现代云计算系统包含数百到数千个计算和存储服务器。这种规模与不断增长的系统复杂性相结合，对可靠云计算的失败和资源管理导致关键挑战。自主失败检测是了解系统级可靠性保证的紧急，云现象和自我管理云资源的重要技术。要检测到失败，我们需要监控云执行并收集运行时性能数据。这些数据通常是未标记的，因此在生产云中并不总是可用的现有故障历史。在本文中，我们提出了一种\ emph {自我不断发展的异常检测}（SEAD）框架，用于云可靠性保证。我们的框架通过递归探索新验证的异常记录并在线持续更新异常探测器。作为我们框架的鲜明优势，云系统管理员只需要检查少量检测到的异常，并且它们的决定可以利用以更新探测器。因此，探测器在升级系统硬件，软件堆栈的更新和用户工作负载的更改之后演变。此外，我们设计了两种类型的探测器，一个用于一般异常检测，另一类用于特异性异常检测。在自我不断发展的技术的帮助下，我们的探测器可以平均达到88.94 \％的灵敏度和94.60 \％，这使得它们适合现实世界部署。

颜色和结构是结合形象的两个支柱。对神经网络识别的关键结构感兴趣，我们通过将颜色空间限制为几个位来隔离颜色的影响，并找到能够在此类约束下实现网络识别的结构。为此，我们提出了一个颜色量化网络Colorcnn，该网络通过最大程度地减少分类损失来学习在有限的颜色空间中构建图像。在Colorcnn的体系结构和见解的基础上，我们介绍了ColorCnn+，该+支持多种颜色空间大小的配置，并解决了以前的识别精度差的不良问题和在大型颜色空间下的不良视觉保真度。通过一种新颖的模仿学习方法，Colorcnn+学会了群集颜色，例如传统的颜色量化方法。这减少了过度拟合，并有助于在大颜色空间下的视觉保真度和识别精度。实验验证ColorCNN+在大多数情况下取得了非常有竞争力的结果，可以保留具有准确颜色的网络识别和视觉保真度的关键结构。我们进一步讨论关键结构和准确颜色之间的差异及其对网络识别的具体贡献。对于潜在应用，我们表明ColorCNN可以用作网络识别的图像压缩方法。

半监督的语义细分需要对未标记的数据进行丰富而强大的监督。一致性学习强制执行相同的像素在不同的增强视图中具有相似的特征，这是一个强大的信号，但忽略了与其他像素的关系。相比之下，对比学习考虑了丰富的成对关系，但是为像素对分配二进制阳性阴性监督信号可能是一个难题。在本文中，我们竭尽所能，并提出多视图相关性一致性（MVCC）学习：它考虑了自相关矩阵中的丰富成对关系，并将它们匹配到视图中以提供强大的监督。加上这种相关性一致性损失，我们提出了一个视图增强策略，可以保证不同观点之间的像素像素对应关系。在两个数据集上的一系列半监督设置中，我们报告了与最先进方法相比的竞争精度。值得注意的是，在CityScapes上，我们以1/8标记的数据达到76.8％的MIOU，比完全监督的Oracle差0.6％。

Multiview检测使用多个校准摄像机，并具有重叠的视野来定位遮挡的行人。在该领域，现有方法通常采用``人类建模 - 聚合''策略。为了找到强大的行人表示，有些人直观地使用检测到的2D边界框的位置，而另一些则使用投影到地面上的整个框架功能。但是，前者不考虑人类的外表，并导致许多歧义，而后者由于缺乏人类躯干和头部的准确高度而遭受投影错误。在本文中，我们提出了一种基于人类点云建模的新行人代表方案。具体而言，使用射线跟踪进行整体人类深度估计，我们将行人建模为直立的，薄的纸板点云。然后，我们通过多个视图汇总了行人纸板的点云以进行最终决定。与现有表示形式相比，提出的方法明确利用人类的外观并通过相对准确的高度估计大大减少投影误差。在两个标准评估基准上，提出的方法取得了非常具竞争力的结果。

多目标多摄像机跟踪（MTMCT）中的数据关联通常从重新识别（RE-ID）特征距离直接估计亲和力。但是，我们认为它可能不是最佳选择，因为匹配范围与MTMCT问题之间的匹配范围差异。重新ID系统专注于全局匹配，从而从所有相机和常规检索目标。相反，跟踪中的数据关联是一个本地匹配问题，因为其候选者仅来自相邻位置和时间框架。在本文中，我们设计实验，以验证全局重新ID功能距离和本地匹配在跟踪中的本地匹配之间的这种错误，并提出了一种简单但有效的方法来适应MTMCT中的相应匹配范围。我们不是尝试处理所有外观变化，而不是在数据关联期间专门调整关联度量来专门化。为此，我们介绍了一种新的数据采样方案，其中包含用于跟踪中的数据关联的时间窗口。自适应亲和模块最小化不匹配，对全局重新ID距离具有显着的改进，并在CityFlow和DukemTMC数据集中生成竞争性能。

