" src="https://1.bp.blogspot.com/-PJxZGdDg2CQ/XvTcfv7MO9I/AAAAAAAAGKo/7zEBw-Qp4XA2Q-vffmYyNoXs2v1tyYoWwCLcBGAsYHQ/s640/image2.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">Cloud 臉書 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> TaBERT </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 自然語言 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>同時兼顧自然語言和資料庫查詢，臉書新模型TaBERT未來還可協助事實查核</strong></span></p>
<p>臉書開發一套自然語言預訓練模型TaBERT，能從表格查詢結果中，以自然語言來回答如「哪個國家的GDP最高」等問題。研究人員提到，TaBERT是第一個跨結構化與非結構化資料的預訓練方法，克服了查詢對應到資料庫表格結構的挑戰。</p>
<p>有別於先前預訓練語言模型，都只使用自由格式的自然語言文字訓練模型，臉書這次使用了2,600萬張表格和關聯的英文句子，來訓練TaBERT，讓模型學習句子和資料庫的上下文示例，可同時進行對自然語言和資料庫的推理。臉書指出，未來，TaBERT還可用於事實查核和驗證應用程式中，因為第三方事實查核單位，通常也是仰賴靜態知識庫資料，而TaBERT能夠比對相關資料庫，並給出參考資料。<a href="https://ai.facebook.com/blog/tabert-a-new-model-for-understanding-queries-over-tabular-data/">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/Screenshot%202020-07-12%2014_02_35.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">可信任AI</span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> LFAI </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> IBM </span></strong></span></p>
<p><span style="font-size:22px;"><strong>IBM貢獻可信任AI工具給Linux旗下AI基金會</strong></span></p>
<p>Amazon在電腦視覺和圖形辨識重要年度會議CVPR中，發表了一篇能合成服裝到模特兒身上的AI論文。這套系統名為Outfit-VITON，相當於虛擬試穿系統，可將參考照片中人物的穿著，合成到另一張照片的模特兒身上，研究人員指出，Outfit-VITON採對抗網路，由生成網路和判別網路的競爭產生最佳結果。</p>
<p>Outfit-VITON由三部分組成，形狀生成模型、外觀生成模型以及外觀修正模型，形狀生成模型會圈出要試穿的衣服形狀，並計算試穿模特兒的身材和動作。接著再輸出至外觀生成模型，來結合這個輸出的結果，成為模特兒穿著指定服飾的照片；再來才由第三個模型微調，保留商標和特殊圖案。團隊表示，這個系統比以前的系統產生更自然的結果。<a href="https://developer.ibm.com/blogs/ibm-and-lfai-move-forward-on-trustworthy-and-responsible-ai/">（詳全文）</a></p>
<p><img alt="" src="https://developer.ibm.com/developer/blogs/ibm-and-lfai-move-forward-on-trustworthy-and-responsible-ai/images/box-image.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">AI研究雲 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 運算資源 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 資料集 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>美科技巨頭聯合頂尖大學，要推動國家級AI研究雲的建置</strong></span></p>
<p>在AI領域著墨甚深的22家美國頂尖大學，近日加入科技巨頭如Google、AWS、微軟、IBM和Nvidia等行列，來替建置國家級AI研究雲的法案背書，也就是《美國國家AI研究資源工作小組法案》。這個國家級AI研究雲的概念，最早由史丹佛大學人本AI中心的主任李飛飛在去年提出，她表示，國家級AI雲能提供研究員可負擔的運算成本，也能提供研究所需的大量資料集。為此，美國在6月也陸續啟動了討論會議，來探討如何建立、部署和治理這個國家AI研究雲。<a href="https://eshoo.house.gov/media/press-releases/preeminent-universities-and-leading-tech-companies-announce-support-bipartisan">（詳全文）</a></p>
<p>圖片來源／Google、史丹佛大學、臉書、LFAI、TensorFlow</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI趨勢近期新聞 </span></strong></span></p>
<p><strong>1. 臉書AI研究院聯手英美頂尖大學打造NetHack，專門來測試RL代理的穩健性</strong></p>
<p><strong>2. Google更新行動機器學習開發套件ML Kit，不再依賴Firebase雲端開發平臺 </strong></p>
<p><strong>3. Honeywell最強量子電腦正式上線，將開放客戶使用</strong></p>
<p>資料來源：iThome整理，2020年7月</p>
</div></div></div>
