3D零件分割是高级CAM/CAD工作流程中的重要步骤。精确的3D细分有助于降低制造设备（例如计算机控制的CNC）生产的工作配件的缺陷率，从而提高了工作效率并获得了随之而来的经济利益。在3D模型分割上进行的大量现有作品主要基于完全监督的学习，该学习训练AI模型具有大型，带注释的数据集。但是，缺点是，完全监督的学习方法的最终模型高度依赖于可用数据集的完整性，并且其概括能力对新的未知细分类型（即其他新颖的类别）相对较差。在这项工作中，我们提出并开发了一种值得注意的基于学习的方法，以在CAM/CAD中进行有效的部分分割；这旨在显着增强其概括能力，并通过仅使用相对较少的样本灵活地适应新的分割任务。结果，它不仅减少了通常无法实现和详尽的监督数据集完整性的要求，而且还提高了对现实世界应用程序的灵活性。作为进一步的改进和创新，我们还采用了网络中的转换网和中心损失块。这些特征有助于提高整个工作人员各种可能实例的3D特征的理解，并确保在特征空间中同一类的密切分布。此外，我们的方法以降低空间消耗的点云格式存储数据，并且还使所涉及的各种过程变得更加容易阅读和编辑访问（从而提高了效率和有效性并降低了成本）。

R2是一种新颖的在线任何角度路径计划者，它使用基于启发式错误或射线铸造方法在具有非凸线，多边形障碍物的2D地图中找到最佳路径。R2与传统的自由空间计划者具有竞争力，如果查询具有直接视线，请迅速找到路径。在很少有障碍轮廓的大稀疏地图上，在实践中可能会发生，R2的表现要优于自由空间规划师，并且可能比最先进的自由空间扩展计划者Anya快得多。在带有许多轮廓的地图上，Anya的性能比R2快。R2建立在Rayscan上，引入了懒惰搜索和源 - 路边计数器，可在连续的轮廓上乐观地找到继任者。这种新颖的方法绕过了锯齿状轮廓上的大多数继任者，以减少昂贵的视线检查，因此不需要预处理才能成为在线竞争性的任何角度策划者。

Dynamic neural networks (DyNNs) have become viable techniques to enable intelligence on resource-constrained edge devices while maintaining computational efficiency. In many cases, the implementation of DyNNs can be sub-optimal due to its underlying backbone architecture being developed at the design stage independent of both: (i) the dynamic computing features, e.g. early exiting, and (ii) the resource efficiency features of the underlying hardware, e.g., dynamic voltage and frequency scaling (DVFS). Addressing this, we present HADAS, a novel Hardware-Aware Dynamic Neural Architecture Search framework that realizes DyNN architectures whose backbone, early exiting features, and DVFS settings have been jointly optimized to maximize performance and resource efficiency. Our experiments using the CIFAR-100 dataset and a diverse set of edge computing platforms have seen HADAS dynamic models achieve up to 57% energy efficiency gains compared to the conventional dynamic ones while maintaining the desired level of accuracy scores. Our code is available at https://github.com/HalimaBouzidi/HADAS

在这个大数据时代，当前一代很难从在线平台中包含的大量数据中找到正确的数据。在这种情况下，需要一个信息过滤系统，可以帮助他们找到所需的信息。近年来，出现了一个称为推荐系统的研究领域。推荐人变得重要，因为他们拥有许多现实生活应用。本文回顾了推荐系统在电子商务，电子商务，电子资源，电子政务，电子学习和电子生活中的不同技术和发展。通过分析有关该主题的最新工作，我们将能够详细概述当前的发展，并确定建议系统中的现有困难。最终结果为从业者和研究人员提供了对建议系统及其应用的必要指导和见解。

由于自动驾驶应用程序的高性能和安全要求，现代自动驾驶系统（AD）的复杂性一直在增长，刺激了对更复杂的硬件的需求，这可能会增加广告平台的能量足迹。在解决此问题时，Edge Computing有望包含自动驾驶应用程序，从而使计算密集型的自治任务能够在计算能力的边缘服务器下进行处理。但是，除了严格的鲁棒性需求外，ADS平台的复杂硬件体系结构还阐明了自动驾驶独有的任务卸载并发症。因此，我们提出了$ romanus $，这是一种具有多传感器处理管道的模块化广告平台的可靠和高效任务的方法。我们的方法论需要两个阶段：（i）沿相关深度学习模型的执行路径引入有效的卸载点，以及（ii）基于深度强化学习的运行时解决方案的实现，以根据在操作模式下根据变化的变化来调整操作模式。感知到的道路场景复杂性，网络连接和服务器负载。对象检测用例的实验表明，我们的方法比纯局部执行高14.99％，同时从强大的不稳定卸载基线中降低了危险行为的77.06％。

