组合演变 - 通过现有物品的组合创建新事物 - 可以是发展而不是设计电子电路等技术对象的强大方法。有趣的是，这似乎是一个持续的，因此开放的过程，创造了越来越复杂性的新奇。在这里，我们采用了软件开发的组合演变。虽然遗传编程等当前方法在解决特殊问题方面是有效的，但它们都会趋向于解决方案，并且之后不再创建任何新的东西。多种式语言和技术等复杂系统的组合演变被认为是开放式的。因此，通过组合演化可能可以进行开放式自动编程。我们实现了一种计算机程序，模拟存储在数据库中的代码块的组合演进，以使它们可用于组合。通过评估正则表达式来实现基于算法的码代生成感的自动编程。我们发现编程语言的保留关键字适用于在仿真开始时定义基本代码块。我们还发现占位符可用于组合代码块，并且可以根据对编程语言的重要性来描述代码复杂性。与电子电路的先前组合演进仿真一样，复杂性从简单的关键字和特殊字符增加到更复杂的变量声明，类定义，方法和包含方法和变量声明的类。因此，组合演化似乎是开放式自动编程的有希望的方法。

我们最近介绍了所谓的Allagmatic方法，该方法包括一个系统元模型，该系统提供了描述，建模，模拟和解释复杂系统的框架。它的发展和编程受到哲学的指导，尤其是吉尔伯特·西蒙登（Gilbert Simondon）的个性化哲学，阿尔弗雷德·诺斯·诺德·诺德·诺斯·诺斯·诺德·诺德·诺德·诺德·诺斯·怀特海（Alfred North Whitehead）的生物体哲学以及控制论的概念。在这里，提出了一种数学形式主义，以更好地描述和定义Allagmatic方法的系统元模型，从而进一步推广它并将其覆盖范围扩展到更正式的治疗方法并允许更多的理论研究。通过使用形式主义，提供了一个进一步研究的示例，并提供了数学定义和模型创建和蜂窝自动神经网络等效性的证明。

Industry 4.0 aims to optimize the manufacturing environment by leveraging new technological advances, such as new sensing capabilities and artificial intelligence. The DRAEM technique has shown state-of-the-art performance for unsupervised classification. The ability to create anomaly maps highlighting areas where defects probably lie can be leveraged to provide cues to supervised classification models and enhance their performance. Our research shows that the best performance is achieved when training a defect detection model by providing an image and the corresponding anomaly map as input. Furthermore, such a setting provides consistent performance when framing the defect detection as a binary or multiclass classification problem and is not affected by class balancing policies. We performed the experiments on three datasets with real-world data provided by Philips Consumer Lifestyle BV.

Quality control is a crucial activity performed by manufacturing companies to ensure their products conform to the requirements and specifications. The introduction of artificial intelligence models enables to automate the visual quality inspection, speeding up the inspection process and ensuring all products are evaluated under the same criteria. In this research, we compare supervised and unsupervised defect detection techniques and explore data augmentation techniques to mitigate the data imbalance in the context of automated visual inspection. Furthermore, we use Generative Adversarial Networks for data augmentation to enhance the classifiers' discriminative performance. Our results show that state-of-the-art unsupervised defect detection does not match the performance of supervised models but can be used to reduce the labeling workload by more than 50%. Furthermore, the best classification performance was achieved considering GAN-based data generation with AUC ROC scores equal to or higher than 0,9898, even when increasing the dataset imbalance by leaving only 25\% of the images denoting defective products. We performed the research with real-world data provided by Philips Consumer Lifestyle BV.

Self-trained autonomous agents developed using machine learning are showing great promise in a variety of control settings, perhaps most remarkably in applications involving autonomous vehicles. The main challenge associated with self-learned agents in the form of deep neural networks, is their black-box nature: it is impossible for humans to interpret deep neural networks. Therefore, humans cannot directly interpret the actions of deep neural network based agents, or foresee their robustness in different scenarios. In this work, we demonstrate a method for probing which concepts self-learning agents internalise in the course of their training. For demonstration, we use a chess playing agent in a fast and light environment developed specifically to be suitable for research groups without access to enormous computational resources or machine learning models.

