新聞導讀：
- 騰訊公佈最大多標籤圖像數據集ML-Images論文詳解
- 美國禁止華爲美國芯片子公司向中國輸送技術
- 任正非迴應孟晚舟事件
- 高通拒絕向蘋果出售芯片
- Uber AI Labs公佈POET系統，教會AI自己進化
- 谷歌訓練 AI 學習圖像語義分割對象
- 南澳大利亞大學創建無人機手勢數據集
騰訊公佈最大多標籤圖像數據集ML-Images論文詳解
2018 年 9 月，騰訊 AI Lab 開源 “Tencent ML-Images” 項目。近日，騰訊在 arxiv 上發佈論文，詳細介紹了該數據集的構成以及評價標準等內容。
該項目由多標籤圖像數據集 ML-Images，以及業內目前同類深度學習模型中精度最高的深度殘差網絡 ResNet-101 構成。ML-Images 包含了 1800 萬圖像和 1.1 萬多種常見物體類別，在業內已公開的多標籤圖像數據集中規模最大，可以滿足一般科研機構及中小企業的使用場景。
ML-Images 數據庫代碼： https://github.com/Tencent/tencent-ml-images
論文地址：https://arxiv.org/abs/1901.01703
美國禁止華爲芯片子公司向中國輸送技術
據《華爾街日報》報道，美國禁止華爲在美國的芯片子公司 Futurewei 將技術出口到中國。
2018年6月份，美國商務部表示，出於國家安全考慮，拒絕 Futurewei 續簽技術出口許可的申請。華爾街日報獲取的相關文件顯示，Futurewei 被拒絕的出口許可申請涉及電信與軟件技術，包括高速數據傳輸數據技術。
對此，Futurewei 提出了異議，並對美國商務部表示，如果未獲得申請，可能搬遷研發中心。
任正非迴應孟晚舟事件
1 月15 日，華爲公司創始人兼 CEO 任正非在公司深圳總部接受國外媒體的採訪。對於其女兒、華爲CFO孟晚舟，任正非未發表過多評論，僅表示十分想念女兒，相信正義會得到伸張，也相信美國和加拿大的法律體系是開放的，他將等待法院的判決。
任正非稱，企業應以客戶爲中心，必須遵守商業規則，並表達了對美國總統特朗普的認可。他說：“我仍相信他是一位偉大的總統。從某種意義上說，他大膽地削減了稅收。我認爲這對美國工業的發展是有利的。”
除此之外，任正非表示，2019年對華爲來說可能是困難的一年，營收增長預計將低於20%。他說，華爲全年的營收目標是1250億美元。目前，華爲尚未公佈2018年的總營收，但華爲輪值主席徐直軍去年11月曾對CNBC表示，銷售額將超過1000億美元。
高通拒絕向蘋果出售芯片
外媒消息，蘋果公司表示，希望在 iPhone XS，XS Max 和 XR 中使用高通調制解調器，但在蘋果起訴其許可做法後，高通拒絕出售這些調制解調器。
“最終，他們不會支持我們或向我們出售芯片，”蘋果公司COO傑夫·威廉姆斯在 1 月 14 日向美國聯邦貿易委員會作證時透露。
聽證會上，蘋果首次公佈高通向蘋果收取的授權費用。據透露，高通向每部iPhone收取7.5美元的授權費。
高通公司目前正在接受審判，被指控從事壟斷行爲，包括收取異常高的專利費率，拒絕向其他芯片製造商授予專利許可等。
微軟拿下五角大樓17.6億美元合同
美國時間 1 月 11 日，五角大樓表示，微軟已獲得其價值 17.6 億美元的五年期合同，爲國防部、海岸警衛隊和情報部門提供企業服務。目前，合同的細節未知。
據初步判斷，該項目與此前備受關注的聯合企業防禦計劃（JEDI）關聯較小。JEDI 旨在將美國國防部的大規模計算系統轉移到雲中。這一合同價值100億美元，佔當前雲計算市場年收入的25%。該項目將使340萬用戶和400萬臺設備脫離私人服務器並進入雲端。
Uber AI Labs公佈POET系統，教會AI自己進化
當機器可以自行設計和完成自己的課程時會發生什麼？最近，Uber AI Labs 的一份新研究論文中探討了這一想法。研究人員介紹了Paired Open-Ended Trailblazer（POET），該系統旨在創建一種機器，它們可以在集體優化解決方案的同時進化出一系列多樣化且複雜的環境挑戰。“POET的一個重要假設，是通過分散的、開放式的過程，更有可能找到可以在非常複雜環境下完成任務的方法，而不是直接嘗試在充滿挑戰的環境中進行優化，”他們寫道。