无标签的型号评估或自动化，估计未标记的测试集的模型准确性，并且对于了解各种看不见环境中的模型行为至关重要。在没有图像标签的情况下，基于数据集表示，我们估计与回归自动的模型性能。一方面，图像特征是这种表示的直接选择，但由于非结构化（即某些位置处的组件的特定含义）和大规模，它引起的回归学习。另一方面，以前的方法采用简单的结构化表示（如平均置信度或平均特征），但不足以捕获其有限尺寸的数据特征。在这项工作中，我们从两个世界中获得最佳，并提出了一个新的半结构化数据集表示，这是可管理的回归学习，同时包含丰富的自动信息。基于图像特征，我们为半结构化数据集表示集成分发形状，集群和代表性样本。除了具有分布形状的结构化的整体描述之外，具有集群和代表性样本的非结构化描述包括促进自动任务的额外细粒度信息。在三个现有数据集和25个新介绍的数据集上，我们通过实验表明，拟议的代表实现了竞争结果。代码和数据集可在https://github.com/sxzrt/semi-structured-dataset -representations中获得。

基于正规化的方法有利于缓解类渐进式学习中的灾难性遗忘问题。由于缺乏旧任务图像，如果分类器在新图像上产生类似的输出，它们通常会假设旧知识得到很好的保存。在本文中，我们发现他们的效果很大程度上取决于旧课程的性质：它们在彼此之间容易区分的课程上工作，但可能在更细粒度的群体上失败，例如，男孩和女孩。在SPIRIT中，此类方法将新数据项目投入到完全连接层中的权重向量中跨越的特征空间，对应于旧类。由此产生的预测在细粒度的旧课程上是相似的，因此，新分类器将逐步失去这些课程的歧视能力。为了解决这个问题，我们提出了一种无记忆生成的重播策略，通过直接从旧分类器生成代表性的旧图像并结合新的分类器培训的新数据来保留细粒度的旧阶级特征。为了解决所产生的样本的均化问题，我们还提出了一种分集体损失，使得产生的样品之间的Kullback Leibler（KL）发散。我们的方法最好是通过先前的基于正规化的方法补充，证明是为了易于区分的旧课程有效。我们验证了上述关于CUB-200-2011，CALTECH-101，CIFAR-100和微小想象的设计和见解，并表明我们的策略优于现有的无记忆方法，并具有清晰的保证金。代码可在https://github.com/xmengxin/mfgr获得

Few Shot Instance Segmentation (FSIS) requires models to detect and segment novel classes with limited several support examples. In this work, we explore a simple yet unified solution for FSIS as well as its incremental variants, and introduce a new framework named Reference Twice (RefT) to fully explore the relationship between support/query features based on a Transformer-like framework. Our key insights are two folds: Firstly, with the aid of support masks, we can generate dynamic class centers more appropriately to re-weight query features. Secondly, we find that support object queries have already encoded key factors after base training. In this way, the query features can be enhanced twice from two aspects, i.e., feature-level and instance-level. In particular, we firstly design a mask-based dynamic weighting module to enhance support features and then propose to link object queries for better calibration via cross-attention. After the above steps, the novel classes can be improved significantly over our strong baseline. Additionally, our new framework can be easily extended to incremental FSIS with minor modification. When benchmarking results on the COCO dataset for FSIS, gFSIS, and iFSIS settings, our method achieves a competitive performance compared to existing approaches across different shots, e.g., we boost nAP by noticeable +8.2/+9.4 over the current state-of-the-art FSIS method for 10/30-shot. We further demonstrate the superiority of our approach on Few Shot Object Detection. Code and model will be available.

In this chapter, we review and discuss the transformation of AI technology in HCI/UX work and assess how AI technology will change how we do the work. We first discuss how AI can be used to enhance the result of user research and design evaluation. We then discuss how AI technology can be used to enhance HCI/UX design. Finally, we discuss how AI-enabled capabilities can improve UX when users interact with computing systems, applications, and services.

As one of the most important psychic stress reactions, micro-expressions (MEs), are spontaneous and transient facial expressions that can reveal the genuine emotions of human beings. Thus, recognizing MEs (MER) automatically is becoming increasingly crucial in the field of affective computing, and provides essential technical support in lie detection, psychological analysis and other areas. However, the lack of abundant ME data seriously restricts the development of cutting-edge data-driven MER models. Despite the recent efforts of several spontaneous ME datasets to alleviate this problem, it is still a tiny amount of work. To solve the problem of ME data hunger, we construct a dynamic spontaneous ME dataset with the largest current ME data scale, called DFME (Dynamic Facial Micro-expressions), which includes 7,526 well-labeled ME videos induced by 671 participants and annotated by more than 20 annotators throughout three years. Afterwards, we adopt four classical spatiotemporal feature learning models on DFME to perform MER experiments to objectively verify the validity of DFME dataset. In addition, we explore different solutions to the class imbalance and key-frame sequence sampling problems in dynamic MER respectively on DFME, so as to provide a valuable reference for future research. The comprehensive experimental results show that our DFME dataset can facilitate the research of automatic MER, and provide a new benchmark for MER. DFME will be published via https://mea-lab-421.github.io.