This paper introduces a structure-deformable land-air robot which possesses both excellent ground driving and flying ability, with smooth switching mechanism between two modes. The elaborate coupled dynamics model of the proposed robot is established, including rotors, chassis, especially the deformable structures. Furthermore, taking fusion locomotion and complex near-ground situations into consideration, a model based controller is designed for landing and mode switching under various harsh conditions, in which we realise the cooperation between fused two motion modes. The entire system is implemented in ADAMS/Simulink simulation and in practical. We conduct experiments under various complex scenarios. The results show our robot can accomplish land-air switching swiftly and smoothly, and the designed controller can effectively improve the landing flexibility and reliability.

两栖地面汽车将飞行和驾驶模式融合在一起，以实现更灵活的空中行动能力，并且最近受到了越来越多的关注。通过分析现有的两栖车辆，我们强调了在复杂的三维城市运输系统中有效使用两栖车辆的自动驾驶功能。我们审查并总结了现有两栖车辆设计中智能飞行驾驶的关键促成技术，确定主要的技术障碍，并提出潜在的解决方案，以实现未来的研究和创新。本文旨在作为研究和开发智能两栖车辆的指南，以实现未来的城市运输。

很少有人提出了几乎没有阶级的课程学习（FSCIL），目的是使深度学习系统能够逐步学习有限的数据。最近，一位先驱声称，通常使用的基于重播的课堂学习方法（CIL）是无效的，因此对于FSCIL而言并不是首选。如果真理，这对FSCIL领域产生了重大影响。在本文中，我们通过经验结果表明，采用数据重播非常有利。但是，存储和重播旧数据可能会导致隐私问题。为了解决此问题，我们或建议使用无数据重播，该重播可以通过发电机综合数据而无需访问真实数据。在观察知识蒸馏的不确定数据的有效性时，我们在发电机培训中强加了熵正则化，以鼓励更不确定的例子。此外，我们建议使用单速样标签重新标记生成的数据。这种修改使网络可以通过完全减少交叉渗透损失来学习，从而减轻了在常规知识蒸馏方法中平衡不同目标的问题。最后，我们对CIFAR-100，Miniimagenet和Cub-200展示了广泛的实验结果和分析，以证明我们提出的效果。

最近的研究利用稀疏的分类来预测高维大脑活动信号的分类变量，以暴露人类的意图和精神状态，从而自动选择模型训练过程中的相关特征。但是，现有的稀疏分类模型可能会容易出现由大脑记录固有的噪声引起的性能降解。为了解决这个问题，我们旨在在本研究中提出一种新的健壮和稀疏分类算法。为此，我们将CorrentRopy学习框架引入基于自动相关性的稀疏分类模型，并提出了一种新的基于Correntropy的鲁棒稀疏逻辑回归算法。为了证明所提出算法的上等大脑活性解码性能，我们在合成数据集，脑电图（EEG）数据集和功能磁共振成像（FMRI）数据集上对其进行了评估。广泛的实验结果证实，不仅提出的方法可以在嘈杂和高维分类任务中实现更高的分类精度，而且还将为解码方案选择那些更有信息的功能。将Correntropy学习方法与自动相关性测定技术相结合，将显着提高噪声的鲁棒性，从而导致更足够的稳健稀疏脑解码算法。它在现实世界中的大脑活动解码和脑部计算机界面中提供了一种更强大的方法。

With the rapid development of artificial intelligence (AI) in medical image processing, deep learning in color fundus photography (CFP) analysis is also evolving. Although there are some open-source, labeled datasets of CFPs in the ophthalmology community, large-scale datasets for screening only have labels of disease categories, and datasets with annotations of fundus structures are usually small in size. In addition, labeling standards are not uniform across datasets, and there is no clear information on the acquisition device. Here we release a multi-annotation, multi-quality, and multi-device color fundus image dataset for glaucoma analysis on an original challenge -- Retinal Fundus Glaucoma Challenge 2nd Edition (REFUGE2). The REFUGE2 dataset contains 2000 color fundus images with annotations of glaucoma classification, optic disc/cup segmentation, as well as fovea localization. Meanwhile, the REFUGE2 challenge sets three sub-tasks of automatic glaucoma diagnosis and fundus structure analysis and provides an online evaluation framework. Based on the characteristics of multi-device and multi-quality data, some methods with strong generalizations are provided in the challenge to make the predictions more robust. This shows that REFUGE2 brings attention to the characteristics of real-world multi-domain data, bridging the gap between scientific research and clinical application.

