While deep learning methods hitherto have achieved considerable success in medical image segmentation, they are still hampered by two limitations: (i) reliance on large-scale well-labeled datasets, which are difficult to curate due to the expert-driven and time-consuming nature of pixel-level annotations in clinical practices, and (ii) failure to generalize from one domain to another, especially when the target domain is a different modality with severe domain shifts. Recent unsupervised domain adaptation~(UDA) techniques leverage abundant labeled source data together with unlabeled target data to reduce the domain gap, but these methods degrade significantly with limited source annotations. In this study, we address this underexplored UDA problem, investigating a challenging but valuable realistic scenario, where the source domain not only exhibits domain shift~w.r.t. the target domain but also suffers from label scarcity. In this regard, we propose a novel and generic framework called ``Label-Efficient Unsupervised Domain Adaptation"~(LE-UDA). In LE-UDA, we construct self-ensembling consistency for knowledge transfer between both domains, as well as a self-ensembling adversarial learning module to achieve better feature alignment for UDA. To assess the effectiveness of our method, we conduct extensive experiments on two different tasks for cross-modality segmentation between MRI and CT images. Experimental results demonstrate that the proposed LE-UDA can efficiently leverage limited source labels to improve cross-domain segmentation performance, outperforming state-of-the-art UDA approaches in the literature. Code is available at: https://github.com/jacobzhaoziyuan/LE-UDA.

The emergence of low-cost, small form factor and light-weight solid-state LiDAR sensors have brought new opportunities for autonomous unmanned aerial vehicles (UAVs) by advancing navigation safety and computation efficiency. Yet the successful developments of LiDAR-based UAVs must rely on extensive simulations. Existing simulators can hardly perform simulations of real-world environments due to the requirements of dense mesh maps that are difficult to obtain. In this paper, we develop a point-realistic simulator of real-world scenes for LiDAR-based UAVs. The key idea is the underlying point rendering method, where we construct a depth image directly from the point cloud map and interpolate it to obtain realistic LiDAR point measurements. Our developed simulator is able to run on a light-weight computing platform and supports the simulation of LiDARs with different resolution and scanning patterns, dynamic obstacles, and multi-UAV systems. Developed in the ROS framework, the simulator can easily communicate with other key modules of an autonomous robot, such as perception, state estimation, planning, and control. Finally, the simulator provides 10 high-resolution point cloud maps of various real-world environments, including forests of different densities, historic building, office, parking garage, and various complex indoor environments. These realistic maps provide diverse testing scenarios for an autonomous UAV. Evaluation results show that the developed simulator achieves superior performance in terms of time and memory consumption against Gazebo and that the simulated UAV flights highly match the actual one in real-world environments. We believe such a point-realistic and light-weight simulator is crucial to bridge the gap between UAV simulation and experiments and will significantly facilitate the research of LiDAR-based autonomous UAVs in the future.

在本文中，我们解决了未知和非结构化环境中在线四型全身运动计划（SE（3）计划）的问题。我们提出了一种新颖的多分辨率搜索方法，该方法发现了需要完整的姿势计划和仅需要位置计划的正常区域的狭窄区域。结果，将四型计划问题分解为几个SE（3）（如有必要）和R^3子问题。为了飞过发现的狭窄区域，提出了一个精心设计的狭窄区域的走廊生成策略，这大大提高了计划的成功率。总体问题分解和分层计划框架大大加速了计划过程，使得可以在未知环境中进行完全的板载感应和计算在线工作。广泛的仿真基准比较表明，所提出的方法的数量级比计算时间中最先进的方法快，同时保持高计划成功率。最终将所提出的方法集成到基于激光雷达的自主四旋转器中，并在未知和非结构化环境中进行了各种现实世界实验，以证明该方法的出色性能。

准确的自我和相对状态估计是完成群体任务的关键前提，例如协作自主探索，目标跟踪，搜索和救援。本文提出了一种全面分散的状态估计方法，用于空中群体系统，其中每个无人机执行精确的自我状态估计，通过无线通信交换自我状态和相互观察信息，并估算相对状态（W.R.T.）（W.R.T.）无人机，全部实时，仅基于激光惯性测量。提出了一种基于3D激光雷达的新型无人机检测，识别和跟踪方法，以获得队友无人机的观察。然后，将相互观察测量与IMU和LIDAR测量紧密耦合，以实时和准确地估计自我状态和相对状态。广泛的现实世界实验显示了对复杂场景的广泛适应性，包括被GPS贬低的场景，摄影机的退化场景（漆黑的夜晚）或激光雷达（面对单个墙）。与运动捕获系统提供的地面真相相比，结果显示了厘米级的定位精度，该精度优于单个无人机系统的其他最先进的激光惯性射测。

垂直联合学习（VFL）是一个新兴的范式，允许不同的方（例如组织或企业）协作建立具有隐私保护的机器学习模型。在训练阶段，VFL仅交换跨各方的中间统计数据，即正向激活和向后导数，以计算模型梯度。然而，由于其地理分布性质，VFL训练通常会受到低WAN带宽的影响。在本文中，我们介绍了一种新颖有效的VFL培训框架Celu-VFL，该框架利用了本地更新技术来减少跨党的交流回合。 CELU-VFL缓存了陈旧的统计数据，并将其重新估算模型梯度，而无需交换临时统计。提出了重要的技术来提高收敛性能。首先，为了解决随机方差问题，我们提出了一种统一的采样策略，以公平地选择本地更新的陈旧统计信息。其次，为了利用稳定性带来的错误，我们设计了一种实例加权机制，以衡量估计梯度的可靠性。理论分析证明，CELU-VFL达到了与Vanilla VFL训练相似的亚线性收敛率，但需要更少的通信回合。公共和现实世界工作负载的经验结果验证了CELU-VFL的速度可能比现有作品快六倍。

