神经风格转移是一种强大的计算机视觉技术，可以将一个图像的艺术“样式”纳入另一个图像的“内容”。该方法背后的基本理论取决于以下假设：图像的样式由其特征的革兰氏矩阵表示，该矩阵通常是从预先训练的卷积神经网络（例如VGG-19）中提取的。这个想法并不能直接扩展到时间序列风格化，因为二维图像的样式概念与一维时间序列的样式概念不类似。在这项工作中，提出了一种新颖的时间序列样式转移的表述，以实现合成数据的生成和增强。我们介绍了时间序列的程式化功能的概念，该功能与时间序列现实主义属性直接相关，并提出了一种新型的风格化算法，称为STYLETIME，该算法使用明确的功能提取技术来结合一个时间序列的基础内容（趋势）带有另一个样式（分销属性）。此外，我们讨论了评估指标，并将我们的工作与现有的最新时间序列生成和增强方案进行比较。为了验证我们的方法的有效性，我们使用风格化的合成数据作为数据增强的手段，以提高几个预测任务上经常性神经网络模型的性能。

隐式神经表示（INRS）最近已成为一种强大的工具，可提供准确和分辨率的数据编码。它们作为一般近似器的稳健性已在各种数据源中显示，并在图像，声音和3D场景表示方面进行了应用。但是，很少有人注意利用这些体系结构来代表和分析时间序列数据。在本文中，我们使用INRS分析了时间序列的表示，从重建精度和训练收敛速度进行比较不同的激活函数。我们展示了如何利用这些网络的时间序列的插补，并在单变量和多变量数据上进行了应用。最后，我们提出了一个超网络架构，该体系结构利用INR来学习整个时间序列数据集的压缩潜在表示。我们引入了基于FFT的损失来指导培训，以便在时间序列中保留所有频率。我们证明该网络可用于将时间序列编码为INR，并且可以将它们的嵌入方式内插以从现有时间序列中生成新的时间序列。我们通过将其用于数据增强来评估我们的生成方法，并表明它与当前的最新方法相对于时间序列的最新方法具有竞争力。

Graph representation of objects and their relations in a scene, known as a scene graph, provides a precise and discernible interface to manipulate a scene by modifying the nodes or the edges in the graph. Although existing works have shown promising results in modifying the placement and pose of objects, scene manipulation often leads to losing some visual characteristics like the appearance or identity of objects. In this work, we propose DisPositioNet, a model that learns a disentangled representation for each object for the task of image manipulation using scene graphs in a self-supervised manner. Our framework enables the disentanglement of the variational latent embeddings as well as the feature representation in the graph. In addition to producing more realistic images due to the decomposition of features like pose and identity, our method takes advantage of the probabilistic sampling in the intermediate features to generate more diverse images in object replacement or addition tasks. The results of our experiments show that disentangling the feature representations in the latent manifold of the model outperforms the previous works qualitatively and quantitatively on two public benchmarks. Project Page: https://scenegenie.github.io/DispositioNet/

Masader（Alyafeai等，2021）创建了一种元数据结构，用于分类阿拉伯NLP数据集。但是，开发一种简单的方法来探索这种目录是一项艰巨的任务。为了为探索目录的用户和研究人员提供最佳体验，必须解决一些设计和用户体验的挑战。此外，用户与网站的交互可能提供了一种简单的方法来改善目录。在本文中，我们介绍了Masader Plus，该网络接口供用户浏览masader。我们演示了数据探索，过滤和简单的API，该API允许用户从后端检查数据集。可以使用此链接https://arbml.github.io/masader探索masader plus。可以在此处找到的视频录制说明界面的录制https://www.youtube.com/watch?v=setDlseqchk。

我们提出了Covy - 一个机器人平台，可在Covid-19等大流行期间促进社会疏远。Covy具有一种新颖的复合视觉系统，使其能够检测到社会距离的破坏，最多可达16m。Covy使用混合导航堆栈自动地导航其周围环境，该堆栈结合了深钢筋学习（DRL）和概率定位方法。我们通过模拟和现实环境中的大量实验构建了完整的系统并评估了Covy的性能。除其他外，我们的结果表明，与基于DRL的纯解决方案相比，混合导航堆栈更强大。

最近已提出了为无监督的医学图像模型发现的成功深度学习技术。用于涂料的口罩通常独立于数据集，并且不适合在给定的解剖学类别中执行。在这项工作中，我们介绍了一种生成形状感知的面具的方法，旨在先验学习统计形状。我们假设，尽管掩模的变化改善了介入模型的普遍性，但面具的形状应遵循感兴趣的器官的拓扑结构。因此，我们提出了一种基于现成的镶嵌模型和超像素过度分段算法的无监督的指导掩蔽方法，以生成各种依赖形状依赖性掩码。腹部MR图像重建的实验结果表明，使用不规则形状掩模的方形或数据集，我们提出的掩蔽方法优于标准方法。

