扩散模型是一类强大的生成模型类别，可以迭代地贬低样品生成数据。尽管许多作品都集中在此抽样过程中的迭代次数上，但很少有人专注于每次迭代的成本。我们发现，添加简单的VIT风格的修补转换可以大大减少扩散模型的采样时间和内存使用情况。我们通过对扩散模型目标的分析以及在LSUN教堂，Imagenet 256和FFHQ1024上进行的经验实验来证明我们的方法是合理的。我们在Tensorflow和Pytorch中提供了实现。

Cashews are grown by over 3 million smallholders in more than 40 countries worldwide as a principal source of income. As the third largest cashew producer in Africa, Benin has nearly 200,000 smallholder cashew growers contributing 15% of the country's national export earnings. However, a lack of information on where and how cashew trees grow across the country hinders decision-making that could support increased cashew production and poverty alleviation. By leveraging 2.4-m Planet Basemaps and 0.5-m aerial imagery, newly developed deep learning algorithms, and large-scale ground truth datasets, we successfully produced the first national map of cashew in Benin and characterized the expansion of cashew plantations between 2015 and 2021. In particular, we developed a SpatioTemporal Classification with Attention (STCA) model to map the distribution of cashew plantations, which can fully capture texture information from discriminative time steps during a growing season. We further developed a Clustering Augmented Self-supervised Temporal Classification (CASTC) model to distinguish high-density versus low-density cashew plantations by automatic feature extraction and optimized clustering. Results show that the STCA model has an overall accuracy of 80% and the CASTC model achieved an overall accuracy of 77.9%. We found that the cashew area in Benin has doubled from 2015 to 2021 with 60% of new plantation development coming from cropland or fallow land, while encroachment of cashew plantations into protected areas has increased by 70%. Only half of cashew plantations were high-density in 2021, suggesting high potential for intensification. Our study illustrates the power of combining high-resolution remote sensing imagery and state-of-the-art deep learning algorithms to better understand tree crops in the heterogeneous smallholder landscape.

检测零日（新颖）攻击的能力在网络安全行业中变得至关重要。由于不断发展的攻击签名，现有的网络入侵检测系统通常无法检测到这些威胁。该项目旨在通过利用进入私人网络之前捕获的网络流量来解决检测零日DDO（分布式拒绝服务）攻击的任务。现代特征提取技术与神经网络结合使用，以确定网络数据包是良性还是恶意。

预测，预测了大量的机器人和人为辅助任务。 NASA为了解这些天体的地质和构成的努力在很大程度上取决于机器人臂的使用。当人类与机器人探险家一起工作时，安全性和冗余方面至关重要。此外，机器人臂对于卫星维修和计划的轨道碎片缓解任务至关重要。这项工作的目的是创建一个基于自定义的计算机视觉（CV）的人工神经网络（ANN），该神经网络将能够快速识别从单个（RGB-D）的7度自由（DOF）机器人组的姿势图像 - 就像人类可以轻松识别手臂是否指向一定方向一样。 Sawyer机器人臂用于开发和培训这种智能算法。由于Sawyer的关节空间涵盖了7个维度，因此覆盖整个联合配置空间是一项无法克服的任务。在这项工作中，使用类似于Taguchi方法的正交阵列，以有效地跨越关节空间，以最少的训练图像数量。该生成的数据库用于训练自定义ANN，其准确度平均等于数据库生成使用的最小关节位移步骤的两倍。预先训练的ANN将有助于估计在太空站，航天器和流浪者作为辅助工具或应急计划上使用的机器人操纵器的姿势。

机器人和人类月球着陆是未来NASA任务的重点。精确着陆功能对于确保任务的成功以及着陆器和机组人员的安全至关重要。在进入表面的方法中，存在与危险相对导航相关的多个挑战，以确保安全着陆。本文将重点介绍被动自主危害检测和避免子系统，以对指导系统的可能着陆区进行初步评估。该系统使用单个摄像头和Mobilenetv2神经网络体系结构来检测和辨别安全的着陆点和危险，例如岩石，阴影和陨石坑。然后，来自运动的单眼结构将重新创建表面以提供斜率和粗糙度分析。

这项工作利用MobileNETV2卷积神经网络（CNN）快速，移动检测卫星和拒绝恒星，在混乱的未解决的空间图像中。首先，使用合成卫星图像程序中的图像创建自定义数据库，并在卫星上标记为“卫星阳性”图像的框架框。然后在此数据库上训练CNN，并通过在由真实望远镜图像构建的外部数据集上检查模型的准确性来验证推理。在此过程中，训练有素的CNN提供了一种快速卫星识别方法，可在基于地面的轨道估计中使用。

本文旨在提高用于车辆系统的Kinodynamic规划师的路径质量和计算效率。它提出了一个学习框架，用于在具有动态的系统的基于采样的运动规划仪的扩展过程中识别有前途的控制。离线，学习过程训练，以返回最高质量控制，以便在没有来自其当前状态和局部目标状态之间的输入差异矢量的障碍物的情况下达到局部目标状态（即航点）。数据生成方案在目标色散上提供界限，并使用状态空间修剪以确保高质量控制。通过专注于系统的动态，该过程是数据高效并发生一次动态系统，使其可用于具有模块化扩展功能的不同环境。这项工作与a）将所提出的学习过程集成了一个）探索性扩展功能，该探索性扩展函数在可到达空间上生成有偏见的覆盖范围，B）为移动机器人提出了一种利用的扩展功能，其使用内侧轴信息生成航点。本文评估了第一和二阶差分驱动系统的学习过程和相应的规划仪。结果表明，拟议的学习和规划的整合可以产生比Kinodynamic规划更好的质量路径，随机控制在较少的迭代和计算时间。

通常在高维生物数据集中发现的最常见的缺陷之一是特征之间的相关性。这可能导致统计和机器学习方法过度或低估这些相关预测因素，而真正相关的则被忽略。在本文中，我们将定义一种名为“成对置换算法}（PPA）的新方法，其目的是在特征重要性值中减轻相关偏差。首先，我们提供了一个理论基础，在以前的工作中建立了折射重要性。然后将PPA应用于玩具数据集，我们展示了校正相关效果的能力。我们进一步测试PPA在微生物霰弹枪数据集上，表明PPA已经能够获得生物相关的生物标志物。

我们提出了两个关于量子计算机精确学习的新结果。首先，我们展示了如何从$ o（k ^ {1.5}（\ log k）^ 2）$统一量子示例的$ o（k ^ {1.5}（\ log k）^ 2）的$ k $ -fourier-sparse $ n $ -fourier-sparse $ n $ k $ -fourier-sparse $ n $ couber boolean函数。这改善了$ \ widetilde {\ theta}（kn）$统一的randuly \ emph {classical}示例（haviv和regev，ccc'15）。此外，我们提供了提高我们的$ \ widetilde {o}（k ^ {1.5}）美元的可能方向，通过证明k $-$ -fourier-稀疏的布尔函数的改进，通过提高Chang的Lemma。其次，如果可以使用$ q $量子会员查询可以完全学习概念类$ \ mathcal {c} $，则也可以使用$ o o \ left（\ frac {q ^ 2} {\ logq} \ log | \ mathcal {c} | \右）$ \ emph {classical}会员查询。这通过$ \ log q $ -factor来改善最佳的仿真结果（Servedio和Gortler，Sicomp'04）。