探讨了使用深神经网络（DNN）模型作为线性和非线性结构动力系统的代理。目标是开发基于DNN的代理，以预测给定输入（谐波）激发的结构响应，即位移和加速度。特别是，重点是使用完全连接，稀疏连接和卷积网络层的有效网络架构的开发，以及相应的培训策略，可以在目标数据用品中的整体网络复杂性和预测准确性之间提供平衡。对于线性动力学，网络层中重量矩阵的稀疏模式用于构建具有稀疏层的卷积DNN。对于非线性动力学，显示网络层中的稀疏性丢失，并探讨了具有完全连接和卷积网络层的高效DNN架构。还介绍了转移学习策略以成功培训所提出的DNN，研究了影响网络架构的各种装载因素。结果表明，所提出的DNN可以用作在谐波载荷下预测线性和非线性动态响应的有效和准确的代理。

We introduce Argoverse 2 (AV2) - a collection of three datasets for perception and forecasting research in the self-driving domain. The annotated Sensor Dataset contains 1,000 sequences of multimodal data, encompassing high-resolution imagery from seven ring cameras, and two stereo cameras in addition to lidar point clouds, and 6-DOF map-aligned pose. Sequences contain 3D cuboid annotations for 26 object categories, all of which are sufficiently-sampled to support training and evaluation of 3D perception models. The Lidar Dataset contains 20,000 sequences of unlabeled lidar point clouds and map-aligned pose. This dataset is the largest ever collection of lidar sensor data and supports self-supervised learning and the emerging task of point cloud forecasting. Finally, the Motion Forecasting Dataset contains 250,000 scenarios mined for interesting and challenging interactions between the autonomous vehicle and other actors in each local scene. Models are tasked with the prediction of future motion for "scored actors" in each scenario and are provided with track histories that capture object location, heading, velocity, and category. In all three datasets, each scenario contains its own HD Map with 3D lane and crosswalk geometry - sourced from data captured in six distinct cities. We believe these datasets will support new and existing machine learning research problems in ways that existing datasets do not. All datasets are released under the CC BY-NC-SA 4.0 license.

生成对抗网络（GAN）是图像合成的艺术状态。在这里，我们提出了DAPI2CK，这是一种基于GAN的新型方法，用于合成细胞角蛋白（CK）在非小细胞肺癌（NSCLC）图像中的免疫荧光（IF）DAPI染色中染色。我们使用合成CK来细分上皮区域，与专家注释相比，该区域与染色CK的分割相同的结果相同。考虑到（MIF）面板（MIF）中的标记数量有限，我们的方法允许另一个标记物替换CK，以解决肿瘤微环境（TME）的复杂性，以促进患者选择免疫疗法。与染色的CK相反，DAPI2CK不会遭受诸如非特异性CK染色或肿瘤CK表达丧失之类的问题。

在本文中，我们展示了一种独特的配方，可以通过将预处理技术融合到深度学习模型中来增强音频机学习方法的有效性。我们的解决方案通过通过训练而不是昂贵的随机搜索来优化超参数来加速培训和推理性能，从而从音频信号中构建可靠的蚊子探测器。此处介绍的实验和结果是MOS C提交ACM 2022挑战的一部分。在未发表的测试集上，我们的结果优于已发布的基线212％。我们认为，这是建立强大的生物声学系统的最好的现实世界中的一个例子之一，该系统在嘈杂的条件下提供可靠的蚊子检测。

场景图生成的任务需要在给定图像（或视频）中识别对象实体及其相应的交互谓词。由于组合较大的解决方案空间，现有的场景图生成方法假设关节分布的某些分解以使估计可行（例如，假设对象在有条件地与谓词预测无关）。但是，在所有情况下，这种固定的分解并不是理想的（例如，对于相互作用中需要的对象很小且本身不可辨别的图像）。在这项工作中，我们建议使用马尔可夫随机字段中传递消息，提出一个针对场景图生成的新颖框架，并在图像上引入动态调节。这是作为迭代改进过程实现的，其中每个修改都在上一个迭代中生成的图上进行条件。跨改进步骤的这种条件允许对实体和关系进行联合推理。该框架是通过基于小说和端到端的可训练变压器建筑实现的。此外，建议的框架可以改善现有的方法性能。通过有关视觉基因组和动作基因组基准数据集的广泛实验，我们在场景图生成上显示了改善的性能。

