稀疏深度测量在许多应用中广泛可用，例如增强现实，视觉惯性机器人和机器人，配备低成本深度传感器。虽然这种稀疏的深度样本适用于运动跟踪等某些应用，但是完整的深度图通常优选用于更广泛的应用，例如3D对象识别，三维重建和自主驾驶。尽管近期从具有更深的神经网络的单个RGB图像深度预测的进步，但现有方法不会产生可靠的实际使用结果。在这项工作中，我们提出了一种具有后优化后的神经网络，它将RGB图像和稀疏深度样本作为输入，并预测完整的深度图。我们提出了三项主要贡献来推进最先进的：一个名为EDNET的改进的骨干网络架构，一个语义边缘加权损失功能和语义网格变形优化方法。我们的评估结果优于在室内和室外数据集中一致地表达现有的工作，并且在NYU-Deaft-V2数据集上的200个稀疏样本的相同设置下，显着降低平均平均误差高达19.5％。

Fighting online hate speech is a challenge that is usually addressed using Natural Language Processing via automatic detection and removal of hate content. Besides this approach, counter narratives have emerged as an effective tool employed by NGOs to respond to online hate on social media platforms. For this reason, Natural Language Generation is currently being studied as a way to automatize counter narrative writing. However, the existing resources necessary to train NLG models are limited to 2-turn interactions (a hate speech and a counter narrative as response), while in real life, interactions can consist of multiple turns. In this paper, we present a hybrid approach for dialogical data collection, which combines the intervention of human expert annotators over machine generated dialogues obtained using 19 different configurations. The result of this work is DIALOCONAN, the first dataset comprising over 3000 fictitious multi-turn dialogues between a hater and an NGO operator, covering 6 targets of hate.

通过基于文本的符号表示棋盘游戏及其位置，可以实现NLP应用程序的可能性。语言模型可以帮助您深入了解各种有趣的问题，例如游戏的无监督学习规则，检测玩家的行为模式，玩家归因，并最终学习游戏以击败最新技术。在这项研究中，我们将BERT模型应用于简单的NIM游戏，以在噪音的存在下进行几次学习架构的噪声分析。我们通过三个虚拟玩家，即Nim Guru，Random Player和Q-Learner分析了模型性能。在第二部分中，我们将游戏学习语言模型应用于国际象棋游戏，以及一系列带有详尽百科全书开口的大师游戏。最后，我们已经表明，模型实际上可以学习国际象棋游戏的规则，并且可以在类别的评分级别上与Stockfish一起生存。

车辆可见光通信（V-VLC）是一种有前途的智能运输系统（ITS）技术，用于车辆到车辆（V2V）和基础设施（V2I）通信，利用发光二极管（LED）。 V-VLC系统性能的主要劣化因子是噪声。与传统的射频（RF）为基础的系统不同，V-VLC系统包括许多噪声源：太阳辐射，车辆，街道，停车车库和隧道灯的背景照明。传统的V-VLC系统噪声建模基于射击和热噪声形式的添加剂白色高斯噪声假设。在本文中，为了研究V-VLC信道的时间相关和白噪声分量，我们提出了基于Allan方差（AVAR）的噪声分析，该分析提供了一个时间序列分析方法来识别数据的噪声。我们还提出了一种基于广义的维纳流程的V-VLC信道噪声合成方法，以产生不同的噪声分量。我们进一步提出了一种基于卷积的自动化器（CAE）的去噪方案，以减少V-VLC信号噪声，分别实现0.0442和0.0474的重建根均方误差（RMSE），用于室内和室外通道。

由于其低复杂性和鲁棒性，机器学习（ML）吸引了对物理层设计问题的巨大研究兴趣，例如信道估计。通道估计通过ML需要在数据集上进行模型训练，该数据集通常包括作为输入和信道数据的接收的导频信号作为输出。在以前的作品中，模型培训主要通过集中式学习（CL）进行，其中整个训练数据集从基站（BS）的用户收集。这种方法引入了数据收集的巨大通信开销。在本文中，为了解决这一挑战，我们提出了一种用于频道估计的联邦学习（FL）框架。我们设计在用户的本地数据集上培训的卷积神经网络（CNN），而不将它们发送到BS。我们为常规和RIS（智能反射表面）开发了基于流的信道估计方案，辅助大规模MIMO（多输入多输出）系统，其中单个CNN为两种情况训练了两个不同的数据集。我们评估噪声和量化模型传输的性能，并表明所提出的方法提供大约16倍的开销比CL，同时保持令人满意的性能接近CL。此外，所提出的架构表现出比最先进的ML的估计误差较低。

机器学习（ML）最近在车辆网络中采用了用于自动驾驶，道路安全预测和车辆对象检测等应用，这是由于其无模型的特性，从而允许自适应快速响应。但是，这些ML应用程序中的大多数采用集中学习（CL），这为参数服务器和车辆边缘设备之间的数据传输带来了重要的开销。联合学习（FL）框架最近被引入为有效的工具，目的是通过传输模型更新而不是整个数据集来减少传输开销，同时通过传输来实现隐私。在本文中，我们调查了FL在车辆网络应用中的用法来开发智能运输系统。我们提供了有关FL对基于ML的车辆应用的可行性的全面分析，并通过利用基于图像的数据集作为案例研究来研究对象检测。然后，我们从学习的角度（即数据标签和模型培训）以及从通信的角度（即数据速率，可靠性，传输开销，隐私和资源管理）确定了主要挑战。最后，我们重点介绍了车辆网络中FL的未来研究指示。