本文目录一览：
大家有没有一种感觉，巴西经历了漫长的低谷之后，如今已经显示出强势复苏的势头。
自从06年世界杯以后，巴西的实力就一直呈下滑趋势，这直接体现在世界杯成绩上。除了2014年本土进行的世界杯之外，巴西从06年开始，成绩一直稳定在八强。而2014年世界杯巴西虽然打进四强，但1：7输给德国的比赛，足以作为他们实力大幅下滑的标志。
那些年，世界第一强队的位子，曾属于西班牙，德国，法国，而大家甚至都忘了，其实这个位置之前一直属于巴西。
但是最近一两年，巴西似乎有了复苏的势头。卡塔尔世界杯预选赛，巴西高居第一，而且一场未输，这种情况已经很久没出现过了。而如此抢眼的成绩，也使得巴西的世界排名迅速攀升。今年，巴西超越比利时，成为世界*的球队。其实这个位置，很多年前一直属于他们。
除了世界排名之外，还有一个元素，可以作为巴西实力复苏的标志。
我们从本赛季的欧冠决赛说起。本赛季皇马和利物浦打进决赛，我们重点说一说皇马。从13到14赛季开始，皇马开启了一个黄金时代，尤其是15到16赛季开始他们完成了改制以后*的欧冠三连冠。不过从那以后，皇马陷入一个低谷，再也没能打进决赛。
本赛季皇马再次闯进决赛，可以说是他们复苏的标志，可见，他们的竞争力又回来了。虽然很多人诟病这支皇马硬实力不足，弱于曼城，大巴黎，切尔西，但正是这支皇马，淘汰了前面三支球队。足球是靠结果说话的，皇马能打到这个份上，充分证明了自己的实力是在线的。
那么，目前的这支皇马，阵容方面有什么特点呢？
作为一个西班牙俱乐部，皇马阵中的西班牙球员当然是最多的。重点看外籍球员。本泽马是本赛季的主输出，他是法国人；另外，皇马新引进的卡马文加也是法国人。最近一段时间，皇马一度接近签下姆巴佩，但随着后者宣布和大巴黎续约，这笔交易彻底泡汤。但是即使姆巴佩来皇马，皇马的法国球员也只不过有三个，远远不是最多的。
而其他国籍的球员就更少了，比利时只有两员，库尔图瓦和阿扎尔，其中阿扎尔还打不上主力。德国和克罗地亚分别有一人，克罗斯和莫德里奇。
真正能和西班牙球员在数量上分庭抗礼的，是巴西球员。
皇马的巴西球员真的非常多，比如维尼修斯，卡塞米罗，米利唐，这三人可都是*主力，而且均衡地分布在前场，中场和后场。这样的配置，平移到巴西国家队，也是非常有竞争力的。另外，马塞洛也是巴西球员，虽然目前他状态下滑，已经打不上主力，但当年*是世界第一左后卫。还有罗德里戈，虽然目前还是小将，但潜力巨大，未来不可限量。
皇马的巴西球员多达5人，其中三人是*主力，一人是当年黄金时期的*主力，还有一人代表着未来。巴西已经很久没有在*豪门拥有这么多名国脚了。而且，皇马可不是一般的*豪门，他们是欧冠决赛球队，是要冲击*的。
其实不止皇马，巴西在其他*俱乐部，也有很多国脚。比如利物浦的法比尼奥，曼城的热苏斯，大巴黎的内马尔，马尔基尼奥斯，切尔西的蒂亚戈席尔瓦，等等。可以说，巴西如今的阵容，是*的。
很多人认为巴西是今年世界杯夺冠第一热门，这*不是空穴来风。巴西已经20年没尝过世界杯*的滋味了，不知道这次他们的表现如何。让我们拭目以待。
机器之心 & ArXiv Weekly Radiostation
参与：杜伟、楚航、罗若天
本周的重要论文有谷歌等研究机构用神经光传输为照片二次打光的探索，以及沈向洋等从建模、学习和推理三方面展开的神经 NLP 综述。
目录：
Spatial Images from Temporal Data
Deep Face Recognition: A Survey*
Temporal Constraint Networks
Progress in Neural NLP: Modeling, Learning, and Reasoning
