what???日本大蒜销量激增；剑桥大学『机器学习与贝叶斯推理』最新课程；黑客工具速查清单；图片隐形水印添加工具；前沿论文 | ShowMeAI资讯日报

👀日报合辑 | 📆电子月刊 | 🔔公众号下载资料 | 🍩@韩信子

👀日报合辑 | 📆电子月刊 | 🔔公众号下载资料 | 🍩@韩信子

📢 日本大蒜销量激增??? 『啤酒-尿布』故事的新时代版本

数据显示，日本2019年大蒜销售额不足60亿，2020年迅速增长到80亿，涨幅1/3并仍处于上升趋势。日本餐饮店连锁和高档宾馆等纷纷推出大量使用大蒜的菜肴，并受到广泛欢迎。要知道，日本人均大蒜消费量只有300克/年（真的可以一年只吃300克大蒜？？）。

增长的原因，是疫情扩大导致生活方式发生变化，在人们普遍戴口罩和保持距离的情况下，不必像以前那样担心气味。不过，相比于我们年均消费14.3公斤的数据来说，隔壁还是得加油啊~ 蒜蓉粉丝扇贝、蒜蓉蒸茄子、蒜蓉油麦菜、烤大蒜都安排上！

工具&框架

🚧 『invisible watermark』为图片添加隐形水印的 Python 库

https://github.com/ShieldMnt/invisible-watermark

invisible-watermark 是一个 Python 库和命令行工具，用于在图像上创建隐形水印（又称眨眼图像水印、数字图像水印），这些操作对原始图像的呈现没有任何影响。

🚧 『Relevance AI』对非结构化数据进行分析的机器学习平台

https://github.com/RelevanceAI/RelevanceAI

https://sdk.relevance.ai/

世界上80%的数据是以文本、图像、音频、视频等形式存储的非结构化数据，Relevance 一个可以方便对非结构化数据进行分析的机器学习平台，具备以下功能：

• 使用预先训练好的机器学习模型，只需几行代码就可以快速分析非结构化数据。
• 可视化非结构化数据可视化：包括命名实体识别文本亮点，词云，图像检测框等。
• 数据过滤选择与快速检索，进行数据洞察。
• 快速分享数据应用程序。

🚧 『concepCy』ConceptNet 的 spaCy 封装，免费提供的语义网络，旨在帮助计算机理解单词含义

https://github.com/JulesBelveze/concepcy

https://julesbelveze.github.io/concepcy/

concepCy 是有一个友好的 NLP 工具，它是基于 spaCy 对 ConceptNet 的封装，ConceptNet 是一个免费提供的语义网络，旨在帮助计算机理解单词的含义的工具。concepCy 支持直接查询ConceptNet.io，从资源本身提取词义。

🚧 『NNext』超快的神经搜索引擎

https://github.com/nnextdb/nnext

https://nnext.ai/

NNextDB 是一个超快的神经网搜索引擎，可以应用在你的AI/ML应用程序中，NNextDB 的部署也非常简单便捷，可以在几分钟内部署在本地或云上。

🚧 『File Centipede』跨平台网络下载/上传管理器，支持各种协议

https://github.com/filecxx/FileCentipede

http://filecxx.com/zh_CN/index.html

File centipede 是一个一应俱全的互联网文件上传/下载管理器、包含BitTorrent客户端、WebDAV客户端、FTP客户端和SSH客户端。

它快速响应、可定制、操作用户友好，支持多协议，并包含许多有用的辅助工具，如 HTTP 请求器、文件合并器和编码器。通过浏览器的整合，你可以使用它从网站下载音频和视频，甚至是加密的视频。它是免费且无广告的。

