在手术室（OR）中，活动通常与其他典型的工作环境不同。特别是，外科医生经常受到多种心理组织的约束，可能会对他们的健康和表现造成负面影响。这通常归因于相关的认知工作量（CWL）的增加，该工作量是由于处理意外和重复性任务以及大量信息以及潜在风险的认知超载而导致的。在本文中，建议在多种四个不同的手术任务中对CWL的多模式识别提出了两种机器学习方法。首先，使用基于转移学习概念的模型来确定外科医生是否经历任何CWL。其次，卷积神经网络（CNN）使用此信息来识别与每个手术任务相关的不同类型的CWL。建议的多模式方法考虑来自脑电图（EEG），功能近红外光谱（FNIRS）和瞳孔眼直径的相邻信号。信号的串联允许在时间（时间）和通道位置（空间）方面进行复杂的相关性。数据收集是由多种感应的AI环境来执行的，用于在Harms Lab开发的手术任务$ \＆$角色优化平台（Maestro）。为了比较拟议方法的性能，已经实施了许多最先进的机器学习技术。测试表明，所提出的模型的精度为93％。

Edge computing-based 3D perception has received attention in intelligent transportation systems (ITS) because real-time monitoring of traffic candidates potentially strengthens Vehicle-to-Everything (V2X) orchestration. Thanks to the capability of precisely measuring the depth information on surroundings from LiDAR, the increasing studies focus on lidar-based 3D detection, which significantly promotes the development of 3D perception. Few methods met the real-time requirement of edge deployment because of high computation-intensive operations. Moreover, an inconsistency problem of object detection remains uncovered in the pointcloud domain due to large sparsity. This paper thoroughly analyses this problem, comprehensively roused by recent works on determining inconsistency problems in the image specialisation. Therefore, we proposed a 3D harmonic loss function to relieve the pointcloud based inconsistent predictions. Moreover, the feasibility of 3D harmonic loss is demonstrated from a mathematical optimization perspective. The KITTI dataset and DAIR-V2X-I dataset are used for simulations, and our proposed method considerably improves the performance than benchmark models. Further, the simulative deployment on an edge device (Jetson Xavier TX) validates our proposed model's efficiency. Our code is open-source and publicly available.

脸部是人类识别最广泛使用的特征之一，即使在许多大规模的应用中也是如此。尽管在面部识别系统中推进技术进步，但它们仍然面临由姿势，表达，闭塞和老化变化引起的障碍。由于Covid-19大流行，非接触式身份验证变得非常重要。要限制大流行，人们已经开始使用面膜。最近，已经对面膜对成人面部识别系统的影响进行了少数研究。然而，老化与面部面膜对儿童主体识别的影响尚未得到充分的探索。因此，本研究的主要目的是与面罩和面罩和面部识别系统的其他协变量分析儿童纵向冲击。具体而言，我们在儿童串行验证和识别设置下对三个顶级执行公共面部匹配器和COVID-19商业现成（COTS）系统的比较调查，使用我们所产生的合成面具和识别设置。面具样品。此外，我们调查了眼镜与掩模和无面具的纵向后果。该研究利用无面罩纵向儿童数据集（即扩展的印度儿童纵向面部数据集），其中包含$ 26,258 $面部图像的$ [2,18] $ 3.35 $的平均时间跨度年。实验结果表明，自动面部识别面膜的问题通过老化变化复合。