Neural Light Transport for Relighting and View Synthesis
Development and Application of the Latest generation Against the Network of GAN
Improving Monocular Depth Estimation by Leveraging Structural Awareness and Complementary Datasets
ArXiv Weekly Radiostation：NLP、CV、ML 更多精选论文
论文 1：Spatial Images from Temporal Data
链接：https://www.osapublishing.org/optica/abstract.cfm?uri=optica-7-8-900
摘要：想象一下，你闭着眼睛朝一只动物大吼，然后根据回声就能判断这只动物是猫是狗。听起来是不是很不可思议？
来自英国格拉斯哥大学计算科学学院的研究者最近就做了一项类似的成像技术。他们通过计算光反射到一个简单探测器所需的时间，来获得场景的 3D 图像。当然，仅仅依靠光提供的信息是不够的，这项被称为「时域成像」（temporal imaging）的新技术还借助机器学习方法，从噪声中挖掘模式。
这项研究采取了一种不同的方法，通过基于包含目标检索图像类型的数据集的先验知识提供额外信息，并且为这一目标训练了一种监督式机器学习算法。
基于单点时间分辨传感器的 3D 成像。
该系统在不同情况下从时间直方图恢复 3D 图像的性能。
推荐：这项研究登上光学期刊 Optica。
论文 2：Deep Face Recognition: A Survey
链接：https://arxiv.org/pdf/1804.06655.pdf
摘要：在这篇论文中，来自北京邮电大学的研究者对深度人脸识别进行了全面的综述。
首先，他们总结了当前深度人脸识别方法中提出的不同网络结构和损失函数；其次，概述了两类人脸处理方法，「一对多增强」和「多对一归一化」；最后，研究者深入分析了跨因素场景、异质场景、多媒体场景和行业场景，并对未来的发展方向进行了展望。
深度人脸识别方法的发展历程。
深度人脸识别的架构。
推荐：两位作者均来自北京邮电大学模式识别实验室。
论文 3：Temporal Constraint Networks
链接：http://ftp.cs.ucla.edu/pub/stat_ser/r113-L-reprint.pdf
摘要：这篇论文将基于网络的约束满足方法进行扩展，使其包含连续变量，从而为处理时间约束提供了框架。在这个叫做时间约束满足问题（TCSP）的框架中，代表时间点和时间信息的变量由一组一元和二元约束进行表示，每一个指定一组时间间隔。该框架的独特特征在于允许处理度量信息，即评估不同事件之间的时间差。
该论文对简单时间问题（STP）和通用时间问题进行区分，前者对任意一对时间点至多认可一个间隔约束（interval constraint）。该研究表明，包含 Vilain 和 Kautz 点代数主要部分的 STP 可以在多项式时间内解决。对于通用 TCSP，该研究展示了一种执行三个推理任务的分解机制，并提出了多种能够改善效率的技术。此外，这篇论文还研究了路径相容算法在预处理时间问题上的适用性，展示了其终止，限制了其复杂度。
示例 1.1 可表示为有向约束图。
交集和组合运算。
距离图。
推荐：贝叶斯网络之父 Judea Pearl 的这篇旧论文获得了由 AI *国际期刊 AIJ 颁发的 2020 年经典论文奖.
