很难收集足够的缺陷图像来训练工业生产中的深度学习网络。因此，现有的工业异常检测方法更喜欢使用基于CNN的无监督检测和本地化网络来实现此任务。但是，由于传统的端到端网络在高维空间中符合非线性模型的障碍，因此这些方法总是失败。此外，它们通过将正常图像的特征群群群群群群集成，这基本上是导致纹理变化不健壮的。为此，我们提出了基于视觉变压器的（基于VIT）的无监督异常检测网络。它利用层次任务学习和人类经验来增强其解释性。我们的网络包括模式生成和比较网络。模式生成网络使用两个基于VIT的编码器模块来提取两个连续图像贴片的功能，然后使用基于VIT的解码器模块来学习这些功能的人类设计样式并预测第三张图像贴片。之后，我们使用基于暹罗的网络来计算“生成图像补丁”和“原始图像补丁”的相似性。最后，我们通过双向推理策略来完善异常定位。公共数据集MVTEC数据集的比较实验显示我们的方法达到了99.8％的AUC，它超过了先前的最新方法。此外，我们在自己的皮革和布数据集上给出了定性插图。准确的片段结果强烈证明了我们方法在异常检测中的准确性。

缺失痕迹的插值和重建是地震数据处理的关键步骤，此外，这也是一个高度不良的问题，尤其是对于复杂的情况，例如高比率随机离散丢失，连续缺失和缺失，富含断层或盐分身体调查。这些复杂的案例在当前作品中很少提及。为了应对复杂的缺失案例，我们提出了一种新型的3-D GAN框架的多维对抗GAN（MDA GAN）。它可以在3D复合物使用三个歧视器缺少重建后，保持数据的各向异性和空间连续性。该功能缝合模块的设计并嵌入到发电机中，以保留更多输入数据的信息。 TANH横熵（TCE）损失是得出的，该损失为生成器提供了最佳的重建梯度，以使生成的数据更加平滑且连续。我们通过实验验证了研究的各个组件的有效性，然后在多个可公开的数据上测试了该方法。该方法实现了多达95％的随机离散缺失和100个连续缺失的痕迹的合理重建。在断层和盐体富含调查中，MDA GAN仍然为复杂病例带来令人鼓舞的结果。在实验上，已经证明，在简单和复杂的情况下，我们的方法的性能要比其他方法更好。https：//github.com/douyimin/mda_gan

基于模型的强化学习引起了广泛的样本效率。尽管到目前为止，它令人印象深刻，但仍然不清楚如何适当安排重要的超参数，以实现足够的性能，例如基于Dyna样式的算法中的政策优化的实际数据比。在本文中，我们首先分析了实际数据在政策培训中的作用，这表明逐渐增加了实际数据的比例会产生更好的性能。灵感来自分析，我们提出了一个名为autombpo的框架，以自动安排真实的数据比以及基于培训模型的策略优化（MBPO）算法的其他超参数，是基于模型的方法的代表性运行情况。在几个连续控制任务上，由AutomBPO安排的HyperParameters培训的MBPO实例可以显着超越原始的，并且AutomBPO找到的真实数据比例计划显示了与我们的理论分析的一致性。

数据驱动的故障检测已被视为3D图像分割任务。从合成数据训练的模型在某些调查中很难概括。最近，使用稀疏手动2D切片的训练3D断层分割被认为会产生令人鼓舞的结果，但是手动标记具有许多假阴性标签（异常注释），这对训练有害，因此对检测性能有害。在稀疏的2D标签下训练3D断层分割网络的动机，同时抑制假阴性标签，我们分析了训练过程梯度，并提出了蒙版骰子（MD）损失。此外，故障是一个边缘功能，并且当前的编码器decoder架构广泛用于故障检测（例如，U形网络）不利于边缘表示。因此，提出了故障网络，该故障网络是为故障的特征而设计的，采用高分辨率传播特征，并嵌入多尺度压缩融合块以融合多尺度信息，从而使边缘信息在传播和融合过程中得到充分保存，从而通过几个计算资源实现高级性能。实验表明，MD损失支持将人类经验纳入训练中，并抑制其中的假阴性标签，从而使基线模型可以提高性能并推广到更多的调查。故障网络能够提供对故障的更稳定和可靠的解释，它使用极低的计算资源，并且推断的速度明显快于其他模型。我们的方法表明与几种主流方法相比，最佳性能。

Deep Convolutional Neural Networks (DCNNs) have exhibited impressive performance on image super-resolution tasks. However, these deep learning-based super-resolution methods perform poorly in real-world super-resolution tasks, where the paired high-resolution and low-resolution images are unavailable and the low-resolution images are degraded by complicated and unknown kernels. To break these limitations, we propose the Unsupervised Bi-directional Cycle Domain Transfer Learning-based Generative Adversarial Network (UBCDTL-GAN), which consists of an Unsupervised Bi-directional Cycle Domain Transfer Network (UBCDTN) and the Semantic Encoder guided Super Resolution Network (SESRN). First, the UBCDTN is able to produce an approximated real-like LR image through transferring the LR image from an artificially degraded domain to the real-world LR image domain. Second, the SESRN has the ability to super-resolve the approximated real-like LR image to a photo-realistic HR image. Extensive experiments on unpaired real-world image benchmark datasets demonstrate that the proposed method achieves superior performance compared to state-of-the-art methods.