树皮甲虫暴发会极大地影响世界各地的森林生态系统和服务。为了制定有效的森林政策和管理计划，至关重要的是对树木的早期发现至关重要。尽管树皮甲虫的侵扰存在视觉症状，但考虑到冠状叶子变色的树冠和非同质性，这项任务仍然具有挑战性。在这项工作中，提出了一种基于深度学习的方法，以有效地对单个树级别的树皮甲虫攻击的不同阶段进行分类。所提出的方法使用视网膜架构（利用预萃取良好的特征提取主链进行树冠检测）来训练浅子网络，以对无人机（无人驾驶汽车）捕获的图像的不同攻击阶段进行分类。此外，检查了各种数据增强策略以解决类不平衡问题，因此，选择仿射转换是为此目的最有效的。实验评估通过达到98.95％的平均准确性来证明该方法的有效性，使基线方法的表现高约10％。

管理折扣促销活动（“ Markdown”）是经营电子商务业务的重要组成部分，这里的效率低下可能会严重阻碍零售商的盈利能力。解决此问题的传统方法在很大程度上取决于价格弹性建模。但是，价格弹性建模的部分信息性质，以及保护盈利能力的不可谈判的责任，意味着机器学习从业人员经常必须经过巨大的时间来定义衡量离线模型质量的策略。面对这一点，许多零售商依靠基于规则的方法，因此可以通过机器学习来捕获的盈利能力获得可观的收益。在本文中，我们介绍了两个新颖的端到端降价管理系统，以优化零售商旅程的不同阶段的赌注。第一个系统“ ITHAX”制定了无需估算的理性供应方定价策略，并且可以用作“冷启动”解决方案，以收集降价数据，同时保持收入控制。第二个系统“ Prosotheus”为价格弹性提供了一个完整的降价优化的框架。我们详细描述了特定的建模和验证程序，在我们的经验中，这对于建立在现实世界中稳健性能的系统至关重要。与我们经验丰富的运营团队在受控的在线测试中做出的决策相比，这两种降级系统都具有卓越的盈利能力，相对于手动策略，改善了86％（Promotheus）和79％（ITHAX）。这些系统已被部署以在ASOS.com上管理Markdown，并且可以在各种零售电子商务环境中进行价格优化的价格优化。

使用生成的对抗神经网络和更精确的周期内，无监督和不配对的域翻译是组织病理学图像的染色翻译的最新技术。然而，它通常遭受循环一致但非结构保存错误的存在。我们为一组方法提出了一种替代方法，该方法依赖于分割一致性，可以保留病理结构。专注于免疫组织化学（IHC）和多重免疫荧光（MIF），我们引入了一种简单而有效的指导方案，作为一种损失函数，以利用污渍翻译和染色隔离的一致性。定性和定量实验显示了提出的方法改善两个域之间翻译的能力。

考虑了使用间歇性冲动力在三维空间中对棍子进行非骚扰操作的问题。目的是在一系列旋转对称的垂直轴对称的配置序列之间兼顾棍子。棍棒的动力学由五个广义坐标和三个控制输入描述。在应用冲动输入的两种连续配置之间，动力学在杂耍者的参考框架中以Poincar \'E映射为方便地表示。通过稳定庞加尔\'e地图上的固定点来实现与所需杂耍运动相关的轨道的稳定化。脉冲控制的Poincar \'e MAP方法用于稳定轨道，数值模拟用于证明与任意初始配置中所需的杂耍运动的收敛。在限制情况下，如果连续旋转对称配置被任意接近，则表明动力学将减少到箍上杆上稳定进动的动力学。

可穿戴传感器的指数升高在日常活动中评估生理参数时已经获得了重大兴趣。呼吸率是在生活方式活动的性能评估中使用的重要参数之一。但是，测量，运动伪影和其他噪声的突兀设置使过程复杂化。本文介绍了基于深度学习（DL）的多任务架构，用于估计来自心电图和加速度计信号的瞬时和平均呼吸速率，使得它在日常生活活动中有效地执行，如骑自行车，行走等。多任务网络包括组合编码器 - 解码器和编码器 - IncesNet，用于获取平均呼吸速率和呼吸信号。可以利用呼吸信号以获得呼吸峰和瞬时呼吸循环。平均绝对误差（MAE），根均线误差（RMSE），推理时间和参数计数分析用于将网络与当前艺术机器学习（ML）模型和其他研究中开发的DL模型进行比较。基于各种输入的其他DL配置也是作为工作的一部分开发的。该拟议模型显示出更好的整体准确性，并且在不同活动期间的单个方式提供了更好的结果。