Aspect Sentiment Triplet Extraction (ASTE) has become an emerging task in sentiment analysis research, aiming to extract triplets of the aspect term, its corresponding opinion term, and its associated sentiment polarity from a given sentence. Recently, many neural networks based models with different tagging schemes have been proposed, but almost all of them have their limitations: heavily relying on 1) prior assumption that each word is only associated with a single role (e.g., aspect term, or opinion term, etc. ) and 2) word-level interactions and treating each opinion/aspect as a set of independent words. Hence, they perform poorly on the complex ASTE task, such as a word associated with multiple roles or an aspect/opinion term with multiple words. Hence, we propose a novel approach, Span TAgging and Greedy infErence (STAGE), to extract sentiment triplets in span-level, where each span may consist of multiple words and play different roles simultaneously. To this end, this paper formulates the ASTE task as a multi-class span classification problem. Specifically, STAGE generates more accurate aspect sentiment triplet extractions via exploring span-level information and constraints, which consists of two components, namely, span tagging scheme and greedy inference strategy. The former tag all possible candidate spans based on a newly-defined tagging set. The latter retrieves the aspect/opinion term with the maximum length from the candidate sentiment snippet to output sentiment triplets. Furthermore, we propose a simple but effective model based on the STAGE, which outperforms the state-of-the-arts by a large margin on four widely-used datasets. Moreover, our STAGE can be easily generalized to other pair/triplet extraction tasks, which also demonstrates the superiority of the proposed scheme STAGE.

宫颈异常细胞检测是一项具有挑战性的任务，因为异常细胞和正常细胞之间的形态差异通常是微妙的。为了确定宫颈细胞是正常还是异常，细胞病理学家总是将周围细胞作为参考，并进行仔细比较以鉴定其异常。为了模仿这些临床行为，我们建议探索上下文关系，以提高宫颈异常细胞检测的性能。具体而言，利用细胞和细胞到全球图像之间的上下文关系，以增强每个感兴趣区域（ROI）建议的特征。因此，开发了两个模块，称为ROI关系注意模块（RRAM）和全球ROI注意模块（GRAM），还研究了它们的组合策略。我们通过使用特征金字塔网络（FPN）使用单头或双头更快的R-CNN来设置强基础，并将我们的RRAM和革兰氏集整合到它们中以验证提出的模块的有效性。由40,000个细胞学图像组成的大宫颈细胞检测数据集进行的实验表明，RRAM和GRAM的引入都比基线方法获得了更好的平均精度（AP）。此外，当级联RRAM和GRAM时，我们的方法优于最先进的方法（SOTA）方法。此外，我们还显示了提出的功能增强方案可以促进图像级别和涂片级别的分类。代码和训练有素的模型可在https://github.com/cviu-csu/cr4cacd上公开获得。

膝盖软骨（尤其是股骨和胫骨软骨）的形态变化与膝关节骨关节炎的进展密切相关，膝关节骨关节炎的进展是通过磁共振（MR）图像表达的，并根据软骨分割结果进行了评估。因此，有必要提出一个有效的自动软骨分割模型，以进行骨关节炎的纵向研究。在这项研究中，为了减轻卷积神经网络中受体有限的接收场导致不准确分割的问题，我们提出了一个新型基于位置优先聚类的自我发场模块（PCAM）。在PCAM中，通过自我注意力捕获了每个类中心和特征点之间的远距离依赖性，允许重新分配上下文信息以增强相对特征并确保分割结果的连续性。基于浮雕的方法用于估计班级中心，该中心促进了类内的一致性，并进一步提高了分割结果的准确性。位置优先排除在外输出中的假阳性，并使中心估计更加精确。在OAI-ZIB数据集上进行了足够的实验。实验结果表明，与原始模型相比，分割网络和PCAM的组合的分割性能获得了明显的改进，这证明了PCAM在医疗分割任务中的潜在应用。源代码可从链接公开获得：https：//github.com/leongdong/pcamnet

