由顺序训练和元训练阶段组成的两阶段训练范式已广泛用于当前的几次学习（FSL）研究。这些方法中的许多方法都使用自我监督的学习和对比度学习来实现新的最新结果。但是，在FSL培训范式的两个阶段，对比度学习的潜力仍未得到充分利用。在本文中，我们提出了一个新颖的基于学习的框架，该框架将对比度学习无缝地整合到两个阶段中，以提高少量分类的性能。在预训练阶段，我们提出了特征向量与特征映射和特征映射与特征映射的形式的自我监督对比损失，该图形与特征映射使用全局和本地信息来学习良好的初始表示形式。在元训练阶段，我们提出了一种跨视图的情节训练机制，以对同一情节的两个不同视图进行最近的质心分类，并采用基于它们的距离尺度对比度损失。这两种策略迫使模型克服观点之间的偏见并促进表示形式的可转让性。在三个基准数据集上进行的广泛实验表明，我们的方法可以实现竞争成果。

细粒度识别的目的是成功区分具有微妙差异的动作类别。为了解决这个问题，我们从人类视觉系统中获得灵感，该系统包含大脑中专门用于处理特定任务的专业区域。我们设计了一个新型的动态时空专业化（DSTS）模块，该模块由专门的神经元组成，这些神经元仅针对高度相似的样品子集激活。在训练过程中，损失迫使专门的神经元学习判别性细粒差异，以区分这些相似的样品，从而改善细粒度的识别。此外，一种时空专业化方法进一步优化了专业神经元的架构，以捕获更多的空间或时间细粒信息，以更好地解决视频中各种时空变化的范围。最后，我们设计了上游下游学习算法，以优化训练过程中模型的动态决策，从而提高DSTS模块的性能。我们在两个广泛使用的细粒度识别数据集上获得了最先进的性能。

Following the outbreak of a global pandemic, online content is filled with hate speech. Donald Trump's ''Chinese Virus'' tweet shifted the blame for the spread of the Covid-19 virus to China and the Chinese people, which triggered a new round of anti-China hate both online and offline. This research intends to examine China-related hate speech on Twitter during the two years following the burst of the pandemic (2020 and 2021). Through Twitter's API, in total 2,172,333 tweets hashtagged #china posted during the time were collected. By employing multiple state-of-the-art pretrained language models for hate speech detection, we identify a wide range of hate of various types, resulting in an automatically labeled anti-China hate speech dataset. We identify a hateful rate in #china tweets of 2.5% in 2020 and 1.9% in 2021. This is well above the average rate of online hate speech on Twitter at 0.6% identified in Gao et al., 2017. We further analyzed the longitudinal development of #china tweets and those identified as hateful in 2020 and 2021 through visualizing the daily number and hate rate over the two years. Our keyword analysis of hate speech in #china tweets reveals the most frequently mentioned terms in the hateful #china tweets, which can be used for further social science studies.

手指静脉识别是一种新兴的生物识别识别技术。与人体表面上的其他生物特征不同，手指的静脉血管组织被埋在皮肤深处。由于这种优势，手指静脉识别是高度稳定和私人的。它们几乎不可能被外部条件偷走且难以干预。与基于传统机器学习的手指静脉识别方法不同，人工神经网络技术，尤其是深度学习，它不依赖功能工程并具有出色的性能。为了总结基于人工神经网络的手指静脉识别的发展，本文收集了149篇相关论文。首先，我们介绍了手指静脉识别的背景和这项调查的动机。然后，引入了人工神经网络的发展历史和手指静脉识别任务上的代表网络。然后描述在手指静脉识别中广泛使用的公共数据集。之后，我们分别基于经典神经网络和深层神经网络总结了相关的手指静脉识别任务。最后，讨论了手指静脉识别的挑战和潜在发展方向。据我们所知，本文是第一次综合调查，重点是基于人工神经网络的指静脉识别。

细粒度的视觉分类（FGVC）是计算机视觉和模式识别的一个长期存在的基本问题，并为各种各样的现实应用程序提供了基础。本文描述了我们在Snakeclef2022上使用FGVC的贡献。首先，我们设计了一个强大的多模式主链，以利用各种元信息来协助细粒度的识别。其次，我们提供了新的损失功能，可以用数据集解决长时间的分布。然后，为了充分利用未标记的数据集，我们使用自我监督的学习和监督学习联合培训来提供预训练的模型。此外，我们的实验也考虑了一些有效的数据过程技巧。最后但并非最不重要的一点是，在下游任务中进行了微调，并具有艰苦的型号模型性能。广泛的实验表明，我们的方法可以有效地提高细粒识别的性能。我们的方法分别可以在私人和公共数据集上获得宏F1分别为92.7％和89.4％，这是私人排行榜上参与者中的第一名。

