我们研究了通过梯度下降训练的神经网络是如何外推的，也就是说，它们在训练分布的支持范围之外学到了什么。以前的工作报告了用神经网络外推时的混合经验结果：虽然多层感知器（MLP）在某些简单任务中无法很好地外推，但是具有MLP模块的结构化网络图神经网络（GNN）在较复杂的任务中已显示出一定的成功。通过理论解释，我们确定了MLP和GNN良好推断的条件。首先，我们对ReLU MLP从原点沿任何方向快速收敛到线性函数的观察进行量化，这意味着ReLU MLP不会外推大多数非线性函数。但是，当训练分布足够“多样化”时，他们证明可以学习线性目标函数。其次，结合分析GNN的成功和局限性，这些结果提出了一个假设，我们为该假设提供了理论和经验证据：GNN在将算法任务外推到新数据（例如较大的图或边权重）方面的成功取决于编码任务架构或功能中的特定于非线性。我们的理论分析建立在超参数网络与神经正切核的连接上。根据经验，我们的理论适用于不同的培训环境。较大的图形或边缘权重）依赖于对体系结构或功能中特定于任务的非线性进行编码。我们的理论分析建立在超参数网络与神经正切核的连接上。根据经验，我们的理论适用于不同的培训环境。较大的图形或边缘权重）依赖于对体系结构或功能中特定于任务的非线性进行编码。我们的理论分析建立在超参数网络与神经正切核的连接上。根据经验，我们的理论适用于不同的培训环境。

在多主体寻路问题（MAPF）中，我们得到了一组主体，每个主体都有各自的起始位置和目标位置。任务是查找所有代理的路径，同时避免冲突。解决此问题的大多数先前工作已将单个代理视为单个“联合代理”，然后应用了A *算法的单代理搜索变体。 在本文中，我们提出了一种基于冲突的搜索（CBS）新的最优多主体寻路算法。CBS是一种两级算法，不会将问题转换为单个“联合代理”模型。在较高级别上，对冲突树（CT）执行搜索，该树是基于各个代理之间的冲突的树。CT中的每个节点代表了一组对代理人运动的约束。在低级别，执行快速单代理搜索以满足高层CT节点施加的约束。在许多情况下，这种两级公式使CBS可以检查少于A *的状态，同时仍保持最佳状态。我们分析CBS并显示其优缺点。 此外，我们介绍了Meta-Agent CBS（MA-CBS）算法。MA-CBS是CBS的概括。与基本CBS不同，MA-CBS不仅限于低级别的单代理搜索。取而代之的是，MA-CBS允许将代理合并为一小组联合代理。这减轻了基本CBS的某些缺点，并进一步提高了性能。实际上，MA-CBS是可以建立在任何最佳而完整的MAPF求解器之上的框架，以增强其性能。在各种问题上的实验结果表明，与以前的方法相比，速度提高了一个数量级。

With the motivation of practical gait recognition applications, we propose to automatically create a large-scale synthetic gait dataset (called VersatileGait) by a game engine, which consists of around one million silhouette sequences of 11,000 subjects with fine-grained attributes in various complicated scenarios. Compared with existing real gait datasets with limited samples and simple scenarios, the proposed VersatileGait dataset possesses several nice properties, including huge dataset size, high sample diversity, high-quality annotations, multi-pitch angles, small domain gap with the real one, etc. Furthermore, we investigate the effectiveness of our dataset (e.g., domain transfer after pretraining). Then, we use the fine-grained attributes from VersatileGait to promote gait recognition in both accuracy and speed, and meanwhile justify the gait recognition performance under multi-pitch angle settings. Additionally, we explore a variety of potential applications for research. Extensive experiments demonstrate the value and effectiveness of the proposed VersatileGait in gait recognition along with its associated applications. We will release both VersatileGait and its corresponding data generation toolkit for further studies.

