AI游戏外挂、语义分割、年龄性别检测

01

年龄及性别检测

基于深层卷积神经网络的年龄及性别检测【Tensorflow】

项目环境：

Tensorflow 1.4，dlib，cv2，matplotlib，imutils，numpy，pandas

这是一个开源项目，基于深度学习进行人脸图片的性别及年龄检测。首先，采用dlib进行人脸的位置检测及人脸对齐；然后，采用深层CNN进行人脸的特征提取，从而实现年龄及性别的估计预测。

本项目中采用的CNN基于FaceNet，结构为inception-resnet-v1。网络所用的人脸训练数据分别来自wiki和imdb数据库。

项目地址：

https://github.com/BoyuanJiang/Age-Gender-Estimate-TF

语义实例分割

02

基于RNN的语义实例分割

【PyTorch】

项目环境：

PyTorch 0.2

本项目提出了一个基于RNN的语义实例分割模型，为图像中的每个目标顺序地生成一对mask及其对应的类概率。该模型是可端对端的、可训练的，不需要对输出进行任何后处理，因此相比其他依靠目标提案（object proposal）的方法更为简单。受益于模型中编码器部分学习到的特征，该模型可以学习遵从一致的模式来生成目标序列。作者在三个实例分割基准数据集（Pascal VOC 2012，Cityscapes和CVPPP植物叶片分割数据集）上进行了测试，均获得了很好的性能。

项目地址：

https://github.com/imatge-upc/rsis

项目论文：

Recurrent Neural Networks for Semantic Instance Segmentation

03

游戏外挂

学习预测未来决定动作

【Keras】

项目环境：

Keras 1.2.2 / 2.0.5，Tensorflow 0.12.0 / 1.2.1，VizDoom

本项目提出了一种在沉浸式环境中进行感觉运动控制的方法。该方法结合了高维度的感官流和低维度的测量流。这些流的联合时间结构提供了丰富的监督信息，使得能够通过与环境交互来训练感觉运动控制模型。该模型是使用监督式学习技术进行训练的，但没有额外的监督。它学会基于复杂三维环境下的原始感官输入进行操作。本文所提出的公式使得在训练时无需固定目标的学习，在测试时拟合动态变化的目标。作者基于经典的第一人称游戏Doom，进行了大量的三维模拟实验。结果表明，该的方法胜过于现有的先验公式，尤其是对于具有挑战性的任务。此外，该模型可以轻松泛化至其他环境和目标。在Visual Doom AI比赛中，该模型赢得了Full Deathmatch任务。

项目地址：

https://github.com/flyyufelix/Direct-Future-Prediction-Keras

项目论文：

Learning to act by predicting the future（ICLR 2017）

CondenseNet

04

《人间草木》节选

浓缩网络：基于学习到的组卷积的DenseNet

【 PyTorch】

项目环境：

PyTorch(0.1.12+)，Python3

CondenseNet是一种新颖的，计算效率高的卷积网络架构。它结合了层之间的密集连接，并使用一种机制去除未使用的连接。密集的连通性有利于网络中的特征重用，而学习到的组卷积消除了该特征重用的层之间的多余的连接。在测试时，该模型可以使用标准的分组卷积来实现 - 在实践中可以达到高效计算。实验证明，CondenseNets比其他密集卷积网络（如MobileNets和ShuffleNets）更有效率。

项目地址：

https://github.com/ShichenLiu/CondenseNet

项目论文：

CondenseNet: An Efficient DenseNet using Learned Group Convolutions