AI所有领域最优论文+代码查找神器:966个ML任务、8500+论文任你选

查找论文及对应源码的神器 Papers With Code 刚刚推出了最新版本,可以用图形界面查找你想要的 SOTA 实现,从应用领域到具体任务再到实现代码一步到位。据网站开发者介绍,里面包含了 966 个机器学习任务、515 个评估排行榜(以及当前最优结果)、8625 篇论文(带源码)、704 个数据集。

网站地址:https://paperswithcode.com/sota

Papers With Code 简介

Papers With Code 由 Reddit 用户 rstoj 开发,旨在提供免费、开源的机器学习论文资源、代码和评估排行榜。目前该网站已经完成了代码与论文的自动化链接,正在研究自动提取论文中的评估数据。

该网站将 ArXiv 上的最新机器学习论文与 GitHub 上的代码(TensorFlow/PyTorch/MXNet 等)对应起来。用户可以按标题关键词查询,或者按流行程度、GitHub 收藏数排列「热门研究」。

据了解,Papers With Code 网站上的所有内容都是可编辑的,而且是版本化的。用户可以从中发现好的任务和最优结果,甚至发现一些以前不知道的研究精华。开发者还开源了整个数据集。

数据下载

  • 论文摘要:https://paperswithcode.com/media/about/papers-with-abstracts.json.gz

  • 论文与代码之间的链接:https://paperswithcode.com/media/about/links-between-papers-and-code.json.gz

  • 评估排行榜:https://paperswithcode.com/media/about/evaluation-tables.json.gz

数据源

大部分数据来自于开发者的论文标注。为了确保广泛覆盖机器学习任务,开发者解析了 6 万多篇论文的标题(命名为「Method X for Task Y」)。此外,开发者还在 2018 年最后一个季度的 1600 篇 arXiv 论文摘要中手动标注了任务和数据集。

开发者还 follow 了以下项目的数据:

  • NLP 进展:https://github.com/sebastianruder/NLP-progress

  • EFF AI metrics:https://github.com/AI-metrics/AI-metrics

  • SQuAD:https://rajpurkar.github.io/SQuAD-explorer/

  • RedditSota:https://github.com/RedditSota/state-of-the-art-result-for-machine-learning-problems

抓取和导入数据的代码也已开源,详见:paperswithcode/sota-extractor 。

覆盖类别

Papers With Code 网站涉及广泛的机器学习任务,目前包含 966 个机器学习任务、515 个评估排行榜(以及当前最优结果)、8625 篇论文(带源码)、704 个数据集,其中光是计算机视觉就覆盖了多达 552 种任务。这些机器学习任务具体分类是:计算机视觉自然语言处理、医疗、方法(Methodology)、语音、游戏、图、时序、音频、机器人、音乐、推理、计算机代码、知识库、对抗等。

图源:https://paperswithcode.com/sota

除此之外,我们还可以在该网站上查看「Trending Research」、「Latest Research」和「Top Papers」。每一个分类下面所列出的项目包含:论文标题、机构、发表日期、摘要、任务分类等信息。

使用

现在,我们来看看这个 ML SOTA 浏览器怎么用吧。

如果你进入了主页而不是上图页面,那么只要在原来的主页点击搜索框旁边的 Browse state-of-the-art,就可以看到上图的界面了。

计算机视觉中的语义分割(Semantic Segmentation)任务为例。从 Browse state-of-the-art 主页视图中可以直接看到,语义分割任务中包含了 9 个排行榜以及 299 篇论文。

点进去之后就能看到这 9 个排行榜。不过 9 这个数字好像对不上,算了这不重要。我们可以看到 5 个数据集的 SOTA 论文,每一行分别列出了数据集名称、SOTA 模型名称、论文、源代码等。例如,第一行展示了在 PASCAL VOC 2012 数据集上的当前最佳模型是 DeepLabv3+ (Xception-JFT),源论文是《Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation》。点击「See all」,就能查看排行榜的更多细节,我们点击第一行的「See all」。

如下图所示,点击「See all」之后,页面跳转到在 PASCAL VOC 2012 数据集上的排行榜详细信息,如下图所示,图中绿色点为曾经的 SOTA 论文,图中折线表示趋势图,灰色点表示性能较弱的其他论文。上图中「趋势」栏中的小图即各排行榜的 SOTA 趋势图。鼠标落在图中的点就能显示相应的模型和性能信息,点击即可直达论文详情页面(Papers With Code 页面)。

在趋势图下方则列出了完整的数据表格,按照评估指标从大到小排序。DeepLabv3+ (Xception-JFT) 在语义分割任务中排名第一,Mean IoU 分数为 89.0%。

接下来,我们点击 DeepLabv3+ (Xception-JFT) 行中的超链,就能到达该模型的 Papers With Code 页面,上面显示了论文标题、摘要、arXiv 链接,以及最重要也是 Papers with Code 最让人心水的地方——直接提供实现代码的 GitHub 链接,还不止一个。在 DeepLabv3+ (Xception-JFT) 的页面中就提供了多达 15 个实现,这些实现按照 GitHub 收藏量排序,并显示基于什么框架实现。

终于找到想要的实现了吗?请慢用......

代码实现列表下方还展示了这个模型在其他任务上的排行榜排名和性能。从下表可以看到,

DeepLabv3+ (Xception-JFT) 还在 Cityscapes 上实现了 82.1% 的当前最佳 Mean IoU。


到此,Papers With Code 的功能就介绍得差不多了。我们再看看其中一些让人惊喜的地方。在所有数据集的排行榜页面下方还可以看到,有非常良心的子任务分类。也就是说在语义分割页面,你还能看到和语义分割相关的其它子任务的排行榜,有实时语义分割、场景分割、弱监督分割等。点进去能查看的信息类型和上述例子一致,此处不再赘述。

假期将至,小编要去啃论文了~同学们,跟上!

工程工具SOTA代码论文
101
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

TensorFlow技术

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。

知识库技术

知识库是用于知识管理的一种特殊的数据库,以便于有关领域知识的采集、整理以及提取。知识库中的知识源于领域专家,它是求解问题所需领域知识的集合,包括基本事实、规则和其它有关信息。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

查询技术

一般来说,查询是询问的一种形式。它在不同的学科里涵义有所不同。在信息检索领域,查询指的是数据库和信息系统对信息检索的精确要求

MXNet技术

MXNet是开源的,用来训练部署深层神经网络的深度学习框架。它是可扩展的,允许快速模型训练,并灵活支持多种语言(C ++,Python,Julia,Matlab,JavaScript, Go,R,Scala,Perl,Wolfram语言)

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

语义分割技术

语义分割,简单来说就是给定一张图片,对图片中的每一个像素点进行分类。图像语义分割是AI领域中一个重要的分支,是机器视觉技术中关于图像理解的重要一环。

推荐文章
很赞,为相关学习者提供了极大的便利