乳腺癌的新辅助治疗（NAT）是临床实践中的常见治疗选择。肿瘤细胞（TC）代表肿瘤床中浸润性肿瘤的百分比，已被广泛用于量化乳腺癌对NAT的反应。因此，自动TC估计在临床实践中很重要。但是，现有的最新方法通常将其视为TC分数回归问题，它忽略了由主观评估或多个评估者引起的TC标签的歧义。在本文中，为了有效利用标签歧义，我们提出了一个不确定性的标签分布学习（ULTRA）框架以进行自动TC估计。拟议的Ultra首先将单值TC标签转换为离散标签分布，这有效地模拟了所有可能的TC标签之间的歧义。此外，该网络通过最大程度地减少预测和地面TC标签分布之间的Kullback-Leibler（KL）差异来学习TC标签分布，从而更好地监督该模型以利用TC标签的歧义。此外，在临床实践中，具有多分支特征融合模块的超级评估者融合过程，以进一步探索TC标签的不确定性。我们评估了公共Bresspathq数据集上的Ultra。实验结果表明，超大的幅度优于基于回归的方法，并获得了最先进的结果。该代码将从https://github.com/perceptioncomputinglab/ultra获得

实时投标（RTB）是现代在线广告系统中的重要机制。广告商在RTB中采用投标策略来优化其广告效果，但根据各种财务要求，其中广泛采用的是投资回报（ROI）约束。在顺序招标过程中，ROI在非单调的情况下变化，通常在约束满意度和客观优化之间具有透视作用。通常在静态或轻微变化的市场中建立了约束 - 目标权衡解决方案。但是，由于无法适应不同的动态和部分可观察性，这些方法在非平稳广告市场中大大失败。在这项工作中，我们专门研究非机构市场的ROI限制招标。基于部分可观察到的马尔可夫决策过程，我们提出了第一个容纳非单调约束的硬屏障解决方案。我们的方法利用了无参数指标的奖励功能，并开发了课程指导的贝叶斯强化学习（CBRL）框架，以适应在非平稳广告市场中的约束目标权衡。在具有两个问题设置的大规模工业数据集上进行的广泛实验表明，CBRL在分布和分发数据制度方面都很好地概括了，并且具有出色的稳定性。

第六版的AI城市挑战赛特别关注了两个领域的问题，在计算机视觉和人工智能的交集中具有巨大的解锁潜力：智能交通系统（ITS），以及实体和砂浆零售业务。 2022年AI City Challenge的四个挑战赛收到了来自27个国家 /地区254个团队的参与请求。轨道1地址的城市规模多目标多摄像机（MTMC）车辆跟踪。轨道2地址为基于天然语言的车辆轨道检索。 Track 3是一条全新的自然主义驾驶分析的轨道，该轨道是由安装在车辆内部的几台相机捕获的，该摄像头专注于驾驶员安全，而任务是对驾驶员的操作进行分类。 Track 4是另一个旨在仅使用单个视图摄像头实现零售商店自动结帐的新轨道。我们发布了两个基于不同方法的领导董事会成员提交，包括比赛的公共负责人委员会，不允许使用外部数据，以及用于所有提交结果的总管委员会。参与团队的最高表现建立了强大的基线，甚至超过了拟议的挑战赛中的最先进。

基于方面的情感分析（ABSA）是一项精细的情感分析任务，旨在使特定方面的情感极性推断对齐方面和相应的情感。这是具有挑战性的，因为句子可能包含多个方面或复杂（例如，有条件，协调或逆境）的关系。最近，使用图神经网络利用依赖性语法信息是最受欢迎的趋势。尽管取得了成功，但在很大程度上依赖依赖树的方法在准确地建模方面的对准及其单词方面构成了挑战，因为依赖树可能会提供无关的关联的嘈杂信号（例如，“ conj”之间的关系“ conj”之间的关系。图2中的“伟大”和“可怕”。在本文中，为了减轻这个问题，我们提出了一个双轴法意识到的图形注意网络（BISYN-GAT+）。具体而言，bisyn-gat+完全利用句子组成树的语法信息（例如，短语分割和层次结构），以建模每个方面的情感感知环境（称为内在文章）和跨方面的情感关系（称为跨性别的情感）称为Inter-Contept）学习。四个基准数据集的实验表明，BISYN-GAT+的表现始终超过最新方法。

