为了在高移动性虚拟环境中实现柔软物体的高富度触觉渲染，我们提出了一种新颖的触觉显示dandeliontouch。一群无人机将触觉执行器传递给用户的指尖。 DandelionTouch的用户能够在不受设备工作区域限制的大空间中体验触觉反馈。重要的是，在与虚拟物体的长时间互动中，他们不会经历肌肉疲劳。手动跟踪和群控制算法允许用手动运动引导群，并避免在编队内部发生冲突。在这项研究中，研究了群体之间的阻抗连接的几种拓扑结构。该实验在实时在正方形轨迹上执行了一个遵循的实验，该实验表明，在恒星拓扑中连接的无人机执行了平均位置误差较低的轨迹（与其他阻抗拓扑相比，RMSE降低了20.6 \％与潜在的基于现场的群体控制相比，为40.9 \％。在所有具有阻抗行为的地层中，无人机的达到的速度比通过潜在场算法控制的群体高28％。此外，在与7名参与者的用户研究中评估了几种纤维骨架模式的感知。该研究表明，提议的时间延迟和频率调制的组合使用户可以同时成功识别VR中的表面特性和运动方向（平均识别率为70 \％，最大为93 \％）。 DandelionTouch建议在VR系统中提出一种新型的触觉反馈，无需手持或可穿戴界面。

Business documents come in a variety of structures, formats and information needs which makes information extraction a challenging task. Due to these variations, having a document generic model which can work well across all types of documents and for all the use cases seems far-fetched. For document-specific models, we would need customized document-specific labels. We introduce DoSA (Document Specific Automated Annotations), which helps annotators in generating initial annotations automatically using our novel bootstrap approach by leveraging document generic datasets and models. These initial annotations can further be reviewed by a human for correctness. An initial document-specific model can be trained and its inference can be used as feedback for generating more automated annotations. These automated annotations can be reviewed by human-in-the-loop for the correctness and a new improved model can be trained using the current model as pre-trained model before going for the next iteration. In this paper, our scope is limited to Form like documents due to limited availability of generic annotated datasets, but this idea can be extended to a variety of other documents as more datasets are built. An open-source ready-to-use implementation is made available on GitHub https://github.com/neeleshkshukla/DoSA.

动态磁共振成像（MRI）是一种流行的医学成像技术，可生成组织和器官内部对比度材料流动的图像序列。但是，仅在少数可行性研究中证明了它在通过食道运动中的成像运动中的应用，并且相对尚未探索。在这项工作中，我们提出了一个称为力学的MRI（MRI-MEC）的计算框架，该计算框架增强了该能力，从而增加了动态MRI在诊断食管疾病中的适用性。菠萝汁用作动态MRI的吞咽对比材料，MRI图像序列被用作MRI-MECH的输入。 MRI-MECH将食道建模为柔性的一维管，弹性管壁遵循线性管定律。然后，通过一维质量和动量保护方程式，通过食道流动。这些方程是使用物理信息的神经网络（PINN）求解的。 PINN最大程度地减少了MRI测量和模型预测之间的差异，以确保始终遵循流体流量问题的物理。 MRI-Mech计算了食管转运期间的流体速度和压力，并通过计算壁刚度和主动弛豫来估计食道健康的机械健康。此外，MRI-Mech预测了在排空过程中有关下食管下括约肌的缺失信息，这证明了其适用于缺少数据或图像分辨率差的方案。除了基于食管机械健康的定量估计值来改善临床决策外，MRI-MECH还可以增强用于应用其他医学成像方式以增强其功能。

卷积神经网络（CNNS）现在可以实现挑战对象识别任务的人为级别性能。 CNNS也是在视觉识别任务中预测神经和行为响应方面的主要定量模型。然而，有一个广泛接受的CNN模型批评：与新生动物不同，这些动物迅速和高效地学习，CNN被认为是“饥饿的数据”，需要大量的训练数据来开发用于对象识别的准确模型。这种批评挑战了使用CNNS作为可视化发展模型的承诺。在这里，我们通过对新生儿小鸡和CNNS进行平行控制饲养的实验，直接检查CNNS比新生动物更饥饿的数据。我们在严格控制的视觉环境中提出了新生儿小鸡，然后通过在视频游戏引擎中构建虚拟动物室来模拟该环境中提供的培训数据。我们记录了通过虚拟室移动的代理获取的视觉图像，并使用这些图像来训练CNN。当CNN收到与小鸡相似的视觉训练数据时，CNN成功解决了与小鸡相同的具有挑战性的视图 - 不变的对象识别任务。因此，CNNS并不多于动物的数据：CNN和CHICK两者都从单个对象的训练数据成功开发了强大的对象模型。

在本文中，审计了利用了用于路径规划和碰撞避免的强化学习算法的室内自主输送系统的语用实现。所提出的系统是一种成本效益的方法，用于促进覆盆子PI控制的四轮驱动非正度机器人映射网格。该方法计算并导航从源键点到目的地键点的最短路径以执行所需的递送。Q学习和深度学习用于找到最佳路径，同时避免与静态障碍物碰撞。这项工作定义了一种在机器人上部署这两个算法的方法。还提出了一种新颖的算法，将方向阵列解码为特定动作空间中的准确运动。遵循将该系统分发的程序，描述了我的要求，呈现我们对室内自治送货车的概念证明。

食管障碍的发病机制与食管壁力学有关。因此，要了解各种食管障碍背后的潜在基本机制，将基于食管壁力学的参数映射到与改变的推注途径和超级性IBP对应的生理和病理生理学条件至关重要。在这项工作中，我们提出了一种混合框架，将流体力学和机器学习结合，以识别各种食管障碍的底层物理，并将它们映射到我们称之为虚拟疾病景观（VDL）的参数空间上。一维逆模型处理来自食道诊断装置的输出，称为内窥镜功能腔成像探针（endoflip）来估计食道的机械“健康”，通过预测一组基于机械基的参数，例如食道壁刚度，肌肉收缩食管墙的模式和活跃放松。然后使用基于机械基的参数来训练由改变空间（VAE）组成的神经网络，其产生潜在空间和侧面网络，该侧面网络预测用于估计食道古代结动性的机械工作度量。潜在的矢量以及一组基于基于机械的参数定义VDL并形成与各种食管疾病相对应的簇。 VDL不仅区分不同的疾病，而且还可用于预测疾病进展及时。最后，我们还证明了该框架的临床适用性，用于估算治疗后治疗和追踪患者状况的有效性。