论文 4：Progress in Neural NLP: Modeling, Learning, and Reasoning
链接：https://www.sciencedirect.com/science/article/pii/S2095809919304928
摘要：在这篇论文中，包括沈向洋在内的几位研究者对基于神经网络的神经语言处理框架进行了综述，落脚点分别为建模、学习和推理。文章最后，研究者展望了神经语言处理的未来发展方向。
与上下文无关的词嵌入方法。
基于 RNN 的上下文感知词嵌入方法。
基于自注意力的上下文感知词嵌入方法。
推荐：本文被《Engineering》期刊接收。
论文 5：Neural Light Transport for Relighting and View Synthesis
链接：https://arxiv.org/pdf/2008.03806.pd
摘要：场景的光传输（LT）描述了场景在不同布光和视角方向下的样子，对场景 LT 的全面了解有助于在任意布光条件下合成新的视图。
这篇论文探讨了基于图像的 LT 采集，主要用于光照平台设置中的人体。研究者提出了一种半参数方法，以学习嵌入到已知几何特性的纹理图集空间中的 LT 的神经表示，并将所有非漫射和全局 LT 建模为残差，并将其添加到物理精确的漫反射基底渲染中。
NLT 方法的模型架构。
在使用平行光的二次打光任务上，NLT、其他方法与真值图像的效果对比。
NLT 方法可能无法生成复杂光传输效果的真实视图，如脖子上所戴项链的视图。
推荐：在基于图像的 Relighting 场景下，人物的打光效果随着背景图像的变换而不断调整。
论文 6：Development and Application of the Latest generation Against the Network of GAN
链接：http://dziy.cbpt.cnki.net/WKA/WebPublication/paperDigest.aspx?paperID=76215a4a-3131-4b6e-9afd-1af245c41ff1
摘要：近年来，生成式对抗网络（generative adversarial nets, GAN）迅速发展，已经成为当前机器学习领域的主要研究方向之一。GAN 来源于零和博弈的思想, 其生成器和鉴别器对抗学习，获取给定样本的数据分布, 生成新的样本数据。对 GAN 模型在图片生成、异常样本检测和定位、文字生成图片以及图片超分辨率等多方面进行了大量的调查研究，并在这些 GAN 的应用所取得的实质性进展进行了系统的阐述。对 GAN 的提出背景与研究意义、理论模型与改进结构，以及其主要应用领域进行了总结。通过对 GAN 在各方面的应用分析，对 GAN 的不足以及未来发展方向进行综述。
推荐：这篇论文的作者分别来自沈阳理工大学和沈阳师范大学。
论文 7：Improving Monocular Depth Estimation by Leveraging Structural Awareness and Complementary Datasets
链接：https://arxiv.org/pdf/2007.11256.pdf
摘要：深度是实现 3D 场景理解的重要信息，快手 Y-tech 利用自研的单目深度估计技术获得了高质量的深度信息，并将模型部署到移动端，结合 Y-tech 已有的多项技术研发了 3DPhoto、混合现实等多种新玩法。这些黑科技玩法不限机型，可让用户在手机上无门槛的实时体验，给用户带来全新的视觉体验和交互方式的同时，可帮助用户更好的进行创作。
这项研究主要探究了如何更好的利用三维空间的结构性信息提升单目深度估计精度，此外还针对复杂场景构建了一个新的深度数据集 HC Depth，包含六种挑战性场景，有针对性地提升模型的精度和泛化性。
网络模型结构。
空间注意力机制模块的可视化。
在 NYUv2 数据集上的可视化实验对比。
推荐：该论文已被 ECCV 2020 收录，论文代码和模型即将在 GitHub 上开源，作者也将在 8 月 23-28 日的 ECCV 大会线上展示他们的工作。
ArXiv Weekly Radiostation
机器之心联合由楚航、罗若天发起的ArXiv Weekly Radiostation，在 7 Papers 的基础上，精选本周更多重要论文，包括NLP、CV、ML领域各10篇精选，并提供音频形式的论文摘要简介，详情
本周 10 篇 NLP 精选论文是：
1. ConvBERT: Improving BERT with Span-based Dynamic Convolution. (from Shuicheng Yan)
2. Antibody Watch: Text Mining Antibody Specificity from the Literature. (from Maryann E. Martone)
3. Efficient MDI Adaptation for n-gram Language Models. (from Dan Povey, Sanjeev Khudanpur)
