After building a classifier with modern tools of machine learning we typically have a black box at hand that is able to predict well for unseen data. Thus, we get an answer to the question what is the most likely label of a given unseen data point. However, most methods will provide no answer why the model predicted the particular label for a single instance and what features were most influential for that particular instance. The only method that is currently able to provide such explanations are decision trees. This paper proposes a procedure which (based on a set of assumptions) allows to explain the decisions of any classification method.

The 1$^{\text{st}}$ Workshop on Maritime Computer Vision (MaCVi) 2023 focused on maritime computer vision for Unmanned Aerial Vehicles (UAV) and Unmanned Surface Vehicle (USV), and organized several subchallenges in this domain: (i) UAV-based Maritime Object Detection, (ii) UAV-based Maritime Object Tracking, (iii) USV-based Maritime Obstacle Segmentation and (iv) USV-based Maritime Obstacle Detection. The subchallenges were based on the SeaDronesSee and MODS benchmarks. This report summarizes the main findings of the individual subchallenges and introduces a new benchmark, called SeaDronesSee Object Detection v2, which extends the previous benchmark by including more classes and footage. We provide statistical and qualitative analyses, and assess trends in the best-performing methodologies of over 130 submissions. The methods are summarized in the appendix. The datasets, evaluation code and the leaderboard are publicly available at https://seadronessee.cs.uni-tuebingen.de/macvi.

在许多临床背景下，检测所有病变对于评估疾病活动至关重要。尽管获取分割标签的耗时性，但标准方法仍将病变检测作为分割问题。在本文中，我们提出了一种仅依赖点标签的病变检测方法。我们的模型通过热图回归训练，可以以概率方式检测可变数量的病变。实际上，我们提出的后处理方法提供了一种直接估计病变存在不确定性的可靠方法。GAD病变检测的实验结果表明，与昂贵的分割标签的培训相比，我们的基于点的方法具有竞争性。最后，我们的检测模型为分割提供了合适的预训练。仅在17个细分样本上进行微调时，我们实现了与完整数据集的培训相当的性能。

本文介绍了Cerberus机器人系统系统，该系统赢得了DARPA Subterranean挑战最终活动。出席机器人自主权。由于其几何复杂性，降解的感知条件以及缺乏GPS支持，严峻的导航条件和拒绝通信，地下设置使自动操作变得特别要求。为了应对这一挑战，我们开发了Cerberus系统，该系统利用了腿部和飞行机器人的协同作用，再加上可靠的控制，尤其是为了克服危险的地形，多模式和多机器人感知，以在传感器退化，以及在传感器退化的条件下进行映射以及映射通过统一的探索路径计划和本地运动计划，反映机器人特定限制的弹性自主权。 Cerberus基于其探索各种地下环境及其高级指挥和控制的能力，表现出有效的探索，对感兴趣的对象的可靠检测以及准确的映射。在本文中，我们报告了DARPA地下挑战赛的初步奔跑和最终奖项的结果，并讨论了为社区带来利益的教训所面临的亮点和挑战。

当我们讲话时，可以从嘴唇的运动中推断出演讲的韵律和内容。在这项工作中，我们探讨了唇部综合的唇部任务，即，仅考虑说话者的唇部运动，我们将学习言语的唇部运动，我们专注于学习准确的唇部，以在不受限制的大型词汇环境中为多个说话者提供语音映射。我们通过其面部特征，即年龄，性别，种族和嘴唇动作来捕捉说话者的声音身份，即产生说话者身份的言语。为此，我们提出了一种新颖的方法“ lip2speech”，并采用关键设计选择，以实现无约束场景中语音合成的准确唇部。我们还使用定量，定性指标和人类评估进行了各种实验和广泛的评估。

In general-sum games, the interaction of self-interested learning agents commonly leads to collectively worst-case outcomes, such as defect-defect in the iterated prisoner's dilemma (IPD). To overcome this, some methods, such as Learning with Opponent-Learning Awareness (LOLA), shape their opponents' learning process. However, these methods are myopic since only a small number of steps can be anticipated, are asymmetric since they treat other agents as naive learners, and require the use of higher-order derivatives, which are calculated through white-box access to an opponent's differentiable learning algorithm. To address these issues, we propose Model-Free Opponent Shaping (M-FOS). M-FOS learns in a meta-game in which each meta-step is an episode of the underlying inner game. The meta-state consists of the inner policies, and the meta-policy produces a new inner policy to be used in the next episode. M-FOS then uses generic model-free optimisation methods to learn meta-policies that accomplish long-horizon opponent shaping. Empirically, M-FOS near-optimally exploits naive learners and other, more sophisticated algorithms from the literature. For example, to the best of our knowledge, it is the first method to learn the well-known Zero-Determinant (ZD) extortion strategy in the IPD. In the same settings, M-FOS leads to socially optimal outcomes under meta-self-play. Finally, we show that M-FOS can be scaled to high-dimensional settings.

