MolarData|AI领域资讯速递

三分球百发百中，中线投篮也不在话下？！

东京奥运会男篮小组赛美国和法国的比赛间隙，一个身穿95号球衣，长相怪异的家伙进行了投篮表演：

——没错，这位95号是一个人形机器人，主业就是投篮。据说这个想法源自三年前日本丰田中央研究实验室九位工程师聚在一起带薪摸鱼聊天时的灵光乍现。想要让机器人自主识别篮筐的位置并做出准确的判断，就需要AI的协助。它的「眼睛」是一个激光雷达，用于捕捉篮筐和周围物体的3D形状以及距离信息，配合摄像头，共同实现对于环境的认知。这基本与自动驾驶汽车对于外界环境感知原理类似。

20年2月，CUE又接收到日本篮球联赛的邀请，来参加日本篮球全明星大赛的三分球比赛。与美职篮类似，三分球大赛需要参赛者在三分线边缘5个投篮点进行快速投篮，命中最多的获胜。为了实现快速移动，需要取消之前连接到机器人的电源和通信电缆，需要开发和安装小型、强大的专用电机。

此外，投篮后机器人的摇摆对射击精度有很大影响。除了上述挑战之外，为了解决其他各种问题，开发需要全面修改从传感器和内部框架到 AI 算法的所有内容。最终，崭新的CUE 4亮相日本篮球全明星联赛，在3分球大赛中共获得11分。

（来源：新智元）

用手机拍照就可以检测一个人是否贫血，不知道你听说过没？

通过拍摄人的下眼睑照片，AI就可以有72.6%的准确率预测是否贫血！

下眼睑是一个血流量低、黑色素或其他可能影响结果的因素很少的身体部位。研究人员在一家医院拍摄了142名拥有不同血红蛋白范围值的患者的下眼睑。每名患者拍摄32张图像，其中8张有标准颜色参考，用RAW和JPEG格式记录有无闪光灯拍摄下的图像。剩下的24张图像是在没有颜色参考的情况下拍的，拍摄时需尽可能靠近结膜以便清晰聚焦，并尽量减少光源的眩光和移动。

使用MATLAB来处理图像,生成一个数据库，将每个处理后的图像信息与患者的临床数据合并。再通过算法选出最能代表眼睑颜色的最佳区域以及整个有效区域。

最后，将这个区域的26种衡量参数组成行，其值为列，再填充患者在实验室测出的血红蛋白值组成矩阵，进行逐步回归分析，得出最终的预测模型。基于目前的实验数据，该模型可以先用作贫血的筛查工具，一旦检测出任何异常结果再进行确认检测。

(来源：量子位）

04

苹果华人研究员实现无代码深度学习

近日，苹果的研究人员推出了一个基于卷积神经网络（CNN）的无代码深度学习平台，称其能够深入解决地理空间领域的复杂问题。

研究人员将项目命名为Trinity（三位一体），估计也是因为他们表示该项目有三个主要贡献：

1、可以利用数据转换将不同数据集的信息转换成标准格式；2、可以将空间任务转化为语义分割问题，使其得到了标准化的解决方式；

3、可以提供一个易于使用的无代码环境降低准入门槛。

项目视图为用户提供了搜索、监控和比较实验的便利方式。实验视图使用户能够从特征目录中选择特征，监测数据准备和模型训练，样本预测和可视化，验证训练和预测数据的分布，并查看实验的整体状态。

研究人员在Trinity的深度学习内核中打包了一些基于CNN的标准分割结构。 用户可以从中挑选合适的架构来训练模型，或者也可以让Trinity自动选择最佳的网络架构。 其中，深度学习内核涵盖了用于语义分割的神经网络架构，并提供了模型训练、评估、指标处理和推理。 虽然是基于TensorFlow实现的，但研究人员表示，可以很容易地转换到其他的框架。

Trinity为用户提供了十分全面的智能超参数选项。 用户只需给出大致的范围或者几个候选设置，模型会自动开启多个平行试验，并选择最佳的超参数设置用于生成模型。

（来源：新智元）