Face super-resolution is a domain-specific image super-resolution, which aims to generate High-Resolution (HR) face images from their Low-Resolution (LR) counterparts. In this paper, we propose a novel face super-resolution method, namely Semantic Encoder guided Generative Adversarial Face Ultra-Resolution Network (SEGA-FURN) to ultra-resolve an unaligned tiny LR face image to its HR counterpart with multiple ultra-upscaling factors (e.g., 4x and 8x). The proposed network is composed of a novel semantic encoder that has the ability to capture the embedded semantics to guide adversarial learning and a novel generator that uses a hierarchical architecture named Residual in Internal Dense Block (RIDB). Moreover, we propose a joint discriminator which discriminates both image data and embedded semantics. The joint discriminator learns the joint probability distribution of the image space and latent space. We also use a Relativistic average Least Squares loss (RaLS) as the adversarial loss to alleviate the gradient vanishing problem and enhance the stability of the training procedure. Extensive experiments on large face datasets have proved that the proposed method can achieve superior super-resolution results and significantly outperform other state-of-the-art methods in both qualitative and quantitative comparisons.

手指静脉识别是一种新兴的生物识别识别技术。与人体表面上的其他生物特征不同，手指的静脉血管组织被埋在皮肤深处。由于这种优势，手指静脉识别是高度稳定和私人的。它们几乎不可能被外部条件偷走且难以干预。与基于传统机器学习的手指静脉识别方法不同，人工神经网络技术，尤其是深度学习，它不依赖功能工程并具有出色的性能。为了总结基于人工神经网络的手指静脉识别的发展，本文收集了149篇相关论文。首先，我们介绍了手指静脉识别的背景和这项调查的动机。然后，引入了人工神经网络的发展历史和手指静脉识别任务上的代表网络。然后描述在手指静脉识别中广泛使用的公共数据集。之后，我们分别基于经典神经网络和深层神经网络总结了相关的手指静脉识别任务。最后，讨论了手指静脉识别的挑战和潜在发展方向。据我们所知，本文是第一次综合调查，重点是基于人工神经网络的指静脉识别。

Finger静脉图像识别技术在生物识别识别中起着重要作用，并已成功应用于许多领域。由于静脉被埋在皮肤组织下方，因此手指静脉图像识别具有无与伦比的优势，因此不容易被外部因素打扰。这篇综述总结了有关手指静脉图像识别的46篇论文，从2017年到2021年。这些论文根据深神经网络的任务进行了汇总。此外，我们提出了手指静脉图像识别的挑战和潜在发展方向。

注释大规模数据集以进行监督的视频阴影检测方法是一项挑战。直接使用在标记的图像上训练的模型直接导致高概括错误和时间不一致的结果。在本文中，我们通过提出一个时空插值一致性训练（Stict）框架来解决这些挑战，以合理地将未标记的视频框架以及标记的图像以及图像阴影检测网络训练中进行合理地馈送。具体而言，我们提出了空间和时间ICT，其中定义了两个新的插值方案，\ textit {i.e。}，空间插值和时间插值。然后，我们相应地得出了相应的空间和时间插值一致性约束，以增强像素智能分类任务中的概括和分别鼓励时间一致的预测。此外，我们设计了一个量表感知网络，用于图像中的多尺度阴影知识学习，并提出了比例一致性约束，以最大程度地减少不同尺度上预测之间的差异。我们提出的方法在VISHA数据集和自称数据集上得到了广泛的验证。实验结果表明，即使没有视频标签，我们的方法也比大多数最新的监督，半监督或无监督的图像/视频阴影检测方法以及相关任务中的其他方法更好。代码和数据集可在\ url {https://github.com/yihong-97/stict}上获得。

现有的实例分割方法已经达到了令人印象深刻的表现，但仍遭受了共同的困境：一个实例推断出冗余表示（例如，多个框，网格和锚点），这导致了多个重复的预测。因此，主流方法通常依赖于手工设计的非最大抑制（NMS）后处理步骤来选择最佳预测结果，这会阻碍端到端训练。为了解决此问题，我们建议一个称为Uniinst的无盒和无端机实例分割框架，该框架仅对每个实例产生一个唯一的表示。具体而言，我们设计了一种实例意识到的一对一分配方案，即仅产生一个表示（Oyor），该方案根据预测和地面真相之间的匹配质量，动态地为每个实例动态分配一个独特的表示。然后，一种新颖的预测重新排列策略被优雅地集成到框架中，以解决分类评分和掩盖质量之间的错位，从而使学习的表示形式更具歧视性。借助这些技术，我们的Uniinst，第一个基于FCN的盒子和无NMS实例分段框架，实现竞争性能，例如，使用Resnet-50-FPN和40.2 mask AP使用Resnet-101-FPN，使用Resnet-50-FPN和40.2 mask AP，使用Resnet-101-FPN，对抗AP可可测试-DEV的主流方法。此外，提出的实例感知方法对于遮挡场景是可靠的，在重锁定的ochuman基准上，通过杰出的掩码AP优于公共基线。我们的代码将在出版后提供。