全息信息隐藏是一种用于将全息图或图像嵌入另一个全息图的技术，用于全息图的版权保护和隐写。使用深度神经网络，我们提供了一种提高嵌入式全息图的视觉质量的方法。嵌入式全息图的亮度被设定为主题全息图的一部分，导致主体全息图的几乎损坏的重建图像。然而，难以察觉，因为嵌入式全息图的重建图像比重建的主机图像更暗。在这项研究中，我们使用深神经网络来恢复变暗的图像。

本文收集了提交给核心挑战2022的求解器和ISR实例的所有描述。

随着姿势估计和图形卷积网络的进步，基于骨架的两人互动识别一直在越来越多的关注。尽管准确性逐渐提高，但计算复杂性的提高使其在现实环境中更不切实际。由于常规方法不能完全代表体内关节之间的关系，因此仍然存在准确性改善的空间。在本文中，我们提出了一个轻巧的模型，以准确识别两人的交互。除了结合了中间融合的体系结构外，我们还引入了一种分解卷积技术，以减少模型的重量参数。我们还引入了一个网络流，该网络说明体内关节之间的相对距离变化以提高准确性。使用两个大规模数据集NTU RGB+D 60和120的实验表明，与常规方法相比，我们的方法同时达到了最高准确性和相对较低的计算复杂性。

将差异化随机梯度下降（DPSGD）应用于培训现代大规模神经网络（例如基于变压器的模型）是一项艰巨的任务，因为在每个迭代尺度上添加了噪声的幅度，都具有模型维度，从而阻碍了学习能力显著地。我们提出了一个统一的框架，即$ \ textsf {lsg} $，该框架充分利用了神经网络的低级别和稀疏结构，以减少梯度更新的维度，从而减轻DPSGD的负面影响。首先使用一对低级矩阵近似梯度更新。然后，一种新颖的策略用于稀疏梯度，从而导致低维，较少的嘈杂更新，这些更新尚未保留神经网络的性能。关于自然语言处理和计算机视觉任务的经验评估表明，我们的方法的表现优于其他最先进的基线。

充分感知环境是机器人运动产生的关键因素。尽管引入深层视觉处理模型有助于扩展这种能力，但现有的方法缺乏积极修改感知内容的能力。人类在视觉认知过程中进行内部性能。本文通过提出一种新的机器人运动生成模型来解决问题，灵感来自人类的认知结构。该模型结合了一个由州驱动的主动自上而下的视觉注意模块，该模块获得了可以根据任务状态积极改变目标的注意事项。我们将这种注意力称为基于角色的注意力，因为获得的注意力集中在整个运动中共有连贯作用的目标。该模型经过了机器人工具使用任务的训练，在该任务中，基于角色的专注分别在对象拾取和对象拖动运动过程中将机器人抓手和工具视为相同的最终效果。这类似于一种称为工具体同化的生物学现象，其中一个人将处理工具视为身体的扩展。结果表明，模型的视觉感知的灵活性有所提高，即使为其提供了未经训练的工具或暴露于实验者的分心，也可以持续稳定的注意力和运动。

我们实现了接触的灵活物体操作，这很难单独使用视力控制。在解压缩任务中，我们选择作为验证任务，夹具抓住拉动器，它隐藏袋子状态，例如其背后的变形的方向和量，使得仅通过视觉获取信息来执行任务。此外，柔性织物袋状态在操作期间不断变化，因此机器人需要动态地响应变化。然而，所有袋子状态的适当机器人行为难以提前准备。为了解决这个问题，我们开发了一种模型，可以通过具有触觉的视觉的实时预测来执行接触的灵活性对象操纵。我们介绍了一种基于点的注意机制，用于提取图像特征，Softmax转换来提取预测运动，以及用于提取触觉特征的卷积神经网络。使用真正的机器人手臂的实验结果表明，我们的方法可以实现响应袋子变形的运动，同时减少拉链上的负荷。此外，与单独的视觉相比，使用触觉从56.7％提高到93.3％，展示了我们方法的有效性和高性能。

计算机生成的全息图（CGHS）用于全息三维（3D）显示器和全息投影。使用阶段的CGHS的重建图像的质量降低，因为重建图像的幅度难以控制。迭代优化方法，例如Gerchberg-Saxton（GS）算法是提高图像质量的一个选项。它们以迭代方式优化CGHS以获得更高的图像质量。然而，这种迭代计算是耗时的，并且图像质量的改善通常是停滞的。最近，已经提出了基于深度学习的全息图计算。深神经网络直接从输入图像数据推断出CGHS。然而，它仅限于重建与全息图相同的图像。在这项研究中，我们使用深度学习来优化使用缩放衍射计算和随机相位的方法生成的阶段CGHS。通过将随机相移方法与缩放的衍射计算组合，可以处理大于全息图的缩放重建图像。与GS算法相比，所提出的方法优化高质量和速度。

为了在老年人的日常生活中实现连续的虚弱护理，我们向家里的老年人提出Ahobo，一位虚弱的护理机器人。通过AHOBO实施两种类型的支持系统，以支持身体健康和心理方面的老年人。对于身体健康的体力保健，我们专注于血压，并开发了一种用Ahobo血压测量的支持系统。对于心理脆弱的护理，我们将用Ahobo作为与机器人的娱乐活动实施着色的着色。根据日常生活中连续使用的假设，评估系统的可用性。对于血压测量的支持系统，我们对16名受试者的问卷进行了定性评估，包括系统血压测量的老年人。结果证实，该拟议的机器人不会影响血压读数，并且在基于主观评估的易用性方面是可接受的。为了使复兴的着色相互作用，在口头流畅性任务下对两名老年人进行了主观评估，并且已经证实了互动可以在日常生活中不断使用。拟议的机器人作为支持日常生活的AI的界面广泛使用将导致AI机器人支持从摇篮到坟墓的社会。

Practitioners use Hidden Markov Models (HMMs) in different problems for about sixty years. Besides, Conditional Random Fields (CRFs) are an alternative to HMMs and appear in the literature as different and somewhat concurrent models. We propose two contributions. First, we show that basic Linear-Chain CRFs (LC-CRFs), considered as different from the HMMs, are in fact equivalent to them in the sense that for each LC-CRF there exists a HMM - that we specify - whom posterior distribution is identical to the given LC-CRF. Second, we show that it is possible to reformulate the generative Bayesian classifiers Maximum Posterior Mode (MPM) and Maximum a Posteriori (MAP) used in HMMs, as discriminative ones. The last point is of importance in many fields, especially in Natural Language Processing (NLP), as it shows that in some situations dropping HMMs in favor of CRFs was not necessary.

Knowledge graphs (KG) have served as the key component of various natural language processing applications. Commonsense knowledge graphs (CKG) are a special type of KG, where entities and relations are composed of free-form text. However, previous works in KG completion and CKG completion suffer from long-tail relations and newly-added relations which do not have many know triples for training. In light of this, few-shot KG completion (FKGC), which requires the strengths of graph representation learning and few-shot learning, has been proposed to challenge the problem of limited annotated data. In this paper, we comprehensively survey previous attempts on such tasks in the form of a series of methods and applications. Specifically, we first introduce FKGC challenges, commonly used KGs, and CKGs. Then we systematically categorize and summarize existing works in terms of the type of KGs and the methods. Finally, we present applications of FKGC models on prediction tasks in different areas and share our thoughts on future research directions of FKGC.