联邦学习（FL）是一种分布式学习方法，它为医学机构提供了在全球模型中合作的前景，同时保留患者的隐私。尽管大多数医疗中心执行类似的医学成像任务，但它们的差异（例如专业，患者数量和设备）导致了独特的数据分布。数据异质性对FL和本地模型的个性化构成了挑战。在这项工作中，我们研究了FL生产中间半全球模型的一种自适应分层聚类方法，因此具有相似数据分布的客户有机会形成更专业的模型。我们的方法形成了几个群集，这些集群由具有最相似数据分布的客户端组成；然后，每个集群继续分开训练。在集群中，我们使用元学习来改善参与者模型的个性化。我们通过评估我们在HAM10K数据集上的建议方法和极端异质数据分布的HAM10K数据集上的我们提出的方法，将聚类方法与经典的FedAvg和集中式培训进行比较。我们的实验表明，与标准的FL方法相比，分类精度相比，异质分布的性能显着提高。此外，我们表明，如果在群集中应用，则模型会更快地收敛，并且仅使用一小部分数据，却优于集中式培训。

随着世界人口的增加，必须修改粮食资源，以提高生产力，抵抗力和可靠性。小麦是世界上最重要的食品资源之一，主要是因为各种基于小麦的产品。小麦作物受到三种主要疾病的威胁，这些疾病会导致大量的农作物产量损害。这些疾病可以通过在正确的时间使用农药来消除。尽管手动喷洒农药的任务是繁重且昂贵的，但农业机器人技术可以通过提高速度和减少化学物质的量来帮助农民。在这项工作中，已经在无人驾驶飞机上实现了一个智能自主系统，以自动监测小麦田的任务。首先，一种基于图像的深度学习方法用于检测和分类感染了疾病的小麦植物。为了找到最佳方法，已经研究了不同的方法。由于缺乏公共小麦滴定数据集，因此已经创建了自定义数据集。其次，使用机器人操作系统和凉亭环境中的仿真提出了有效的映射和导航系统。 2D同时定位和映射算法用于借助基于边境的探索方法自动映射工作空间。

视网膜光学相干断层扫描（OCT）图像的自动分割已成为医疗应用机器学习的最新方向。我们假设层的解剖结构及其在OCT图像中的高频变化使视网膜OCT成为提取光谱域特征并将其与空间域特征相结合的合适选择。在这项工作中，我们提出了$ \ upsilon $ -NET，这是一种结合频域特征与图像域的体系结构，以改善OCT图像的分割性能。这项工作的结果表明，引入两个分支，一个用于光谱，一个用于空间域特征，带来了流体分割性能的显着改善，并且与知名的U-NET模型相比，允许表现优于性能。我们的进步是流体分割骰子得分的13％，平均骰子得分为1.9％。最后，删除光谱域中选定的频率范围证明了这些特征对流体分割优于表现的影响。

异常的可视化和检测异常（异常值）对许多领域，特别是网络安全的重要性至关重要。在这些领域提出了几种方法，但我们的知识迄今为止，它们都不是在一个相干框架中同时或合作地满足了两个目标。引入了这些方法的可视化方法，用于解释检测算法的输出，而不是用于促进独立视觉检测的数据探测。这是我们的出发点：未经避免，不审视和非分析方法，对Vission（人类流程）和检测（算法）的异常值，分配不变的异常分数（标准化为$ [0,1] $） ，而不是硬二元决定。 Novely的新颖性的主要方面是它将数据转换为新的空间，该空间是在本文中引入的作为邻域累积密度函数（NCDF），其中进行了可视化和检测。在该空间中，异常值非常明显可区分，因此检测算法分配的异常分数在ROC曲线（AUC）下实现了高区域。我们在模拟和最近公布的网络安全数据集中评估了不避免，并将其与其中的三种最成功的异常检测方法进行比较：LOF，IF和FABOD。就AUC而言，不避免几乎是整体胜利者。这篇文章通过提供了对未避免的新理论和实际途径的预测来了解。其中包括设计一种可视化辅助异常检测（Vaad），一种软件通过提供不避免的检测算法（在后发动机中运行），NCDF可视化空间（呈现为绘图）以及其他传统方法在原始特征空间中的可视化，所有这些都在一个交互环境中链接。