综合电路（IC）供应链的全球化已将大部分设计，制造和测试过程从单一的受信任实体转移到全球各种不信任的第三方实体。使用不信任的第三方知识产权（3PIP）的风险是，对手可能会插入称为硬件木马（HTS）的恶意修改。这些HT可以损害完整性，恶化性能，拒绝服务并改变设计的功能。尽管文献中已经提出了许多HT检测方法，但HT定位的关键任务被忽略了。此外，一些现有的HT本地化方法具有多个弱点：依赖黄金参考，无法概括所有类型的HT，缺乏可扩展性，低位置分辨率以及手动功能工程/属性定义。为了克服他们的缺点，我们通过利用图形卷积网络（GCN）提出了一种新颖的，无参考的HT定位方法。在这项工作中，我们将电路设计转换为其内在数据结构，绘制并提取节点属性。之后，图形卷积对节点进行自动提取，以将节点分类为特洛伊木马或良性。我们的自动化方法不会通过手动代码审查来负担设计师的负担。它以99.6％的精度，93.1％的F1得分和假阳性速率低于0.009％的速率定位特洛伊木马信号。

世界卫生组织（WHO）推荐戴面面罩作为最有效的措施，以防止Covid-19传输。在许多国家，现在必须在公共场所佩戴面部面具。由于手动监测面部面罩通常在人群中间不可行，因此自动检测可能是有益的。为方便，我们探索了许多深度学习模型（即，VGG1，VGG19，Reset50），用于面部掩模检测，并在两个基准数据集中进行评估。在此背景下，我们还评估了转移学习（即，VGG19，Reset50在ImageNet上预先培训）。我们发现，虽然所有型号的表演都非常好，但转移学习模型达到了最佳性能。转移学习将性能提高0.10 \％ - 0.40 \％，培训时间减少30 \％。我们的实验还显示了这些高性能模型对于测试数据集来自不同的分布而不是非常强大。没有任何微调，这些模型的性能在跨域设置中的47 \％下降。

可穿戴设备和医疗器互联网（IOMT）的最新发展允许实时监控和记录心电图（ECG）信号。然而，由于能量和内存约束，对ECG信号的连续监测在低功耗可穿戴设备中具有挑战性。因此，在本文中，我们提出了一种新颖和节能的方法，用于连续监测低功耗可穿戴设备的心脏。所提出的方法由三个不同的层组成：1）噪声/伪像检测层，以级别ECG信号的质量; 2）正常/异常拍摄分类层以检测心电图信号中的异常，3）异常搏动分类层以检测来自ECG信号的疾病。此外，分布式多输出卷积神经网络（CNN）架构用于降低边缘/云之间的能量消耗和等待时间。我们的方法论在众所周知的MIT-BIH心律失常数据集上达到了99.2％的准确性。 Real硬件的评估表明，我们的方法是适用于具有32KB最小RAM的设备。此外，与最先进的工作相比，所提出的方法可以获得7美元的能效。

2019年12月，一个名为Covid-19的新型病毒导致了迄今为止的巨大因果关系。与新的冠状病毒的战斗在西班牙语流感后令人振奋和恐怖。虽然前线医生和医学研究人员在控制高度典型病毒的传播方面取得了重大进展，但技术也证明了在战斗中的重要性。此外，许多医疗应用中已采用人工智能，以诊断许多疾病，甚至陷入困境的经验丰富的医生。因此，本调查纸探讨了提议的方法，可以提前援助医生和研究人员，廉价的疾病诊断方法。大多数发展中国家难以使用传统方式进行测试，但机器和深度学习可以采用显着的方式。另一方面，对不同类型的医学图像的访问已经激励了研究人员。结果，提出了一种庞大的技术数量。本文首先详细调了人工智能域中传统方法的背景知识。在此之后，我们会收集常用的数据集及其用例日期。此外，我们还显示了采用深入学习的机器学习的研究人员的百分比。因此，我们对这种情况进行了彻底的分析。最后，在研究挑战中，我们详细阐述了Covid-19研究中面临的问题，我们解决了我们的理解，以建立一个明亮健康的环境。

最近，已经证明了与图形学习技术结合使用的道路场景图表示，在包括动作分类，风险评估和碰撞预测的任务中优于最先进的深度学习技术。为了使Road场景图形表示的应用探索，我们介绍了RoadScene2VEC：一个开源工具，用于提取和嵌入公路场景图。 RoadScene2VEC的目标是通过提供用于生成场景图的工具，为生成时空场景图嵌入的工具以及用于可视化和分析场景图的工具来实现Road场景图的应用程序和能力基于方法。 RoadScene2VEC的功能包括（i）来自Carla Simulator的视频剪辑或数据的自定义场景图，（ii）多种可配置的时空图嵌入模型和基于基于基于CNN的模型，（iii）内置功能使用图形和序列嵌入用于风险评估和碰撞预测应用，（iv）用于评估转移学习的工具，以及（v）用于可视化场景图的实用程序，并分析图形学习模型的解释性。我们展示了道路展示的效用，用于这些用例，具有实验结果和基于CNN的模型的实验结果和定性评估。 Rodscene2vec可在https://github.com/aicps/roadscene2vec提供。