由于对隐私保护的关注不断增加，因此如何在不同数据源上建立机器学习（ML）模型具有安全保证，这越来越受欢迎。垂直联合学习（VFL）描述了这种情况，其中ML模型建立在不同参与方的私人数据上，该数据与同一集合相同的实例中拥有不相交的功能，这适合许多现实世界中的协作任务。但是，我们发现VFL现有的解决方案要么支持有限的输入功能，要么在联合执行过程中遭受潜在数据泄漏的损失。为此，本文旨在研究VFL方案中ML模式的功能和安全性。具体来说，我们介绍了BlindFL，这是VFL训练和推理的新型框架。首先，为了解决VFL模型的功能，我们建议联合源层团结不同各方的数据。联合源层可以有效地支持各种特征，包括密集，稀疏，数值和分类特征。其次，我们在联合执行期间仔细分析了安全性，并正式化了隐私要求。基于分析，我们设计了安全，准确的算法协议，并进一步证明了在理想真实的仿真范式下的安全保证。广泛的实验表明，BlindFL支持各种数据集和模型，同时获得强大的隐私保证。

给定一个单眼视频，在恢复静态环境时进行分割和解耦动态对象是机器智能中广泛研究的问题。现有的解决方案通常在图像域中解决此问题，从而限制其对环境的性能和理解。我们介绍了脱钩的动态神经辐射场（D $^2 $ nerf），这是一种自制的方法，采用单眼视频，并学习了一个3D场景表示，该表示将移动对象（包括它们的阴影）从静态背景中解脱出来。我们的方法通过两个单独的神经辐射场表示移动对象和静态背景，只有一个允许时间变化。这种方法的幼稚实现导致动态组件接管静态的成分，因为前者的表示本质上更一般并且容易过度拟合。为此，我们提出了一种新颖的损失，以促进现象的正确分离。我们进一步提出了一个阴影场网络，以检测和解除动态移动的阴影。我们介绍了一个新的数据集，其中包含各种动态对象和阴影，并证明我们的方法可以在解耦动态和静态3D对象，遮挡和阴影删除以及移动对象的图像分段中获得比最新方法更好的性能。

四型是敏捷平台。对于人类专家，他们可以在混乱的环境中进行极高的高速航班。但是，高速自主飞行仍然是一个重大挑战。在这项工作中，我们提出了一种基于走廊约束的最小控制工作轨迹优化（MINCO）框架的运动计划算法。具体而言，我们使用一系列重叠球来表示环境的自由空间，并提出了两种新型设计，使算法能够实时计划高速四轨轨迹。一种是一种基于采样的走廊生成方法，该方法在两个相邻球之间生成具有大型重叠区域（因此总走廊大小）的球体。第二个是一个后退的地平线走廊（RHC）策略，其中部分生成的走廊在每个补给中都重复使用。这两种设计一起，根据四极管的当前状态扩大走廊的空间，因此使四极管可以高速操纵。我们根据其他最先进的计划方法基准了我们的算法，以显示其在模拟中的优势。还进行了全面的消融研究，以显示这两种设计的必要性。最终在木材环境中对自动激光雷达四型二次无人机进行了评估，该方法的飞行速度超过13.7 m/s，而没有任何先前的环境或外部定位设施图。

对于大多数LIDAR惯性进程，精确的初始状态，包括LiDAR和6轴IMU之间的时间偏移和外部转换，起着重要作用，通常被视为先决条件。但是，这种信息可能不会始终在定制的激光惯性系统中获得。在本文中，我们提出了liinit：一个完整​​的实时激光惯性系统初始化过程，该过程校准了激光雷达和imus之间的时间偏移和外部参数，以及通过对齐从激光雷达估计的状态来校准重力矢量和IMU偏置通过IMU测量的测量。我们将提出的方法实现为初始化模块，如果启用了，该模块会自动检测到收集的数据的激发程度并校准，即直接偏移，外部偏移，外部，重力向量和IMU偏置，然后是这样的。用作实时激光惯性射测系统的高质量初始状态值。用不同类型的LIDAR和LIDAR惯性组合进行的实验表明我们初始化方法的鲁棒性，适应性和效率。我们的LIDAR惯性初始化过程LIINIT和测试数据的实现在GitHub上开源，并集成到最先进的激光辐射射击轨道测定系统FastLiO2中。

基于转移的对手示例是最重要的黑匣子攻击类别之一。然而，在对抗性扰动的可转移性和难以察觉之间存在权衡。在此方向上的事先工作经常需要固定但大量的$ \ ell_p $ -norm扰动预算，达到良好的转移成功率，导致可察觉的对抗扰动。另一方面，目前的大多数旨在产生语义保留扰动的难以限制的对抗攻击患有对目标模型的可转移性较弱。在这项工作中，我们提出了一个几何形象感知框架，以产生具有最小变化的可转移的对抗性示例。类似于在统计机器学习中的模型选择，我们利用验证模型为$ \ ell _ {\ infty} $ - norm和不受限制的威胁模型中选择每个图像的最佳扰动预算。广泛的实验验证了我们对平衡令人难以置信的难以察觉和可转移性的框架的有效性。方法论是我们进入CVPR'21安全性AI挑战者的基础：对想象成的不受限制的对抗攻击，其中我们将第1位排名第1,559支队伍，并在决赛方面超过了亚军提交的提交4.59％和23.91％分别和平均图像质量水平。代码可在https://github.com/equationliu/ga-attack获得。