在 2019 年最值得学习的机器学习项目（上）中，我们盘点了很多优秀的机器学习项目，其中有 3D 姿态估计，建筑机器翻译，图像和视频中的汽车消除等等有意思的内容。接下来，我们将继续介绍更多优秀的机器学习项目，让同学们都能找到感兴趣的学习内容。
在下篇中，我们将以一个内衣检测项目作为开始，下面让我们看看有哪些好玩的项目吧~
内衣检测仪
——Nick Bourdakos
这完全可以理解。但严肃地说，ML 驱动的 NSFW 滤波器是一个非常有用的应用程序，可以调节用户生成的内容。
twitter：https://twitter.com/bourdakos1
代码：https://github.com/cloud-annotations/training?source=post_page—–e74d7d347c2———————-
BERT，完全在设备上运行
——Hugging Face
上面，我们讨论了 Hugging Face 为将最强大的语言模型引入智能手机等边缘设备所做的持续努力。这个演示是一个关于在 ios 上用 BERT 回答问题的项目。
twitter：https://twitter.com/julien_c
代码：
网址：https://github.com/huggingface/swift-coreml-transformers?source=post_page—–e74d7d347c2———————-
「潜在历史」：集体摄影记忆
——Refik Anadol
这是一个令人惊叹的视觉演示，可以唤起对现代历史的深刻欣赏与喜欢。VentureBeat 对该项目的简介很好地解释了这一点：
这篇文章从一组 30 万张照片中生成图像，其中包括有 150 年历史的斯德哥尔摩市档案馆和过去 15 年从同一地点拍摄的彩色图像。
由此产生的效果是对集体记忆的艺术呈现，大致说可以与当今世界融为一体。
twitter：https://twitter.com/refikanadol
VentureBeat 特征：
项目页面：
从自拍中移除手机的掩蔽和图像处理
——Abhishek Singh
照片中没有手机的镜像自拍是真的镜像自拍，还是别的什么？不管是哪一类，Abhishek Singh 的酷炫演示分三步进行：
-
分割模型对属于 phone 类对象的每个像素进行分类。
-
将像素级掩膜应用于分割电话。
-
将图像应用于分割后的手机，产生模糊效果。
twitter：https://twitter.com/shekitup
代码：
网址：https://github.com/shekit/mirror-selfie?source=post_page—–e74d7d347c2———————-
用 DVD-GAN 生成整个视频
——Aidan Clark, Jeff Donahue, Karen Simonyan
在这里，我们有一个生成模型，能够生成具有高复杂度和保真度的视频。这种视频样本的生成可能会改变合成数据集的生存能力。在用 GANs 生成图像方面有相当多的工作（这里的许多项目都展示了这一点），但是生成高质量的视频在数据生成、视频合成和视频预测任务等方面提供了广泛的可能性。
twitter：https://twitter.com/roadrunning01
论文：
论文：https://arxiv.org/abs/1907.06571?source=post_page—–e74d7d347c2———————-
在 BigGAN 的潜在空间寻找一幅先前生成的图像
——Mario Klingemann
这里的推特说明了一切。此外，这个线程还包含更多演示视频，通过额外的迭代来展示项目的进度。能看到 ML 工程师使用 GAN 潜在空间的各种不同方式，真是太神奇了。
twitter：https://twitter.com/quasimondo
用神经绘画技术去除运动物体
——Abhishek Singh
在某些方面类似于他的镜像项目（如上图所示）。这一次让我笑了——不知为什么，看到世界级的运动员追逐一个看不见的球真的很有趣。
Abhishek 还快速概述了项目结构：
「Maskrcnn 在 Coco 数据集上训练以识别和分割对象->将其屏蔽并删除像素->在 Place2 数据集上训练边缘连接模型以填充丢失的像素。」
twitter：https://twitter.com/shekitup
HoloGAN：学习物体的几何表示
——Thu Nguyen-Phuoc
看到分离的三维表示仅仅来自单一视图的二维图像令人印象深刻。
来自摘要：
我们的实验表明，利用显式的三维特征，HoloGAN 能够将三维姿态和身份信息分离出来，并进一步分解为形状和外观，同时仍然能够生成与其他生成模型相似或更高视觉质量的图像。HoloGAN 只能从未标记的二维图像进行端到端的训练。特别是，我们不需要姿态标签、三维形状或同一对象的多个视图。这表明 HoloGAN 是第一个以完全无监督的方式从自然图像中学习三维表示的生成模型。
twitter：https://twitter.com/thunguyenphuoc
项目页面：
