通过采用卷积神经网络（CNN）进行电路结构的分割，深度学习在具有挑战性的电路注释任务中取得了巨大的成功。深度学习方法需要大量手动注释的培训数据才能实现良好的性能，如果在给定数据集上培训的深度学习模型被应用于其他数据集，则可能导致性能降解。这通常称为电路注释的域移位问题，这源于不同图像数据集的分布的较大变化。可以从单个设备中的不同设备或不同层获得不同的图像数据集。为了解决域移位问题，我们提出了直方图门控图像翻译（HGIT），这是一个无监督的域适应框架，将图像从给定的源数据集转换为目标数据集的域，并利用转换的图像来训练段网络。具体而言，我们的HGIT执行基于生成的对抗网络（GAN）的图像翻译，并利用直方图统计数据进行数据策划。实验是在适应三个不同目标数据集（无标签的单个标记源数据集上进行的，并评估了每个目标数据集的分割性能。我们已经证明，与报道的域适应技术相比，我们的方法达到了最佳性能，并且还可以合理地接近完全监督的基准。

Accurately predicting interactive road agents' future trajectories and planning a socially compliant and human-like trajectory accordingly are important for autonomous vehicles. In this paper, we propose a planning-centric prediction neural network, which takes surrounding agents' historical states and map context information as input, and outputs the joint multi-modal prediction trajectories for surrounding agents, as well as a sequence of control commands for the ego vehicle by imitation learning. An agent-agent interaction module along the time axis is proposed in our network architecture to better comprehend the relationship among all the other intelligent agents on the road. To incorporate the map's topological information, a Dynamic Graph Convolutional Neural Network (DGCNN) is employed to process the road network topology. Besides, the whole architecture can serve as a backbone for the Differentiable Integrated motion Prediction with Planning (DIPP) method by providing accurate prediction results and initial planning commands. Experiments are conducted on real-world datasets to demonstrate the improvements made by our proposed method in both planning and prediction accuracy compared to the previous state-of-the-art methods.

经过对人体跟踪系统引起的隐私问题的调查，我们提出了一种黑盒对抗攻击方法，该方法对最先进的人类检测模型，称为Invisibilitee。该方法学习了可打印的对抗图案，适用于T恤，这些T恤在人体跟踪系统前的物理世界中抓起佩戴者。我们设计了一种角度不足的学习方案，该方案利用了时尚数据集的分割和几何扭曲过程，因此生成的对抗模式可有效从所有摄像机角度和看不见的黑盒检测模型欺骗人检测器。数字环境和物理环境中的经验结果表明，随着Invisibilitee的启用，人体跟踪系统检测佩戴者的能力显着下降。

在科学研究界，大脑中的记忆信息通常被认为储存在突触中 - 这是一个着名的假设归因于心理学家唐纳德Hebb。然而，存在少数少数群体，在分子（RNA或DNA）水平的神经元内储存内存的少数群体 - 一种称为细胞内在假设的替代假设，由心理学家Randy Gallistel创造。在本文中，我们审查了来自论证双方的关键实验证据。我们从Eric Kandel关于海绵的研究开始，这提供了第一个支持突触假设的证据。接下来，我们触及John O'Keefe（陈述内存和海马）和Joseph Ledoux（程序恐惧记忆和Amygdala）的小鼠实验。然后，我们将突触介绍为当今人工智能神经网络的基本构建块。在此之后，我们描述了大卫格兰茨曼在海绵中解离记忆储存和突触变化的研究，以及Susumu Tonegawa在使用激光使用激光器重新激活逆行失忆的实验。从那里，我们突出了Sigund Hesslow在雪貂的条件暂停的实验，Beatrice Gelber在没有突触的单细胞生物体中的调理实验（ParameCium Aurelia）。随后是David Glanzman的描述，使用RNA在海块之间移植内存的实验。最后，我们概述了Brian Dia和Kerry Ressler对父母从父母到后代的小鼠的DNA转移的实验。我们得出结论，对更广泛的心理领域的一些潜在影响。