围绕外观生物识别性的常见但具有挑战性的场景是跨光谱匹配 - 特别是，可见波长对近红外（NIR）周围图像的匹配。我们提出了一种新颖的方法来跨谱围绕的横梁围绕，主要侧重于学习从可见和NIR幽冥映像到共享潜在代表子空间的映射，并通过同时学习频谱内的图像重建来支持这项努力。我们显示辅助图像重建任务（特别是高级，语义特征的重建）导致学习与基线相比的更差异的域不变子空间，同时在测试时间不产生额外的计算或内存成本。所提出的耦合条件生成对抗网络（COGAN）架构使用由U-NET上的配对发电机网络（在NIR上运行另一个操作，其中通过对具有对比损耗和频谱图像的特征学习的Reset-18编码器组成用对抗性，基于像素的和感知重建损失重建。此外，所提出的Cogan模型在跨谱周边识别中击败了当前的最先进（SOTA）。在香港Polyu基准数据集上，我们达到了98.65％的AUC和5.14％EER，与SOTA EER为8.02％。在串眼的数据集上，我们达到了99.31％的AUC和3.99％的eer，而sota eer为4.39％。

Bayesian networks (BNs) are attractive, because they are graphical and interpretable machine learning models. However, exact inference on BNs is time-consuming, especially for complex problems. To improve the efficiency, we propose a fast BN exact inference solution named Fast-BNI on multi-core CPUs. Fast-BNI enhances the efficiency of exact inference through hybrid parallelism that tightly integrates coarse- and fine-grained parallelism. We also propose techniques to further simplify the bottleneck operations of BN exact inference. Fast-BNI source code is freely available at https://github.com/jjiantong/FastBN.

对科学论文的海报生成问题受到了调查。海报通常呈现最重要的文件信息，并且任务可以被视为文档摘要的特殊形式。以前的研究主要关注海报布局和面板组成，同时忽略内容提取的重要性。此外，他们的数据集不公开，阻碍了进一步的研究。在本文中，我们从划痕到此任务构造基准数据集。然后，我们提出了一个三步框架来解决这项任务并专注于本研究中的内容提取步骤。为了获得海报面板的两种文本和可视元素，建议同时提取纸张部分的文本，图和表格。我们对数据集进行实验，并进行消融研究。结果证明了我们提出的模型的功效。数据集和代码将被释放。