POET工作原理：POET 基於“開拓者”算法，從“一個簡單的環境（例如平地上的障礙路線）和隨機初始化的重量矢量（例如用於神經網絡）”開始。然後，算法在循環迭代中執行以下三個任務：從當前活動的環境生成新環境，使用各自的環境優化配對代理，並將當前代理從一個環境轉移到另一個環境。研究人員使用 OpenAI 的進化策略和其他強化學習算法來計算每次迭代。
“金髮姑娘”環境：POET 試圖創造我稱之爲“金髮姑娘環境”的東西，即“當新環境產生時，除非對於當前環境還說難度適中，它們不會被添加到當前的環境中”。在訓練期間，POET 創建了一組擴展環境，這些環境是通過調整代理需要遍歷的 2D 環境中的各種障礙而生成。
閱讀更多： Paired Open-Ended Trailblazer（POET）：無限創造更復雜和多樣化的學習環境及其解決方案（https://arxiv.org/abs/1901.01753）。
谷歌訓練 AI 學習圖像語義分割對象
約翰斯·霍普金斯大學，谷歌和斯坦福大學的研究人員創建了一個名爲 Auto-DeepLab 的AI系統，該系統學會了對圖像進行有效的語義分割。圖像語義分割是計算機視覺中的一項具有挑戰性的任務，需要在圖像中標記目標並理解其邊界。此係統使用分層搜索功能，學習提出特定的神經網絡單元設計，以通知分層計算，並確定將這些單元鏈接在一起的整體網絡架構。
“我們的目標是學習可重複的單元結構和網絡結構的完美結合，專門用於語義圖像分割，”研究人員寫道。
效率：神經架構搜索方法的一個缺點是其固有的計算開銷，許多技術需要數百個GPU 來訓練系統。研究人員表示他們的方法是有效的，能夠使用 P100 GPU 在3 天內找到用於“城市景觀”數據集的語義分割的良好性能架構。
結果：該網絡提出了有效的設計，城市景觀數據集的結果證明了這一點。“使用額外的粗略註釋，我們的模型 Auto-DeepLab-L 無需在ImageNet 上進行預訓練，測試性能就達到了 82.1％，優於 PSPNet 和 Mapillary，並獲得與 DeepLabv3 + 相同的性能，同時多添加計算減少 55.5％。“該模型在 PASCAL VOC 2012 和 ADE20K 上達到最優性能。”
爲什麼重要：神經架構搜索爲 AI 研究人員提供了一種計算自動化的方法，因此，NAS 從解決監督分類問題擴展到更復雜的任務（如語義分割）將使我們能夠實現更多AI研究的自動化，讓研究人員提出更多新的想法。
閱讀更多：Auto-DeepLab：分層神經架構搜索語義圖像分割（https://arxiv.org/abs/1901.02985）。
南澳大利亞大學創建無人機手勢數據集
南澳大利亞大學的研究人員創建了一個包括 13 個手勢的數據集，這些手勢被設計爲“適用於基本的無人機導航和普通飛機和直升機處理手勢信號的命令，包括懸停、向左移動、着陸、從特定方向着陸、減速、向上移動等。
數據集：數據集包括“從在麥田中慢速和低空飛行的旋翼機無人機（3DR Solo）上收集的鏡頭”。該數據集由分佈在 119 個視頻中的 37,151 幀組成，這些視頻以 1920X1080的格式，25 fps 被記錄，包含 8 個人類演員不同手勢的視頻。
數據集：該數據集將很快在 GitHub 上開源：https://github.com/asankagp/UAV-GESTURE
實驗baseline：研究人員在數據集上訓練基於姿勢的卷積神經網絡（P-CNN），獲得91.9％ 的準確率。
爲什麼重要：無人機將成爲可以最直觀地看到基於軟件的AI技術進步對現實世界產生影響的領域之一，像 UAV-Gesture 這樣的數據集創建（以及最終發佈）將提高人們構建可以部署到無人機和其他平臺上的智能系統的能力。
閱讀更多：UAV-GESTURE：無人機控制和手勢識別數據集（https://arxiv.org/abs/1901.02602）。
原文鏈接：