Given an untrimmed video and natural language query, video sentence grounding aims to localize the target temporal moment in the video. Existing methods mainly tackle this task by matching and aligning semantics of the descriptive sentence and video segments on a single temporal resolution, while neglecting the temporal consistency of video content in different resolutions. In this work, we propose a novel multi-resolution temporal video sentence grounding network: MRTNet, which consists of a multi-modal feature encoder, a Multi-Resolution Temporal (MRT) module, and a predictor module. MRT module is an encoder-decoder network, and output features in the decoder part are in conjunction with Transformers to predict the final start and end timestamps. Particularly, our MRT module is hot-pluggable, which means it can be seamlessly incorporated into any anchor-free models. Besides, we utilize a hybrid loss to supervise cross-modal features in MRT module for more accurate grounding in three scales: frame-level, clip-level and sequence-level. Extensive experiments on three prevalent datasets have shown the effectiveness of MRTNet.

LiDAR mapping is important yet challenging in self-driving and mobile robotics. To tackle such a global point cloud registration problem, DeepMapping converts the complex map estimation into a self-supervised training of simple deep networks. Despite its broad convergence range on small datasets, DeepMapping still cannot produce satisfactory results on large-scale datasets with thousands of frames. This is due to the lack of loop closures and exact cross-frame point correspondences, and the slow convergence of its global localization network. We propose DeepMapping2 by adding two novel techniques to address these issues: (1) organization of training batch based on map topology from loop closing, and (2) self-supervised local-to-global point consistency loss leveraging pairwise registration. Our experiments and ablation studies on public datasets (KITTI, NCLT, and Nebula) demonstrate the effectiveness of our method. Our code will be released.

共享连接和自动驾驶汽车（CAV）之间的信息从根本上改善了自动驾驶的协作对象检测的性能。但是，由于实际挑战，骑士仍然存在不确定性的对象检测，这将影响自动驾驶中的后来模块，例如计划和控制。因此，不确定性定量对于诸如CAV等安全至关重要系统至关重要。我们的工作是第一个估计协作对象检测的不确定性的工作。我们提出了一种新型的不确定性量化方法，称为Double-M量化，该方法通过直接建模到边界框的每个角落的多变量高斯分布来定制移动块引导（MBB）算法。我们的方法基于离线双M训练过程，通过一个推理通过了一个推理，同时捕获了认知的不确定性和差异不确定性。它可以与不同的协作对象检测器一起使用。通过对综合协作感知数据集进行的实验，我们表明，与最先进的不确定性量化方法相比，我们的双M方法在不确定性评分和3％的准确度上提高了4倍以上。我们的代码在https://coperception.github.io/double-m-quantification上公开。

我们提出了一种新方法，以从多个人的一组稀疏的多视图图像中学习通用的动画神经人类表示。学到的表示形式可用于合成一组稀疏相机的任意人的新型视图图像，并通过用户的姿势控制进一步对它们进行动画。尽管现有方法可以推广到新人，也可以通过用户控制合成动画，但它们都不能同时实现。我们将这一成就归因于用于共享多人人类模型的3D代理，并将不同姿势的空间的扭曲延伸到共享的规范姿势空间，在该空间中，我们在其中学习神经领域并预测个人和人物 - 姿势依赖性变形以及从输入图像中提取的特征的外观。为了应对身体形状，姿势和衣服变形的较大变化的复杂性，我们以分离的几何形状和外观设计神经人类模型。此外，我们在空间点和3D代理的表面点上都利用图像特征来预测人和姿势依赖性特性。实验表明，我们的方法在这两个任务上的最先进都大大优于最先进的方法。该视频和代码可在https://talegqz.github.io/neural_novel_actor上获得。

使用深网的Visual Place识别（VPR）已达到最先进的性能。但是，他们中的大多数都需要采用地面真相传感器姿势的培训，以获取每个观察的空间邻里的正面和负面样本，以进行监督学习。当不可用的信息不可用时，尽管我们发现其性能次优训练，但可以利用从顺序收集的数据流中的时间社区进行自我监督训练。受嘈杂的标签学习的启发，我们提出了一个名为\ textit {tf-vpr}的新颖的自我监督框架，该框架使用时间社区和可学习的特征邻域来发现未知的空间社区。我们的方法遵循一个迭代训练范式，该范式在以下方面交替：（1）与数据增强的表示学习，（2）正设置扩展以包括当前的特征空间邻居，以及（3）通过几何验证进行正面集合。我们在模拟数据集和真实数据集上进行了全面的实验，将RGB图像或点云作为输入进行。结果表明，我们的方法在召回率，稳健性和标题多样性方面优于我们的基准，这是我们为VPR提出的新型指标。可以在https://ai4ce.github.io/tf-vpr/上找到我们的代码和数据集。

