Following the advent of immersive technologies and the increasing interest in representing interactive geometrical format, 3D Point Clouds (PC) have emerged as a promising solution and effective means to display 3D visual information. In addition to other challenges in immersive applications, objective and subjective quality assessments of compressed 3D content remain open problems and an area of research interest. Yet most of the efforts in the research area ignore the local geometrical structures between points representation. In this paper, we overcome this limitation by introducing a novel and efficient objective metric for Point Clouds Quality Assessment, by learning local intrinsic dependencies using Graph Neural Network (GNN). To evaluate the performance of our method, two well-known datasets have been used. The results demonstrate the effectiveness and reliability of our solution compared to state-of-the-art metrics.

文化遗产的理解和保存对于社会来说是一个重要的问题，因为它代表了其身份的基本方面。绘画代表了文化遗产的重要组成部分，并且是不断研究的主题。但是，观众认为绘画与所谓的HVS（人类视觉系统）行为严格相关。本文重点介绍了一定数量绘画的视觉体验期间观众的眼动分析。在进一步的详细信息中，我们引入了一种新的方法来预测人类的视觉关注，这影响了人类的几种认知功能，包括对场景的基本理解，然后将其扩展到绘画图像。拟议的新建筑摄入图像并返回扫描路径，这是一系列积分，具有引起观众注意力的很有可能性。我们使用FCNN（完全卷积的神经网络），其中利用了可区分的渠道选择和软弧度模块。我们还将可学习的高斯分布纳入网络瓶颈上，以模拟自然场景图像中的视觉注意力过程偏见。此外，为了减少不同域之间的变化影响（即自然图像，绘画），我们敦促模型使用梯度反转分类器从其他域中学习无监督的一般特征。在准确性和效率方面，我们的模型获得的结果优于现有的最先进的结果。

本文介绍了一种新的框架，以预测全向图像的视觉注意。我们的体系结构的关键设置是同时预测给定刺激的显着图和相应的扫描路径。该框架实现了一个完全编码器 - 解码器卷积神经网络，由注意模块增强以生成代表性显着图。另外，采用辅助网络通过SoftArgMax函数来生成可能的视口中心固定点。后者允许从特征映射派生固定点。为了利用扫描路径预测，然后应用自适应联合概率分布模型来通过利用基于编码器解码器的显着性图和基于扫描路径的显着热图来构建最终的不偏不倚的显着性图。在显着性和扫描路径预测方面评估所提出的框架，并将结果与​​Salient360上的最先进方法进行比较！数据集。结果表明，我们的框架和这种架构的益处的相关性，用于进一步全向视觉注意预测任务。

黑框模型的鲁棒性研究被认为是基于结构方程和从数据中学到的预测模型的数值模型的必要任务。这些研究必须评估模型的鲁棒性，以实现其输入的可能错误指定（例如，协变量转移）。通过不确定性定量（UQ）的棱镜对黑盒模型的研究通常基于涉及输入上施加的概率结构的灵敏度分析，而ML模型仅由观察到的数据构建。我们的工作旨在通过为这两个范式提供相关且易于使用的工具来统一UQ和ML可解释性方法。为了为鲁棒性研究提供一个通用且易于理解的框架，我们定义了依赖于概率指标之间的瓦斯汀距离的分位数约束和投影的输入信息的扰动，同时保留其依赖性结构。我们表明，可以通过分析解决这个扰动问题。通过等渗多项式近似确保规律性约束会导致更平滑的扰动，这在实践中可能更适合。从UQ和ML领域进行的实际案例研究的数值实验突出了此类研究的计算可行性，并提供了对黑盒模型鲁棒性的局部和全球见解，以输入扰动。

了解工作需求的演变对于工人，公司和公共组织遵循就业市场的快速转型而变得越来越重要。幸运的是，最近的自然语言处理（NLP）方法允许开发方法以自动从工作广告中提取信息并更精确地识别技能。但是，这些有效的方法需要从研究领域的大量注释数据，这些数据很难访问，这主要是由于知识产权。本文提出了一个新的公共数据集fijo，其中包含保险工作优惠，包括许多软技能注释。为了了解该数据集的潜力，我们详细介绍了一些特征和一些局限性。然后，我们使用命名的实体识别方法介绍了技能检测算法的结果，并表明基于变形金刚的模型在此数据集上具有良好的令牌性能。最后，我们分析了我们最佳模型犯的一些错误，以强调应用NLP方法时可能出现的困难。

地址解析包括识别构成地址的段，例如街道名称或邮政编码。由于重新录制链接等任务的重要性，已经采用了许多技术接近了地址解析，最新的神经网络依赖于神经网络。虽然这些模型产生了显着的结果，但以前的神经网络的工作仅重点关注来自单个来源国家的解析地址。本文探讨了通过在一些国家对某些国家的地址培训培训深入学习模型而获得的地址解析知识的可能性，没有进一步培训零射击转移学习环境。我们还在同一零击传输设置中使用注意机制和域对抗训练算法进行实验，以提高性能。两种方法都会为大多数经过测试国家的最新性能，同时向剩下的国家提供良好的结果。我们还探讨了不完整的地址对我们最好的模型的影响，我们评估了在培训期间使用不完整地址的影响。此外，我们提出了一个开源的Python实现了一些训练有素的模型。