4. Taking Notes on the Fly Helps BERT Pre-training. (from Tie-Yan Liu)
5. Word meaning in minds and machines. (from Gregory L. Murphy)
6. Domain-Specific Language Model Pretraining for Biomedical Natural Language Processing. (from Jianfeng Gao)
7. Trove: Ontology-driven weak supervision for medical entity classification. (from Nigam H. Shah)
8. Evaluating Automatically Generated Phoneme Captions for Images. (from Mark Hasegawa-Johnson)
9. Generalized Word Shift Graphs: A Method for Visualizing and Explaining Pairwise Comparisons Between Texts. (from Peter Sheridan Dodds)
10. COVID-19 therapy target discovery with context-aware literature mining. (from Nada Lavrač)
本周 10 篇 CV 精选论文是：
1. Learning Long-term Visual Dynamics with Region Proposal Interaction Networks. (from Jitendra Malik)
2. Disentangling Human Error from the Ground Truth in Segmentation of Medical Images. (from Frederik Barkhof, Daniel C. Alexander)
3. End-to-end Birds-eye-view Flow Estimation for Autonomous Driving. (from Wolfram Burgard)
4. CaSPR: Learning Canonical Spatiotemporal Point Cloud Representations. (from Leonidas J. Guibas)
5. Weakly-Supervised Semantic Segmentation via Sub-category Exploration. (from Ming-Hsuan Yang)
6. Mixup-CAM: Weakly-supervised Semantic Segmentation via Uncertainty Regularization. (from Ming-Hsuan Yang)
7. Learning to Factorize and Relight a City. (from Alexei A. Efros, Noah Snavely)
8. Open-Edit: Open-Domain Image Manipulation with Open-Vocabulary Instructions. (from Xiaogang Wang)
9. AR-Net: Adaptive Frame Resolution for Efficient Action Recognition. (from Aude Oliva, Kate Saenko)
10. Noisy Student Training using Body Language Dataset Improves Facial Expression Recognition. (from Vikas Kumar)
本周 10 篇 ML 精选论文是：
1. Bloom Origami Assays: Practical Group Testing. (from Bernhard Scholkopf)
2. A Survey on Concept Factorization: From Shallow to Deep Representation Learning. (from Yan Zhang, Shuicheng Yan)
3. Whole MILC: generalizing learned dynamics across tasks, datasets, and populations. (from Vince D. Calhoun)
4. Generative Ensemble-Regression: Learning Stochastic Dynamics from Discrete Particle Ensemble Observations. (from George Em Karniadakis)
5. Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective. (from Yang Gao, Dinggang Shen)
6. Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications. (from Mérouane Debbah)
7. Graph Wasserstein Correlation Analysis for Movie Retrieval. (from Tong Zhang, Jian Yang)
8. The Strategic Perceptron. (from Avrim Blum)
9. Robust Reinforcement Learning using Adversarial Populations. (from Pieter Abbeel, Alexandre Bayen)
10. Privacy Enhancing Machine Learning via Removal of Unwanted Dependencies. (from Sun-Yuan Kung)
北京时间3月25日消息，北京时间今天早晨7:30，世预赛南美区，巴西主场对阵智利。赛前，官方公布了两队的网友分享名单。
巴西网友分享：1-阿利森、2-达尼洛、4-马尔基尼奥斯、3-蒂亚戈-席尔瓦、16-阿拉纳、5-卡塞米罗、8-弗雷德、7-帕奎塔、18-安东尼、20-维尼修斯、10-内马尔
巴西替补：12-维瓦尔顿、23-埃弗森、13-阿尔维斯、14-米利唐、6-特莱斯、11-库蒂尼奥、15-法比尼奥、17-吉马良斯、22-阿图尔、9-理查利森、19-马丁内利、21-罗德里戈
智利网友分享：1-布拉沃、17-梅德尔、3-罗科、5-保罗-迪亚斯、4-伊斯拉、8-比达尔、16-巴埃萨、20-阿朗吉斯、2-苏亚索、7-桑切斯、11-巴尔加斯
智利替补：12-塞巴斯蒂安-佩雷斯、23-萨卡里亚斯-洛佩斯、6-富恩萨利达、9-梅内塞斯、10-马塞利诺-努涅斯、13-巴尔德斯、14-库斯切维奇、15-蒙特西诺斯、18-贝加斯、19-帕拉、21-帕韦斯、22-隆尼-费尔南德斯
印象中，有三支巴西队曾被认为是史上最强。一是1970年世界杯夺冠的那个巴西队，这没什么争议，毕竟是被国际足联官方认证的。二是80年代济科时代的巴西队，那个巴西队虽然成绩上没什么亮点，但却被认为是最艺术最经典的巴西队。至于第三个，并非很多人认为的02年世界杯那个*巴西，而是2005年联合会杯夺冠的那个巴西队。
当时在决赛中，巴西4：1战胜阿根廷，强势夺冠。单看这个比分已经够震撼了，而如果大家看过那场比赛，更会对巴西的表现叹为观止。可以说，那支巴西队每一条线都把自己的能力发挥到了*，阿德的冲击力，卡卡和小罗的灵巧和*，都给人留下了深刻的印象。巴西一度以4：0领先，面对阿根廷，他们居然能取得这样的优势，足见他们的强大。
所以赛后很多媒体发出了这样的声音——这是史上最强的一支巴西队。
05年和06年只隔了一年，05年巴西夺得联合会杯*，但06年世界杯，巴西止步八强。虽然联合会杯的分量和世界杯没法比，但这两个成绩的差距也太大了吧？其实，这两项大赛中的巴西，并不是同一支球队。
06年世界杯的巴西，从纸面上来说更具震撼性，纸面实力也更强。当然，两个球队有很多重合的地方，比如，都有卡卡，小罗，阿德，迪达等等。但不同之处也很明显，05年联合会杯大放异彩的罗比尼奥，在06年世界杯成了替补，因为任何人都要让位于大罗。另外，05年发挥出色的两个边后卫西西尼奥和吉尔伯托，被经典的双卡代替。
其实06年世界杯的巴西被很多人诟病，比如他们年龄结构不合理，比如阿德小罗大罗不在状态，等等。所以很多人都在想，如果当时巴西用05年联合会杯夺冠的那套阵容来打世界杯，成绩上会不会好一些呢？
其实，重点就在四分之一决赛。那届世界杯，小组赛和八分之一决赛对巴西来说毫无压力，即便派二线阵容应对，也能轻松过关。而四分之一决赛他们才真正遇到考验，毕竟法国和他们是同一体量同一级别的球队。
那场比赛，巴西整体迷失在齐达内的舞步中，什么都打不出来。说实话，如果是05年那支球队上场，起码对法国能形成一定的冲击力。和冲不起来的双卡相比，西西尼奥和吉尔伯托在速度上显然更有优势。其实那支法国队也有不少老将，比如齐达内，图拉姆等等，而正是因为巴西整体速率提不上去，所以才能给法国那么大的腾挪和发挥的空间。
虽然不能保证05版巴西一定能赢法国，但至少，他们给法国的压迫力，肯定大于06版的巴西。
其实巴西之所以选那么多老将，肯定有很多非竞技因素。而当时的主教练佩雷拉，也素来以保守著称。像世界杯这种大赛，大多数主教练都会更信赖老队员，通常不敢把宝压在年轻队员身上。但有时候，经验并不能完全转化成战斗力。
05版的巴西，如果参加06年世界杯，只能说有一定概率会打进四强，毕竟影响比赛的因素太多，而且这毕竟是假设；但有一点可以肯定，05版的巴西打06年世界杯，从场面来说，*比06版的巴西更精彩。
今天的内容先分享到这里了，读完本文《巴西阵容》之后，是否是您想找的答案呢？想要了解更多巴西阵容、meiwang相关的体育资讯闻请继续关注本站，是给小编*的鼓励。
