Automatic Target Recognition (ATR) is a category of computer vision algorithms which attempts to recognize targets on data obtained from different sensors. ATR algorithms are extensively used in real-world scenarios such as military and surveillance applications. Existing ATR algorithms are developed for traditional closed-set methods where training and testing have the same class distribution. Thus, these algorithms have not been robust to unknown classes not seen during the training phase, limiting their utility in real-world applications. To this end, we propose an Open-set Automatic Target Recognition framework where we enable open-set recognition capability for ATR algorithms. In addition, we introduce a plugin Category-aware Binary Classifier (CBC) module to effectively tackle unknown classes seen during inference. The proposed CBC module can be easily integrated with any existing ATR algorithms and can be trained in an end-to-end manner. Experimental results show that the proposed approach outperforms many open-set methods on the DSIAC and CIFAR-10 datasets. To the best of our knowledge, this is the first work to address the open-set classification problem for ATR algorithms. Source code is available at: https://github.com/bardisafa/Open-set-ATR.

我们提出了一个大规模的真实世界和干净的图像对数据集，以及一种从图像中降低降解的方法，从图像中降低了降解。由于没有用于降低的现实世界数据集，因此当前的最新方法依赖于合成数据，因此受SIM2REAL域间隙的限制。此外，由于没有真实的配对数据集，严格的评估仍然是一个挑战。我们通过通过对非鼻子变化的细致控制收集第一个真实的配对数据集来填补这一空白。我们的数据集对各种现实世界的雨水现象（例如雨条和雨水积累）进行了配对的培训和定量评估。为了学习对雨现象不变的代表，我们提出了一个深层神经网络，该网络通过最大程度地减少雨水和干净图像之间的雨水不变损失来重建基础场景。广泛的实验表明，所提出的数据集使现有的DERAINER受益，我们的模型可以在各种条件下对真实雨水图像的最先进方法优于最先进的方法。

分类是数据挖掘和机器学习领域中研究最多的任务之一，并且已经提出了文献中的许多作品来解决分类问题，以解决多个知识领域，例如医学，生物学，安全性和遥感。由于没有单个分类器可以为各种应用程序取得最佳结果，因此，一个很好的选择是采用分类器融合策略。分类器融合方法成功的关键点是属于合奏的分类器之间多样性和准确性的结合。借助文献中可用的大量分类模型，一个挑战是选择最终分类系统的最合适的分类器，从而产生了分类器选择策略的需求。我们通过基于一个称为CIF-E（分类器，初始化，健身函数和进化算法）的四步协议的分类器选择和融合的框架来解决这一点。我们按照提出的CIF-E协议实施和评估24种各种集合方法，并能够找到最准确的方法。在文献中最佳方法和许多其他基线中，还进行了比较分析。该实验表明，基于单变量分布算法（UMDA）的拟议进化方法可以超越许多著名的UCI数据集中最新的文献方法。

视频识别是由端到端学习范式主导的 - 首先初始化具有预审预周化图像模型的视频识别模型，然后对视频进行端到端培训。这使视频网络能够受益于验证的图像模型。但是，这需要大量的计算和内存资源，以便在视频上进行填充以及直接使用预审计的图像功能的替代方案，而无需填充图像骨架会导致结果不足。幸运的是，在对比视力语言预训练（剪辑）方面的最新进展为视觉识别任务的新途径铺平了道路。这些模型在大型开放式图像文本对数据上进行了预测，以丰富的语义学习强大的视觉表示。在本文中，我们介绍了有效的视频学习（EVL） - 一种有效的框架，用于直接训练具有冷冻剪辑功能的高质量视频识别模型。具体来说，我们采用轻型变压器解码器并学习查询令牌，从剪辑图像编码器中动态收集帧级空间特征。此外，我们在每个解码器层中采用局部时间模块，以发现相邻帧及其注意力图的时间线索。我们表明，尽管有效地使用冷冻的骨干训练，但我们的模型在各种视频识别数据集上学习了高质量的视频表示。代码可在https://github.com/opengvlab/feld-video-rencognition上找到。

语言模型既展示了定量的改进，又展示了新的定性功能，随着规模的增加。尽管它们具有潜在的变革性影响，但这些新能力的特征却很差。为了为未来的研究提供信息，为破坏性的新模型能力做准备，并改善社会有害的效果，至关重要的是，我们必须了解目前和近乎未来的能力和语言模型的局限性。为了应对这一挑战，我们介绍了超越模仿游戏基准（Big Bench）。 Big Bench目前由204个任务组成，由132家机构的442位作者贡献。任务主题是多样的，从语言学，儿童发展，数学，常识性推理，生物学，物理学，社会偏见，软件开发等等。 Big-Bench专注于被认为超出当前语言模型的功能的任务。我们评估了OpenAI的GPT型号，Google内部密集变压器体系结构和大型基础上的开关稀疏变压器的行为，跨越了数百万到数十亿个参数。此外，一个人类专家评估者团队执行了所有任务，以提供强大的基准。研究结果包括：模型性能和校准都随规模改善，但绝对的术语（以及与评估者的性能相比）；在模型类中的性能非常相似，尽管带有稀疏性。逐渐和预测的任务通常涉及大量知识或记忆成分，而在临界规模上表现出“突破性”行为的任务通常涉及多个步骤或组成部分或脆性指标；社交偏见通常会随着含糊不清的环境而随着规模而增加，但这可以通过提示来改善。

