本文提出了一种新颖的语义场景变化检测方案，只有弱监督。该任务的一种直接方法是直接以端到端的方式从大规模数据集训练语义变更检测网络。但是，该任务的特定数据集通常是劳动密集型且耗时的，这是必不可少的。为了避免此问题，我们建议通过将此任务分为变化检测和语义提取来训练现有数据集的这种网络。另一方面，例如，相机观点的差异，例如，在不同时间点从车辆安装的相机捕获的同一场景的图像，通常会给变更检测任务带来挑战。为了应对这一挑战，我们通过引入相关层提出了一种新的暹罗网络结构。此外，我们收集并注释了公开可用的数据集，以评估所提出的方法。实验结果验证了变化检测任务的鲁棒性与观点差异以及提出网络的语义变化检测有效性。我们的代码和数据集可在https://kensakurada.github.io/pscd上找到。

Target Propagation (TP) is a biologically more plausible algorithm than the error backpropagation (BP) to train deep networks, and improving practicality of TP is an open issue. TP methods require the feedforward and feedback networks to form layer-wise autoencoders for propagating the target values generated at the output layer. However, this causes certain drawbacks; e.g., careful hyperparameter tuning is required to synchronize the feedforward and feedback training, and frequent updates of the feedback path are usually required than that of the feedforward path. Learning of the feedforward and feedback networks is sufficient to make TP methods capable of training, but is having these layer-wise autoencoders a necessary condition for TP to work? We answer this question by presenting Fixed-Weight Difference Target Propagation (FW-DTP) that keeps the feedback weights constant during training. We confirmed that this simple method, which naturally resolves the abovementioned problems of TP, can still deliver informative target values to hidden layers for a given task; indeed, FW-DTP consistently achieves higher test performance than a baseline, the Difference Target Propagation (DTP), on four classification datasets. We also present a novel propagation architecture that explains the exact form of the feedback function of DTP to analyze FW-DTP.

最近，针对各种实际应用，例如操纵学习，已经广泛探索了触觉手套。以前的手套设备具有不同的力驱动系统，例如形状记忆合金，伺服电动机和气动执行器；但是，这些提议的设备在快速运动，易于繁殖和安全问题方面可能难以置信。在这项研究中，我们提出了Magglove，这是一种具有线性电动机的可移动磁铁机制的新型触觉手套，以解决这些问题。拟议的Magglove设备是佩戴者手背面紧凑的系统，具有很高的响应性，易用性和良好的安全性。提出的设备是自适应的，随着电流流过线圈的大小的修饰。基于我们的评估研究，可以证实所提出的设备可以在给定任务中实现手指运动。因此，Magglove可以为操纵学习任务中的佩戴者学习水平提供量身定制的灵活支持。

一个著名的矢量定量变分自动编码器（VQ-VAE）的问题是，学识渊博的离散表示形式仅使用代码书的全部容量的一小部分，也称为代码书崩溃。我们假设VQ-VAE的培训计划涉及一些精心设计的启发式方法，这是这个问题的基础。在本文中，我们提出了一种新的训练方案，该方案通过新颖的随机去量化和量化扩展标准VAE，称为随机量化变异自动编码器（SQ-VAE）。在SQ-VAE中，我们观察到一种趋势，即在训练的初始阶段进行量化是随机的，但逐渐收敛于确定性量化，我们称之为自宣传。我们的实验表明，SQ-VAE在不使用常见启发式方法的情况下改善了代码书的利用率。此外，我们从经验上表明，在视觉和语音相关的任务中，SQ-VAE优于VAE和VQ-VAE。