检测障碍对于安全有效的自动驾驶至关重要。为此，我们提出了NVRadarnet，这是一种深神经网络（DNN），它使用汽车雷达传感器检测动态障碍物和可驱动的自由空间。该网络利用从多个雷达传感器的时间积累的数据来检测动态障碍，并在自上而下的鸟类视图（BEV）中计算其方向。该网络还可以回归可驱动的自由空间，以检测未分类的障碍。我们的DNN是第一个使用稀疏雷达信号的同类DNN，以实时从雷达数据实时执行障碍物和自由空间检测。在实际的自动驾驶场景中，该网络已成功地用于我们的自动驾驶汽车。该网络在嵌入式GPU上的运行速度快于实时时间，并且在地理区域显示出良好的概括。

质量控制是制造业企业进行的至关重要的活动，以确保其产品符合质量标准并避免对品牌声誉的潜在损害。传感器成本下降和连接性使制造业数字化增加。此外，人工智能可实现更高的自动化程度，减少缺陷检查所需的总体成本和时间。这项研究将三种活跃的学习方法（与单一和多个牙齿）与视觉检查进行了比较。我们提出了一种新颖的方法，用于对分类模型的概率校准和两个新的指标，以评估校准的性能而无需地面真相。我们对飞利浦消费者生活方式BV提供的现实数据进行了实验。我们的结果表明，考虑到p = 0.95的阈值，探索的主动学习设置可以将数据标签的工作减少3％至4％，而不会损害总体质量目标。此外，我们表明所提出的指标成功捕获了相关信息，否则仅通过地面真实数据最适合使用的指标可用。因此，所提出的指标可用于估计模型概率校准的质量，而无需进行标签努力以获取地面真相数据。

我们介绍了TemPCLR，这是一种针对3D手重建的结构化回归任务的新的时代对比学习方法。与以前的手部姿势估计方法相抵触方法不同，我们的框架考虑了其增强方案中的时间一致性，并说明了沿时间方向的手部姿势的差异。我们的数据驱动方法利用了未标记的视频和标准CNN，而无需依赖合成数据，伪标签或专业体系结构。我们的方法在HO-3D和Freihand数据集中分别将全面监督的手部重建方法的性能提高了15.9％和7.6％，从而确立了新的最先进的性能。最后，我们证明了我们的方法会随着时间的推移产生更平滑的手部重建，并且与以前的最新作品相比，对重型的闭塞更为强大，我们在定量和定性上表现出来。我们的代码和模型将在https://eth-ait.github.io/tempclr上找到。

我们建议使用以光源方向为条件的神经辐射场（NERF）的扩展来解决多视光度立体声问题。我们神经表示的几何部分预测表面正常方向，使我们能够理解局部表面反射率。我们的神经表示的外观部分被分解为神经双向反射率函数（BRDF），作为拟合过程的一部分学习，阴影预测网络（以光源方向为条件），使我们能够对明显的BRDF进行建模。基于物理图像形成模型的诱导偏差的学到的组件平衡使我们能够远离训练期间观察到的光源和查看器方向。我们证明了我们在多视光学立体基准基准上的方法，并表明可以通过NERF的神经密度表示可以获得竞争性能。

自动伪标记是一种强大的工具，可以利用大量的连续未标记数据。在绩效要求非常大，数据集和手动标记的自动驾驶的关键安全应用中，它特别有吸引力。我们建议利用捕获的顺序性，通过培训多个教师在教师的设置中提高伪标记技术，每个教师都可以访问不同的时间信息。这套被称为一致性的教师比标准方法为学生培训提供了更高质量的伪标签。多个教师的输出通过新颖的伪标记信心引导的标准组合。我们的实验评估集中在城市驾驶场景中的3D点云域。我们显示了我们的方法的性能，应用于多个模型体系结构，其中包含3D语义分割任务和两个基准数据集上的3D对象检测。我们的方法仅使用20％的手动标签，优于某些完全监督的方法。对于培训数据，例如自行车和行人，很少出现在培训数据中的课程方面的特殊表现提升。我们的方法的实现可在https://github.com/ctu-vras/t-concord3d上公开获得。