深度神经网络（DNN）如何在图像分类中广泛研究了噪声标签，但在图像分割中远远少得多。到目前为止，我们对噪声分割标签训练的DNN的学习行为的理解仍然有限。在这项研究中，我们解决了生物学显微镜图像二进制分割的这种缺陷，以及自然图像的多级分段。我们通过随机取样小部分（例如，10 \％）或翻转大部分（例如，90 \％）的地面真理标签来产生极其嘈杂的标签。当用这些嘈杂的标签培训时，DNN提供了基本上与原始地面真理训练相同的分段性能。 \ textit {这表明DNN学习隐藏在标签中的结构，而不是在其监督训练中为语义分段训练中隐藏在标签中的结构。我们将这些隐藏结构中的标签称为元结构。当DNN由标签培训时，具有与元结构不同的扰动，我们在分割性能中找到一致的降级。相反，结合元结构信息基本上提高了为二进制语义分割开发的无监督分割模型的性能。我们将数在数学上定义为空间点分布，从理论上和实验中显示该制剂如何解释DNN的关键观察到的学习行为。

优化器的高效和自动化设计在全栈自动系统中起着至关重要的作用。但是，优化器搜索中的先前方法通常受其可扩展性，生成性或样品效率的限制。为了将优化器搜索的研究和应用民主化，我们提出了第一个有效，可扩展和可推广的框架，可以直接搜索感兴趣的任务。我们首先观察到优化器更新从根本上是数学表达式应用于梯度。受到基础数学表达式的先天树结构的启发，我们将优化器的空间重新安排到一个超树中，每个路径都编码优化器。这样，优化器搜索可以自然地作为路径找到问题，从而使各种建立的树遍历方法可以用作搜索算法。我们采用蒙特卡洛方法的改编来进行树木搜索，配备拒绝采样和等效形式检测，以利用优化器更新规则的特征来进一步提高样本效率。我们提供了一套多种任务，以基于我们的算法进行基准测试，并证明，只有128个评估，提出的框架可以发现超过人类设计的对应方和先前的优化器搜索方法的优化器。

分类器在实践中已被广泛实施，而如何正确评估它们仍然是一个问题。通常，基于混淆矩阵和损失函数分别使用两种类型的指标在灵活性和数学完整性方面具有不同的优势，而它们在不同的困境中挣扎，例如对轻微改进或在不同任务中缺乏可定制性的不敏感性。在本文中，我们提出了一个基于概率预测的抽象表示，以及用于处理多分类中负面类别的目标设计的新颖指标，称为Meta模式关注得分，并降低了度量的离散性，以实现的优势，以实现两种指标都避免了它们的弱点。我们的指标提供了定制性，可以在不同实践中选择特定要求的模型，并确保在传统指标下也可以很好地选择模型。四种模型和六个数据集的评估证明了我们的度量的有效性和效率，案例研究表明，它可以选择模型来减少0.53％的危险错误分类，仅牺牲0.04％的培训准确性。

深神经网络（DNN）分类器容易受到对抗攻击的影响。尽管现有的基于梯度的攻击在馈送前向模型和图像识别任务中取得了良好的性能，但在复发性神经网络（RNN）中的时间序列分类的扩展仍然是一个困境，因为RNN的周期性结构可防止直接模型差异化和模型差异化和对时间序列数据扰动的视觉敏感性挑战了传统的局部优化目标，以最大程度地减少扰动。在本文中，提出了一种有效且广泛的方法，称为TSFool，用于为RNN分类器制定高质量的对抗时间序列。我们提出了一个名为“伪装系数”的新型全球优化目标，以考虑对抗样本在类群中的掩盖程度，因此将高质量的对抗性攻击重新定义为多目标优化问题。我们还提出了一个新的想法，以使用干预的加权有限自动机（IWFA）捕获具有其他特征和潜在歧管之间具有其他性的深层嵌入式脆弱样本，以指导优化解决方案的近似值。进行了22个UCR数据集的实验，以确认TSFool是一种广泛有效，有效且高质量的方法，局部扰动减少了93.22％，全局伪装更好32.33％，对现有方法的加速速度为1.12倍。

本文介绍了一种多模式运动计划（MMP）算法，该算法结合了三维（3-D）路径计划和DWA障碍避免算法。该算法旨在计划复杂的非结构化场景中超越障碍物的机器人的路径和运动。提出了一种新颖的A-Star算法来结合非结构化场景的特征，并将其切换为贪婪的最佳优先策略算法的策略。同时，路径计划的算法与DWA算法集成在一起，因此机器人可以在沿着全球计划的路径运动过程中执行局部动态障碍。此外，当提议的全球路径计划算法与局部障碍算法结合使用时，机器人可以在避免障碍物和克服障碍物后纠正道路。具有几个复杂环境的工厂中的仿真实验验证了算法的可行性和鲁棒性。该算法可以迅速为超越障碍物的机器人生成合理的3D路径，并在考虑场景和运动障碍物的特征的前提下进行可靠的当地障碍。