主动回归考虑了一个线性回归问题，其中学习者会收到大量数据点，但只能观察到少数标签。由于在线算法可以处理增量培训数据并利用低计算成本，因此我们考虑了主动回归问题的在线扩展：学习者一一接收数据点，并立即决定是否应该收集相应的标签。目的是有效地维护收到的数据点的回归，并具有少量的标签查询回归。我们在$ \ ell_p $损失下为此问题提出了新算法，其中$ p \ in [1,2] $。要获得$（1+ \ epsilon）$ - 近似解决方案，我们提出的算法仅需要$ \ tilde {\ Mathcal {o}}（\ epsilon^{ - 2} d \ log（n \ kappa））$查询标签，其中$ n $是数据点的数量，而$ \ kappa $是数据点的数量，称为条件号。数值结果验证了我们的理论结果，并表明我们的方法与离线活性回归算法具有可比性的性能。

由直觉的激励，即在相应的3D点云中定位2D图像的关键步骤正在建立它们之间的2d-3d对应关系，我们提出了第一个基于特征的密度通信框架，以解决图像到点云注册问题，称为Corri2p，由三个模块组成，即特征嵌入，对称重叠区域检测和通过已建立的对应关系构成估计。具体而言，给定一对2D图像和3D点云，我们首先将它们转换为高维特征空间，并将结果特征馈入对称重叠区域检测器，以确定图像和点云相互重叠的区域。然后，我们使用重叠区域的功能在RANSAC内运行EPNP之前以估算相机的姿势，以建立2D-3D对应关系。 Kitti和Nuscenes数据集的实验结果表明，我们的Corri2p优于最先进的图像到点云注册方法。我们将公开提供代码。

最近，蒙面的预测预训练在自我监督的学习（SSL）方面取得了显着的进展，以进行语音识别。它通常需要以无监督的方式获得的代码簿，从而使其准确和难以解释。我们提出了两种监督指导的代码书生成方法，以提高自动语音识别（ASR）的性能以及预训练效率，要么通过使用混合ASR系统来解码以生成音素级别对准（命名为PBERT），要么通过在上进行集群进行聚类。从端到端CTC模型（命名CTC聚类）提取的监督语音功能。混合动力和CTC模型均经过与微调相同的少量标记语音训练。实验表明，我们的方法对各种SSL和自我训练基准的优势具有显着优势，相对减少了17.0％。我们的预训练模型在非ASR语音任务中还显示出良好的可传递性。

FreeSpace检测是自动驾驶技术的重要组成部分，并且在轨迹计划中起着重要作用。在过去的十年中，已证明基于深度学习的自由空间检测方法可行。但是，这些努力集中在城市道路环境上，由于缺乏越野基准，很少有针对越野自由空间检测专门设计的深度学习方法。在本文中，我们介绍了ORFD数据集，据我们所知，该数据集是第一个越野自由空间检测数据集。数据集收集在不同的场景（林地，农田，草地和乡村），不同的天气条件（阳光，多雨，雾气和雪地）以及不同的光线条件（明亮的光线，日光，暮光，黑暗）中，完全包含12,198 LIDAR点云和RGB图像对与可穿越的区域，不可传输区域和无法达到的区域进行了详细注释。我们提出了一个名为Off-NET的新型网络，该网络将变压器体系结构统一以汇总本地和全球信息，以满足大型接收领域的自由空间检测任务的要求。我们还向动态融合激光雷达和RGB图像信息提出了交叉注意，以进行准确的越野自由空间检测。数据集和代码可公开可用athttps：//github.com/chaytonmin/off-net。

基于面具的预训练在没有手动注释的监督的情况下，在图像，视频和语言中进行自我监督的学习取得了巨大的成功。但是，作为信息冗余数据，尚未在3D对象检测的字段中进行研究。由于3D对象检测中的点云是大规模的，因此无法重建输入点云。在本文中，我们提出了一个蒙版素分类网络，用于预训练大规模点云。我们的关键思想是将点云分为体素表示，并分类体素是否包含点云。这种简单的策略使网络是对物体形状的体素意识，从而改善了3D对象检测的性能。广泛的实验显示了我们在三个流行数据集（Kitti，Waymo和Nuscenes）上使用3D对象检测器（第二，Centerpoint和PV-RCNN）的预训练模型的效果。代码可在https：//github.com/chaytonmin/voxel-mae上公开获得。