在通用游戏中学习是不稳定的，并且经常导致社会上不受欢迎（占主导地位）的结果。为了减轻这种情况，通过对手的学习意识（LOLA）通过计算每个代理人对对手预期的学习步骤的影响，从而介绍了对手的对手。但是，原始的Lola配方（和后续工作）是不一致的，因为Lola将其他代理商模仿为天真的学习者而不是Lola代理商。在以前的工作中，这种不一致被认为是萝拉未能保留稳定固定点（SFP）的原因。首先，我们将一致性形式化，并表明高阶Lola（Hola）如果汇聚解决了Lola的不一致问题。其次，我们纠正了Sch \“ Afer and Anandkumar（2019）在文献中提出的主张，证明了竞争性梯度下降（CGD）并未作为系列扩展（并且未能解决一致性问题）恢复Hola。第三，我们提出了一种称为一致LOLA（COLA）的新方法，该方法学习在相互对手塑造下保持一致的更新功能。它不需要二阶导数，并且即使Hola无法收敛，也需要一致的更新功能。但是，我们也证明了这一点即使是一致的更新功能也不能保留SFP，这与假设相矛盾：这种缺点是由Lola的不一致引起的。最后，在一系列通用游戏的经验评估中，我们发现可乐找到了亲社的解决方案，并且在更广泛的情况下会融合。与Hola和Lola相比，学习率的范围。我们以简单游戏的理论结果支持后一个发现。

我们呈现Fouriermask，它采用傅立叶系列与隐式的神经表示结合起来，以产生实例分段掩模。我们将傅里叶映射（FM）应用于坐标位置，并利用映射特征作为隐式表示的输入（基于坐标的多层Perceptron（MLP））。 FouriMASK学习为特定实例预测FM的系数，因此将FM适应特定对象。这允许Fouriermask广泛化以预测来自自然图像的实例分段掩模。由于隐式功能在输入坐标的域中是连续的，因此我们说明通过对输入像素坐标进行分采样，因此我们可以在推理期间生成更高的分辨率掩码。此外，我们在Fourimask的不确定预测上培训渲染器MLP（Fourrierrend），并说明它显着提高了面具的质量。与在相同输出分辨率的基线掩模R-CNN相比，Fourimask在MS Coco DataSet上显示竞争结果，并在更高分辨率上超越它。

深度学习表明了视觉识别和某些人工智能任务的成功应用。深度学习也被认为是一种强大的工具，具有近似功能的高度灵活性。在本工作中，设计具有所需属性的功能，以近似PDE的解决方案。我们的方法基于后验误差估计，其中解决了错误定位以在神经网络框架内制定误差估计器的伴随问题。开发了一种高效且易于实现的算法，以通过采用双重加权剩余方法来获得多个目标功能的后验误差估计，然后使用神经网络计算原始和伴随解决方案。本研究表明，即使具有相对较少的训练数据，这种基于数据驱动的模型的学习具有卓越的感兴趣量的近似。用数值测试实施例证实了新颖的算法发展。证明了在浅神经网络上使用深神经网络的优点，并且还呈现了收敛增强技术

在本文中，提出了一种新的深度学习框架，用于血管流动的时间超分辨率模拟，其中从低时间分辨率的流动模拟结果产生高时分分辨时变血管流动模拟。在我们的框架中，Point-Cloud用于表示复杂的血管模型，建议电阻 - 时间辅助表模型用于提取时变流场的时间空间特征，最后我们可以重建高精度和高精度高分辨率流场通过解码器模块。特别地，从速度的矢量特征提出了速度的幅度损失和方向损失。并且这两个度量的组合构成了网络培训的最终损失函数。给出了几个例子来说明血管流动时间超分辨率模拟所提出的框架的有效和效率。