碰撞避免算法对许多无人机应用程序具有核心兴趣。特别地，分散的方法可以是在集中通信变得过艰巨的情况下启用强大的无人机群解决方案的关键。在这项工作中，我们从椋鸟（Ventgaris）的群群中汲取生物启示，并将洞察力应用于结尾学的分散碰撞避免。更具体地，我们提出了一种新的，可伸缩的观察模型，其仿生最近邻的信息约束，导致快速学习和良好的碰撞行为。通过提出一般加强学习方法，我们获得了基于端到端的学习方法，以通过包装收集和形成变化等任意任务集成碰撞避免。为了验证这种方法的一般性，我们通过中等复杂性的运动模型成功地应用了我们的方法，建模势头，仍然可以与标准PID控制器结合使用直接应用。与事先作品相比，我们发现，在我们足够丰富的运动模型中，最近的邻居信息确实足以学习有效的碰撞行为。我们的学习政策在模拟中进行了测试，随后转移到现实世界的无人机，以验证其现实世界的适用性。

We present a robust, privacy-preserving visual localization algorithm using event cameras. While event cameras can potentially make robust localization due to high dynamic range and small motion blur, the sensors exhibit large domain gaps making it difficult to directly apply conventional image-based localization algorithms. To mitigate the gap, we propose applying event-to-image conversion prior to localization which leads to stable localization. In the privacy perspective, event cameras capture only a fraction of visual information compared to normal cameras, and thus can naturally hide sensitive visual details. To further enhance the privacy protection in our event-based pipeline, we introduce privacy protection at two levels, namely sensor and network level. Sensor level protection aims at hiding facial details with lightweight filtering while network level protection targets hiding the entire user's view in private scene applications using a novel neural network inference pipeline. Both levels of protection involve light-weight computation and incur only a small performance loss. We thus project our method to serve as a building block for practical location-based services using event cameras. The code and dataset will be made public through the following link: https://github.com/82magnolia/event_localization.

图像检索通常以平均精度（AP）或召回@k进行评估。但是，这些指标仅限于二进制标签，并且不考虑错误的严重性。本文介绍了一种新的分层AP培训方法，用于相关图像检索（HAP-PIER）。 Happier是基于新的HAP度量，该指标利用概念层次结构来通过整合错误的重要性并更好地评估排名来完善AP。为了用HAP训练深层模型，我们仔细研究了问题的结构，并设计了平滑的下限替代物，并结合了聚类损失，以确保订购一致。在6个数据集上进行的广泛实验表明，更快乐的层次检索的最新方法明显优于最先进的方法，同时在评估细粒度排名表演时与最新方法相当。最后，我们表明更快乐地导致嵌入空间的更好组织，并防止最严重的非等级方法失败案例。我们的代码可在以下网址公开获取：https：//github.com/elias-ramzi/happier。

数值验证是机器学习研究的核心，因为它允许评估新方法的实际影响，并确认理论和实践之间的一致性。然而，该领域的快速发展构成了一些挑战：研究人员面临着大量的方法来比较，有限的透明度和最佳实践的共识以及乏味的重新实施工作。结果，验证通常是非常部分的，这可能会导致错误的结论，从而减慢研究的进展。我们提出了Benchopt，这是一个协作框架，旨在在跨编程语言和硬件体系结构的机器学习中自动化，复制和发布优化基准。 Benchopt通过提供用于运行，共享和扩展实验的现成工具来简化社区的基准测试。为了展示其广泛的可用性，我们在三个标准学习任务上展示基准：$ \ ell_2 $ regulaine的逻辑回归，套索和RESNET18用于图像分类的培训。这些基准强调了关键的实际发现，这些发现对这些问题的最新问题更加细微，这表明在实际评估中，魔鬼在细节上。我们希望Benchopt能在社区中促进合作工作，从而改善研究结果的可重复性。

在图像检索中，标准评估度量依赖于分数排名，例如：平均精度（AP）。在本文中，我们介绍了一种稳健和可分解的平均精度（路线图）的方法，解决了对AP的深神经网络的端到端训练的两个主要挑战：非差异性和不分解性。首先，我们提出了一种新的等级函数的新可分辨性近似，这提供了AP损耗的上限并确保了鲁棒训练。其次，我们设计简单但有效的损失功能，以减少整个训练集中的AP之间的分解性差距及其平均批量近似，我们提供理论保证。在三个图像检索数据集上进行的广泛实验表明，路线图优于最近的几种AP近似方法，并突出了我们两个贡献的重要性。最后，使用用于训练的路线图，深度模型产生非常好的表现，表现出三个数据集的最先进结果。

与格拉帕相比，我们对XPDNET的性能进行了定性分析，即MRI重建的最先进的深度学习方法，是一种经典方法。我们在多种设置中执行此操作，特别是测试XPDNET的稳健性，以说明XPDNET可以在某种程度上概括。