2021年人四大工智能数据采集标注行业趋势预测；清华提出深度对齐聚类用于新意图发现

开发者社区技术周刊 又和大家见面了，快来看看这周有哪些值得我们开发者关注的重要新闻吧。

数字货币5万个200红包，京东预约抽签！

云测数据：2021年人工智能数据采集标注行业四大趋势预测

谷歌云端硬盘将整合企业和个人服务，合并桌面客户端软件

微软发布Win10云端配置：可灵活安全部署Win32应用等

更快更清晰！NVIDIA首次实现SDF实时渲染，速度提升3个数量级

英伟达A100深度学习性能实测：训练速度可达V100的3.5倍

AAAI 2021丨清华提出深度对齐聚类用于新意图发现

ACM MM丨基于情感脑电信号时-频-空特征的3D密集连接网络

行业要闻 Industry News

1.数字货5万个200红包，京东预约抽签！

数字人民币来北京啦！打开“京东”APP， 搜索“数字人民币”， 2月7日-2月8日北京地区可报名摇号（以GPS定位为准）抽取200元数字货币红包， 限量5万个。2月10日公布摇号结果， 2月10日~2月17日可使用红包，可在京东京喜线上消费。如果摇号抽中，京东将 通过短信推送中签信息。

支持银行：工行、农行、中行、建行、交行、邮储。

2.2021年人工智能数据采集标注行业四大趋势预测

人工智能数据采集标注头部企业云测数据近日发布了 《2021 年人工智能数据采集标注行业四大趋势预测》 。云测数据认为，未来，高精度数据将成人工智能训练阶段追逐热点，具备主要需求方稳定的特点，存量市场将稳步增长；而随着人工智能对长尾场景的数据需求进一步扩大，3-5年内，场景化数据将拥有更广阔的增量空间，成为行业加速发展的新引擎；同时，“底层技术+服务能力”将愈发重要直至成为核心竞争点，人工智能更需要能提供一体化数据解决方案的服务商。

3.谷歌云端硬盘将整合企业和个人服务，合并桌面客户端软件

据外媒Neowin消息， 谷歌计划将此前针对企业的云端硬盘服务和个人云端硬盘服务进行融合， 以解决用户使用混乱的问题。谷歌云端硬盘（Google Drive）目前有两个桌面版客户端，分别用于企业用户云盘和个人用户的同步。昨日谷歌宣布将会在今年晚些时候整合这两个服务，目的是便于企业管理者进行文件分发同步，也能够避免员工使用时的混乱问题。另外，谷歌也将设计一款新的Google Drive桌面客户端来统一这两个服务。

4.微软发布Win10云端配置：可灵活安全部署Win32应用等

2月3日消息微软官方博客发布，微软今天宣布推出Windows10的云端配置版本。Cloud config提供了一种简单的方法，可以将一套统一的配置应用到Windows 10设备上，将它们转化为精简、易于管理的终端。 要说明的是，云端配置并不是Windows新版本或新模式。它只是微软推荐的Windows 10的设备配置，为有特定工作流需求的用户进行了云优化。 通过Windows 10云配置，终端用户可以享受到熟悉的Windows界面和应用，而IT管理员将获得熟悉的管理体验。如果你拥有Windows 10专业版或企业版PC和端点管理器，就可以使用云配置应用和设置。除了Microsoft Teams、Microsoft Edge和OneDrive for Business之外，云配置还能让你灵活地将Win32和关键业务线 (LOB)应用直接或通过虚拟化安全部署到设备上。

5.更快更清晰！NVIDIA首次实现SDF实时渲染，速度提升3个数量级

近日，英伟达发表一项最新研究成果将实时渲染速度提升了2-3个数量级。而在渲染质量上，它也能够更好地处理复杂样式、比例的图形数据，甚至实时同步环境光照可能形成的阴影。这项最新研究是一篇名为《神经几何细节水平：隐式3D形状的实时渲染》的论文，它是英伟达联合多伦多大学、麦吉尔大学研究人员共同发表的研究成果，目前已提交至预印论文库arXiv。

论文中，研究人员表示，他们通过引入了一种高效的神经网络表示方法，首次实现了基于SDF的3D高保真实时渲染，同时达到了最先进的几何重建质量。更重要的是，与其他研究相比，它在渲染速度上提升了2-3个数量级。

6.英伟达A100深度学习性能实测：训练速度可达V100的3.5倍

英伟达最新发布的基于 新架构的A100加速计算卡， 其官网宣传：自动混合精度和FP16，可以为A100带来2倍的性能提升；而且，在不更改代码的情况下，具有TF32的A100与英伟达Volta相比，性能能够高出20倍。相比V100，A100的单精度浮点计算能力，从15.7TFLOPS提升至19.5TFLOPS；而双精度浮点运算从7.8TFLOPS提升至9.7TFLOPS。

学术前沿 Academic News

1.AAAI 2021丨清华提出深度对齐聚类用于新意图发现

DeepAligned算法成功地借助少量已知意图先验进行知识迁移，通过 深度对齐聚类学习高质量意图特征表示用于新意图发现。 该方法能利用少量有标注意图样本预测新意图数量，通过对齐策略提供一致性伪标签作为自监督信号用于表示学习。我们在两个基准数据集进行实验，DeepAligned在不同已知意图和簇数量设置下，相较于现有方法取得了显著提升。

*论文链接：https://arxiv.org/pdf/2012.08...

2.ACM MM丨基于情感脑电信号时-频-空特征的3D密集连接网络

本文提出了 一种脑电情绪识别模型SST-EmotionNet， 该模型使用双流的结构同时捕获脑电信号具有互补性的空间、频率、时间三类特征；同时，设计了一种空-频/时注意力机制，使该模型能够动态关注一些对情绪识别任务较有辨识度的时-频-空局部模式。在公开的脑电情绪识别数据集SEED与SEED-IV上的实验表明，该模型有着出色的性能优于传统的基线方法。此外，该文提出的模型是 一个多变量生理时间序列的通用框架，未来可以应用于睡眠分期、疲劳驾驶监测等相关领域中。

*论文链接：https://dl.acm.org/doi/abs/10...

以上信息来源于网络，由“京东科技开发者”公众号编辑整理，不代表京东科技立场

推荐阅读

欢迎点击【京东科技】，了解开发者社区

更多精彩技术实践与独家干货解析

欢迎关注【京东科技开发者】公众号