【新智元导读】深度学习框架Keras的作者、Google人工智能专家François Chollet 最近开发了一个专注于AI开源项目的讨论&合作的平台AI·ON（地址：http://ai-on.org）。该平台目前已公布10个AI项目，包括3个基础研究项目和7个应用研究项目，欢迎所有对这些棘手却重要的AI问题感兴趣的研究人员来共同研究。
深度学习框架Keras的作者、Google人工智能专家François Chollet 最近开发了一个专注于AI开源项目的讨论&合作的平台AI·ON（地址：http://ai-on.org）。
AI·ON网站首页表明了它的三个目标：专注重要却被小看了的研究问题；把研究者联系起来，并鼓励开放的科学合作；为想增加机器学习经验的学生提供学习的环境。 任何人都可以作为研究者加入该社区并贡献项目，且所有的项目都应该是开源项目。网站目前已公布10个AI项目，包括3个基础研究项目和7个应用研究项目，欢迎所有对这些棘手却重要的AI问题感兴趣的研究人员来共同研究。
AI·ON开放研究问题
我们把这些开放研究问题分为两部分：应用研究和基础研究。
应用研究问题对想通过做新项目来提升他们在机器学习和深度学习方面的专业知识的学生来说非常理想，这些问题对世界的影响也非常有意义。
基础研究问题是现阶段还没有解决方法的庞大而重要的问题，在较近的未来可能也没法完全解决。
应用研究问题
1. 心脏核磁共振图像（MRI）分割
开发一个能够从心脏核磁共振图像（MRI）数据集的图像中自动分割右心室的系统。
2. 发现存在撤稿风险的生物医学论文
开发一个分析新的生物医学论文内容的模型，以确定欺诈或科学错误的可能性。
3. 3D渲染场景的拟真后期处理
开发一个能够增加3D渲染场景的真实性的模型（类似于超分辨率模型）。
4. 使用生成模型增强数据
使用GAN及其他生成模型为计算机视觉模型开发更好的数据增强技术。
5. 社交媒体僵尸网络的发现和分析
分析Twitter上的政治僵尸网络活动并研究有效的对策。
6. 升采样应用中的亚像素CNN
使用亚像素CNN进行升采样操作以改进分割模型和生成模型。
7. 染色体分割
开发专门的视觉分割模型帮助细胞遗传学家进行研究。
基础研究问题
1. 残差网络的逐层监督增量训练
探索以逐层的方式，而非端到端的方式训练有监督残差网络。
2. 非平稳环境中的机器学习
开发能够在与训练数据非常不同的数据上表现良好的模型
3. 基于surprise优化的音乐生成
使用神经科学和深度学习生成音乐。