博文&分享

👍 『Hacking Tools Cheat Sheet』黑客工具速查表

https://github.com/CompassSecurity/Hacking_Tools_Cheat_Sheet

https://blog.compass-security.com/2019/10/hacking-tools-cheat-sheet/

黑客工具速查表包含渗透测试、安全评估或红客活动中经常使用的命令和工具，包含以下主题：

• 基本 Linux 网络工具（ip、dig）
• 信息收集（whois、CT logs、subdomain enumeration）
• TCP 工具（ncat）
• TLS 工具（openssl、ncat、sslyze、socat）
• HTTP 工具（Python webserver、curl、nikto、gobuster）
• Sniffing（ARP spoofing、tcpdump、Wireshark等）
• 网络扫描（nmap、masscan）
• Shells（Bind/reverse shells）
• 漏洞数据库和漏洞利用（searchsploit 和一些链接）
• 破解（ncrack、hashcat、John the Ripper）
• Metasploit 框架（使用漏洞、生成 shell、shell 侦听器、meterpreter、pivoting、SOCKS 代理）
• Linux 权限提升（LinEnum、lynis、GTFOBins）
• Windows 权限提升（PowerSploit、smbmap）
• Windows 凭据收集（mimikatz、lsadump）
• Passh-The-Hash（很多 impacket 工具）
• NTLM 中继（ntlmrelayx，SOCKS 代理）
• 活动目录（BloodHound 和 PingCastle）
• 更多参考资料

👍 『Machine Learning and Bayesian Inference』剑桥大学·机器学习与贝叶斯推理·2021-22课程

https://www.youtube.com/playlist?list=PLdLk2RYEiAhp9Slj6F_LCMXUv7_Fi3V_Y

https://www.cl.cam.ac.uk/teaching/2122/MLBayInfer/

这是 Sean Holden 教授在2021年开设的一门机器学习与贝叶斯推理课程。这是一门相当详细的基础课程，从数学/概率的角度来讲授了基本算法（如最大似然和最大后验）、支持向量机、贝叶斯回归、高斯过程和贝叶斯网络。

课程可以帮助学生理解如何在概率框架内学习与推理，知道如何应用概率理论处理AI系统中的不确定性，理解机器学习的几种算法并在实践中应用这些方法。课程包含以下主题：

• 学习和推理简介 / Introduction to learning and inference
• 如何进行最佳分类 / How to classify optimally
• 线性分类器 / Linear classifiers
• 高斯过程 / Gaussian processes
• 支持向量机 / Support vector machines (SVMs)
• 实践问题 / Practical issues
• 无监督学习 / Unsupervised learning
• 贝叶斯网络 / Bayesian networks

数据&资源

🔥 『my awesome cs』计算机相关的学习网站&小工具合辑

https://github.com/sanbuphy/my-awesome-cs

https://sanbuphy.github.io/p/我的计算机学习网站集合/

合辑包含数学、CS大类、C、Python、C++、学术论文、其他日常使用网站、有趣的故事、心理健康建设、英语等专题。项目主体是『CS大类』，包含了操作系统、计算机网络、数据结构与算法、深度学习等内容。 作者的整个站点也蛮有意思的，值得一逛~

🔥 『FLsystem』联邦学习系统相关文献资源列表

https://github.com/AmberLJC/FLsystem-paper

一份关于联邦学习的资源整合文档，包含相关学术论文、文章、教程、幻灯片和项目列表。

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。

公众号后台回复关键字 日报，免费获取整理好的论文合辑。

科研进展

• 2022.08.18 『重排序』 No More Strided Convolutions or Pooling: A New CNN Building Block for Low-Resolution Images and Small Objects
• 2022.08.24 『3D重建』 PeRFception: Perception using Radiance Fields
• 2022.08.24 『无人驾驶』 YOLOPv2: Better, Faster, Stronger for Panoptic Driving Perception

⚡ 论文：No More Strided Convolutions or Pooling: A New CNN Building Block for Low-Resolution Images and Small Objects

论文时间：18 Aug 2022

领域任务：Passage Ranking, Re-Ranking，重排序

论文地址：https://arxiv.org/abs/2208.08942

代码实现：https://github.com/terrierteam/pyterrier_adaptive

论文作者：Sean MacAvaney, Nicola Tonellotto, Craig Macdonald

论文简介：Search systems often employ a re-ranking pipeline, wherein documents (or passages) from an initial pool of candidates are assigned new ranking scores./搜索系统通常采用一个重排流程，其中来自初始候选池的文件（或段落）被分配新的排名分数。