由于单个RGB图像的不利低对比度和弱可见性问题，低光图像增强（LLE）仍然具有挑战性。在本文中，我们回应了有趣的学习相关问题 - 如果利用可访问的既可接近的过分配对/曝光过度的图像和高级别的语义指导，可以提高尖端LLE模型的性能？在这里，我们提出了一种有效的语义对比的学习范例（即SCL-LLE）。除了现有的LLE智慧之外，它将图像增强任务施放为多任务联合学习，其中LLE被转换为对比学习，语义亮度一致性的三个约束，同时确保曝光，纹理和颜色一致性。 SCL-LLE允许LLE模型从未配对的阳性（常灯）/否定（过度/曝光），并使其与场景语义进行互动以正规化图像增强网络，但高级语义知识的相互作用并且在以前的方法中很少地研究了低级信号。培训易于获得的开放数据，广泛的实验表明，我们的方法超越了六个独立的交叉场景数据集的最先进的LLE模型。此外，讨论了SCL-LLE在极暗条件下有益于下游语义分割的潜力。源代码：https://github.com/linglix/sclle。

过去几年的技术创新的巨大浪潮，标志着AI技术的进展，是深刻的重塑行业和社会。然而，在路上，一个关键的挑战等待着我们，即我们满足快速增长的情景的能力的能力受到收购培训数据的成本的严重限制。由于主流学习范式的局限性，这一困难的局面是基于主流学习范式的局限性：我们需要根据大量注释的数据以及通常从头来训练每个新场景的新模型。在解决这一基本问题时，我们超越并开发一个名为实习生的新学习范式。通过在多个阶段的来自多个来源的监控信号学习，培训的模型将产生强大的相互性。我们在26个众所周知的数据集中评估我们的模型，该数据集涵盖计算机视觉中的四类任务。在大多数情况下，我们的模型仅适用于目标域中的培训数据的10％，始终以完整的数据培训的对应物，通常由显着的边距。这是一个重要前景的重要一步，其中具有一般视觉能力的这种模型可以大大降低对数据的依赖，从而加速通过AI技术的采用。此外，围绕我们的新范式旋转，我们还介绍了一个新的数据系统，新的架构和新的基准，以及一起形成一般愿景生态系统，以开放和包容性的方式支持其未来的发展。

神经网络在医疗图像分割任务上的成功通常依赖于大型标记的数据集用于模型培训。但是，由于数据共享和隐私问题，获取和手动标记大型医疗图像集是资源密集的，昂贵的，有时是不切实际的。为了应对这一挑战，我们提出了一个通用的对抗数据增强框架Advchain，旨在提高培训数据对医疗图像分割任务的多样性和有效性。 AdvChain通过动态数据增强来增强数据，从而产生随机链接的光线像和几何转换，以类似于现实而又具有挑战性的成像变化以扩展训练数据。通过在培训期间共同优化数据增强模型和分割网络，可以生成具有挑战性的示例，以增强下游任务的网络可推广性。所提出的对抗数据增强不依赖生成网络，可以用作通用分割网络中的插件模块。它在计算上是有效的，适用于低声监督和半监督学习。我们在两个MR图像分割任务上分析和评估该方法：心脏分割和前列腺分割具有有限的标记数据。结果表明，所提出的方法可以减轻对标记数据的需求，同时提高模型泛化能力，表明其在医学成像应用中的实际价值。