使用姿态估计在浏览器中自动更改文本大小
——Olesya Chenyavskaya
我是 ML 项目的忠实粉丝，这些项目致力于使我们每天使用的工具更容易访问。这里就有一个改变浏览器窗口内的文本大小的项目。
twitter：https://twitter.com/monolesan
项目页面和 demo：
网址：https://glitch.com/~make-me-big?source=post_page—–e74d7d347c2———————-
「Gym City」：用神经网络模拟城市
——Sam Earle
这个项目的 github repo 比以往任何时候都能更好地解释这里发生的事情，因此我将让它在这里完成工作：
一个强化学习界面，用于可变规模的城市规划型健身房环境。
twitter：https://twitter.com/jamesonthecrow
代码：
网址：https://github.com/smearle/gym-city?source=post_page—–e74d7d347c2———————-
基于 GANs 和单参考图像的运动风格转换
——SVIP Lab
运动模拟+风格转换是一个很酷的想法，而在这个项目中提出的统一框架具有广泛的转换可能性。
摘要包含了对该项目的特色描述，包括它与其他方法的区别：
现有的任务特定方法主要使用 2D 关键点（姿势）来估计人体结构。然而，它们只表达位置信息，没有能力描述个体的个性化形状，也无法模拟肢体旋转。本文提出了一种三维人体网格恢复模型，它不仅可以对关节的位置和旋转进行建模，而且可以对个性化的人体形状进行表征。为了保留源信息，如纹理、样式、颜色和面部特征，我们提出了一种带液体翘曲块的液体翘曲 GAN，它在图像和特征空间中传播源信息，并根据参考合成图像。
twitter：https://twitter.com/roadrunning01
论文：
网址：https://arxiv.org/abs/1909.12224?source=post_page—–e74d7d347c2———————-
项目页面：
网址：https://svip-lab.github.io/project/impersonator.html?source=post_page—–e74d7d347c2———————-
代码：
网址：https://github.com/svip-lab/impersonator?source=post_page—–e74d7d347c2———————-
由 DeepMind 创作的 Spiral：19 笔画出一幅肖像
——Yaroslav Ganin 和 DeepMindAI
本质上，这个项目允许用户无条件地从 Celeba HQ 数据集生成图像，分 19 步（这里称为笔触）。我也很喜欢这里的油画美感。
twitter：https://twitter.com/yaroslav_ganin
模型：
代码：
网址：https://github.com/deepmind/spiral?source=post_page—–e74d7d347c2———————-
照亮已拍下的肖像照片
——Hao Zhou, Sunil Hadap, Kaylan Sunkavili 和 David Jacobs
我当然不是一个有才华的摄影师，要在我拍摄的照片上获得正确的光线总是很困难的。因此，能够自动地为光线不好的图像设定特定的照明级别是一个非常吸引人的想法。
twitter：https://twitter.com/roadrunning01
项目页面：
网址：https://zhhoper.github.io/dpr.html?source=post_page—–e74d7d347c2———————-
代码：
网址：https://github.com/zhhoper/DPR?source=post_page—–e74d7d347c2———————-
最后，本着万圣节的精神——Jack-o- GANterns?
——Michael Friesen
必须在这里加入双关语。一个有趣的季节性使用 GAN 的玩法——其中一些看起来像设计，我已经尝试（并失败）多年。让恐怖表演开始吧…
twitter：https://twitter.com/MichaelFriese10
好啦，今年最有趣的机器学习项目盘点就到这里了。本次盘点包含了机器学习相关的各个领域各种有趣的项目，同时还附上了相关的代码链接，以及论文链接，相关的 twitter 等，感兴趣的同学们可以好好利用这些优质的资源，在玩这些项目的同时还能学到新知识，一举两得！
via：https://heartbeat.fritz.ai/2019s-awesome-machine-learning-projects-with-visual-demos-e74d7d347c2?gi=7b82d428eb9b
雷锋网雷锋网(公众号：雷锋网)雷锋网
雷锋网版权文章，未经授权禁止转载。详情见。
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/137375.html