对比语言 - 图像预培训（剪辑）在广泛的图像中与跨模仿监督学习的卓越成功 - 在线收集的文本对。到目前为止，夹子的有效性主要是在一般结构域多数制问题中进行研究。这项工作评估了剪辑的有效性，用于医学视觉问题的任务（MedVQA）。为此，我们向PubMedClip提供PubMedClip，基于PubMed文章的医疗领域的微调版本。我们的实验是在两个MedVQA基准数据集中进行，并调查两种MedVQA方法，MEVF（增强的视觉功能）和QCR（通过条件推理的问题回答）。对于这些中的每一个，我们使用PubMedClip，原始剪辑和最先进的MAML（模型 - 不可知的Meta-Learning）网络仅评估视觉表示学习的优点，仅在视觉数据上训练。我们为我们的Medvqa管道和预训练PubMedclip开源代码。与MAML的Visual Encoder相比，剪辑和PubMedClip实现了改进。 PubMedclip以最高精度的最佳效果达到最佳结果，高达3％。个别示例说明了与先前广泛使用的MAML网络相比的PubMedclip的强度。 PubMedclip语言监督的视觉表现出学习导致MedVQA的显着改进。我们的实验揭示了在以前的工作中尚未传授的两个MedVQA基准数据集中的分布差异，并在PubMedClip中导致不同的后端视觉编码，在这些数据集上表现出不同的行为。此外，我们证明了VQA一般与医学领域的基本性能差异。

数据增强是自然语言处理（NLP）模型的鲁棒性评估的重要组成部分，以及增强他们培训的数据的多样性。在本文中，我们呈现NL-Cogmenter，这是一种新的参与式Python的自然语言增强框架，它支持创建两个转换（对数据的修改）和过滤器（根据特定功能的数据拆分）。我们描述了框架和初始的117个变换和23个过滤器，用于各种自然语言任务。我们通过使用其几个转换来分析流行自然语言模型的鲁棒性来证明NL-Upmenter的功效。基础架构，Datacards和稳健性分析结果在NL-Augmenter存储库上公开可用（\ url {https://github.com/gem-benchmark/nl-augmenter}）。

背景和目的：与生物医学分析相结合的人工智能（AI）方法在Pandemics期间具有关键作用，因为它有助于释放来自医疗保健系统和医生的压力压力。由于持续的Covid-19危机在具有茂密的人口和巴西和印度等测试套件中的国家恶化，放射性成像可以作为准确分类Covid-19患者的重要诊断工具，并在适当时期规定必要的治疗。通过这种动机，我们基于使用胸部X射线检测Covid-19感染肺的深度学习架构的研究。数据集：我们共收集了三种不同类标签的2470张图片，即健康的肺，普通肺炎和Covid-19感染的肺炎，其中470个X射线图像属于Covid-19类。方法：我们首先使用直方图均衡技术预处理所有图像，并使用U-Net架构进行它们。然后，VGG-16网络用于从预处理图像中的特征提取，该特征提取通过SMTE过采样技术进一步采样以实现平衡数据集。最后，使用具有10倍交叉验证的支持向量机（SVM）分类器分类类平衡功能，评估精度。结果和结论：我们的新方法结合了众所周知的预处理技术，特征提取方法和数据集平衡方法，使我们在2470 X射线图像的数据集中获得了Covid-19图像的优秀识别率为98％ 。因此，我们的模型适用于用于筛选目的的医疗保健设施。

显着对象检测（SOD）在图像分析中具有若干应用。基于深度学习的SOD方法是最有效的，但它们可能会错过具有相似颜色的前景部分。为了规避问题，我们介绍了一个后处理方法，名为\ Texit {SuperPixel Materionity}（Sess）的后期处理方法，其交替地执行两个操作，以便显着完成：基于对象的SuperPixel分段和基于SuperPixel的显着性估算。 Sess使用输入显着图来估算超像素描绘的种子，并在前景和背景中定义超顶盒查询。新的显着性图是由查询和超像素之间的颜色相似性产生的。对于给定数量的迭代的过程重复，使得所有产生的显着性图通过蜂窝自动机组合成单个。最后，使用其平均值合并后处理和初始映射。我们展示SES可以始终如一地，并在五个图像数据集上一致而大大提高三种基于深度学习的SOD方法的结果。

Advances in computer vision and machine learning techniques have led to significant development in 2D and 3D human pose estimation from RGB cameras, LiDAR, and radars. However, human pose estimation from images is adversely affected by occlusion and lighting, which are common in many scenarios of interest. Radar and LiDAR technologies, on the other hand, need specialized hardware that is expensive and power-intensive. Furthermore, placing these sensors in non-public areas raises significant privacy concerns. To address these limitations, recent research has explored the use of WiFi antennas (1D sensors) for body segmentation and key-point body detection. This paper further expands on the use of the WiFi signal in combination with deep learning architectures, commonly used in computer vision, to estimate dense human pose correspondence. We developed a deep neural network that maps the phase and amplitude of WiFi signals to UV coordinates within 24 human regions. The results of the study reveal that our model can estimate the dense pose of multiple subjects, with comparable performance to image-based approaches, by utilizing WiFi signals as the only input. This paves the way for low-cost, broadly accessible, and privacy-preserving algorithms for human sensing.