论文摘要：搜索系统通常采用一个重排名流程，其中来自最初的候选池的文件（或段落）被分配新的排名分数。这个过程可以使用精准但昂贵的评分函数，这些函数不适合直接用于倒置指数或近似近邻指数等结构。然而，重排管道本质上受到初始候选库的召回率的限制；那些没有被初始检索函数确定为重新排名的候选文件无法被识别。我们提出了一种新的方法来克服基于公认的聚类假说的召回限制。在整个重排的过程中，我们的方法将那些与到目前为止得分最高的文件最相似的文件添加到池中。这个反馈过程使候选文件池适应那些可能也会产生高排名分数的文件，即使它们不在最初的文件池中。它还可以提高那些出现在池子深处的文件的分数，否则这些文件会因为有限的重排预算而被跳过。我们发现，我们的基于图形的自适应重排（GAR）方法在精度和召回率方面显著提高了重排管道的性能，是对各种现有技术（如密集检索）的补充，对其超参数是稳健的，并且对计算和存储成本的贡献最小。例如，在MS MARCO通道排名数据集上，当应用monoT5排名器时，GAR可以将BM25候选库的nDCG提高8%。

⚡ 论文：PeRFception: Perception using Radiance Fields

论文时间：24 Aug 2022

领域任务：3D重建

论文地址：https://arxiv.org/abs/2208.11537

代码实现：https://github.com/POSTECH-CVLab/PeRFception

论文作者：Yoonwoo Jeong, Seungjoo Shin, Junha Lee, Christopher Choy, Animashree Anandkumar, Minsu Cho, Jaesik Park

论文简介：The recent progress in implicit 3D representation, i. e., Neural Radiance Fields (NeRFs), has made accurate and photorealistic 3D reconstruction possible in a differentiable manner./隐式三维表示的最新进展，即神经辐射场（NeRFs），使准确和逼真的三维重建以可区分的方式成为可能。

论文摘要：隐式三维表示法的最新进展，即神经辐射场（NeRFs），使准确和逼真的三维重建以可区分的方式成为可能。这种新的表示方法可以在一个紧凑的格式中有效地传达数百个高分辨率图像的信息，并允许对新的视图进行逼真的合成。在这项工作中，我们利用NeRF的变种Plenoxels，创建了第一个用于感知任务的大规模隐式表征数据集，称为PeRFception，它由两部分组成，包括以物体为中心和以场景为中心的扫描，用于分类和分割。它在原始数据集的基础上显示了显著的内存压缩率（96.4％），同时以统一的形式包含了二维和三维信息。我们构建了分类和分割模型，直接将这种隐性格式作为输入，还提出了一种新的增强技术，以避免对图像背景的过度拟合。代码和数据可在 https://postech-cvlab.github.io/PeRFception 获取。

⚡ 论文：YOLOPv2: Better, Faster, Stronger for Panoptic Driving Perception

论文时间：24 Aug 2022

领域任务：Autonomous Driving, Drivable Area Detection, 无人驾驶，可行驶区域检测

论文地址：https://arxiv.org/abs/2208.11434

代码实现：https://github.com/CAIC-AD/YOLOPv2

论文作者：Cheng Han, Qichao Zhao, Shuyi Zhang, Yinzi Chen, Zhenlin Zhang, Jinwei Yuan

论文简介：Over the last decade, multi-tasking learning approaches have achieved promising results in solving panoptic driving perception problems, providing both high-precision and high-efficiency performance./在过去的十年里，多任务学习方法在解决全景驾驶感知问题方面取得了可喜的成果，提供了高精度和高效率的性能。

论文摘要：在过去的十年里，多任务学习方法在解决全景驾驶感知问题方面取得了可喜的成果，提供了高精度和高效率的性能。在计算资源有限的情况下，为实时实用的自动驾驶系统设计网络时，它已经成为一种流行的范式。本文提出了一个高效的多任务学习网络，以同时执行交通对象检测、可驾驶道路区域分割和车道检测的任务。在具有挑战性的BDD100K数据集上，我们的模型在准确性和速度方面达到了新的最先进（SOTA）性能。特别是，与以前的SOTA模型相比，推理时间减少了一半。

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 日报合辑，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 电子月刊，快速浏览月度合辑。

◉ 点击 这里 ，回复关键字 日报 免费获取AI电子月刊与论文 / 电子书等资料包。