Finger静脉图像识别技术在生物识别识别中起着重要作用，并已成功应用于许多领域。由于静脉被埋在皮肤组织下方，因此手指静脉图像识别具有无与伦比的优势，因此不容易被外部因素打扰。这篇综述总结了有关手指静脉图像识别的46篇论文，从2017年到2021年。这些论文根据深神经网络的任务进行了汇总。此外，我们提出了手指静脉图像识别的挑战和潜在发展方向。

从消息传递机制中受益，图形神经网络（GNN）在图形数据上的繁荣任务上已经成功。但是，最近的研究表明，攻击者可以通过恶意修改图形结构来灾难性地降低GNN的性能。解决此问题的直接解决方案是通过在两个末端节点的成对表示之间学习度量函数来建模边缘权重，该指标函数试图将低权重分配给对抗边缘。现有方法使用监督GNN学到的原始功能或表示形式来对边缘重量进行建模。但是，两种策略都面临着一些直接问题：原始特征不能代表节点的各种特性（例如结构信息），而受监督的GNN学到的表示可能会遭受分类器在中毒图上的差异性能。我们需要携带特征信息和尽可能糊状的结构信息并且对结构扰动不敏感的表示形式。为此，我们提出了一条名为stable的无监督管道，以优化图形结构。最后，我们将精心设计的图输入到下游分类器中。对于这一部分，我们设计了一个高级GCN，可显着增强香草GCN的鲁棒性，而不会增加时间复杂性。在四个现实世界图基准上进行的广泛实验表明，稳定的表现优于最先进的方法，并成功防御各种攻击。

本文提出了一个新颖的像素间隔下采样网络（PID-NET），以较高的精度计算任务，以更高的精度计数任务。 PID-NET是具有编码器架构的端到端卷积神经网络（CNN）模型。像素间隔向下采样操作与最大功能操作相连，以结合稀疏和密集的特征。这解决了计数时茂密物体的轮廓凝结的局限性。使用经典分割指标（骰子，Jaccard和Hausdorff距离）以及计数指标进行评估。实验结果表明，所提出的PID-NET具有最佳的性能和潜力，可以实现密集的微小对象计数任务，该任务在数据集上具有2448个酵母单元图像在数据集上达到96.97 \％的计数精度。通过与最新的方法进行比较，例如注意U-NET，SWIN U-NET和TRANS U-NET，提出的PID-NET可以分割具有更清晰边界和较少不正确的碎屑的密集的微小物体，这表明PID网络在准确计数的任务中的巨大潜力。

In this paper, we propose a robust 3D detector, named Cross Modal Transformer (CMT), for end-to-end 3D multi-modal detection. Without explicit view transformation, CMT takes the image and point clouds tokens as inputs and directly outputs accurate 3D bounding boxes. The spatial alignment of multi-modal tokens is performed implicitly, by encoding the 3D points into multi-modal features. The core design of CMT is quite simple while its performance is impressive. CMT obtains 73.0% NDS on nuScenes benchmark. Moreover, CMT has a strong robustness even if the LiDAR is missing. Code will be released at https://github.com/junjie18/CMT.

Knowledge graphs (KG) have served as the key component of various natural language processing applications. Commonsense knowledge graphs (CKG) are a special type of KG, where entities and relations are composed of free-form text. However, previous works in KG completion and CKG completion suffer from long-tail relations and newly-added relations which do not have many know triples for training. In light of this, few-shot KG completion (FKGC), which requires the strengths of graph representation learning and few-shot learning, has been proposed to challenge the problem of limited annotated data. In this paper, we comprehensively survey previous attempts on such tasks in the form of a series of methods and applications. Specifically, we first introduce FKGC challenges, commonly used KGs, and CKGs. Then we systematically categorize and summarize existing works in terms of the type of KGs and the methods. Finally, we present applications of FKGC models on prediction tasks in different areas and share our thoughts on future research directions of FKGC.