涉及一种可自动视觉识别零件种类的零件检测系统，包括检测箱、第一检测探头、第二检测探头、轨道、光源、摄影装置、检测托盘、电机、夹具、压力传感器、超声波探头和中控处理器。本发明通过在检测箱内设置光源，并将光源与中控处理器相连，能够使中控处理器完成对零件形状和材质的判断时，针对性的调节光源的亮度和色调，从而使所述系统在针对不同的零件进行检测时，均能够使用针对性的光照以使各所述探头能够清晰地采集到零件表面的缺陷，有效避免了光照不足或光照过量导致的图像采集不清晰的情况发生，提高了所述系统的检测效率。

作为美国宇航局太阳物理系统天文台（HSO）卫星群的一部分， 太阳动力学观测站（SDO）自年以来一直对太阳进行监测 2010轨道上的紫外线（UV）和极端紫外线（EUV）仪器，如 SDO的大气成像组件（AIA）仪器，与时间有关 降低仪器灵敏度的退化。（E）UV的精确校准 取决于目前不常用的周期性探测仪器 对于深空的太阳物理任务来说并不实用。在目前的工作中，我们 开发一个卷积神经网络（CNN）自动校准SDO/AIA 通道和校正灵敏度退化利用空间模式在 实现（E）紫外成像自校准的多波长观测 仪器。我们的结果消除了发展未来HSO的主要障碍 与SDO具有相同科学口径的任务，但在深空，能够观察 太阳从更多的有利位置而不仅仅是SDO目前的地球同步轨道。 该方法可用于其它成像系统的自动标定 表现出相似的退化形式。

发明提供了基于数字图像处理的海洋悬浮颗粒物浓度测定装置及方法，基于海水和海洋悬浮颗粒物对光的不同反射性原理，利用数字图像处理技术，建立了一套基于数字图像处理技术的海洋悬浮颗粒物浓度测定装置及用以表征海洋悬浮颗粒物浓度的海洋悬浮颗粒物图像特征值算法，该算法提取出海洋悬浮颗粒物图像特征值，该海洋悬浮颗粒物图像特征值可以实现海洋悬浮颗粒物真实浓度的反演。该方法尝试将数字图像处理技术应用于海洋悬浮颗粒物浓度的测量，其测量精度仅依赖于测量装置的拍摄精度和后续算法的改进，可以克服其易受海洋悬浮颗粒物粒径大小以及粒径分布影响的缺点，同时具有直观、连续观测以及操作简便等优点，在海洋调查中具有广阔的应用前景。

1.视觉计算任务有哪些，你怎么分类 14、描述数据分析的流程。 15、高斯混合模型 (GMM) 中，推导方程。 16、怎样衡量用户对视频的喜爱程度？ 17、模拟一个二元正态分布。 18、求一个分布的方差。 19、怎样建立中位数的Estimator？ 20、如果回归模型中的两个系数估计，分别是统计显著的，把两个放在一起测试，会不会同样显著？ 视觉计算任务有哪些，你怎么分类 求导1/x。 画出log (x+10)曲线。 一枚硬币抛10次，得到8正2反。试析抛硬币是否公平？p值是多少？ 解释一个非正态分布，以及如何应用。 为什么要用特征选择？如果两个预测因子高度相关，系数对逻辑回归有怎样的影响？系数的置信区间是多少？ K-mean与高斯混合模型：K-means算法和EM算法的差别在哪里？ 使用高斯混合模型时，怎样判断它适用与否？(正态分布) 聚类时标签已知，怎样评估模型的表现？ 为什么不用逻辑回归，而要用GBM？ 模拟一个二元正态分布。 多尺度问题 anchor基础知识 人脸识别现在常用算法 语义分割到实例分割怎么做 GAN是否了解，如何通俗的讲其原理 PCA原理LDA原理 SVM+HOG XGBoost CNN、RCNN、FRCNN，有可能问你其中一个细节的关键 TensorFlow这些框架你谈一下看法以及对其他框架的了解 现在机器学习、深度学习这么火，你有什么看法 机器学习、深度学习你对他们的理解是什么 做门牌或者车牌识别的步骤以及关键 Relu比Sigmoid使用多的原因 Loss不升反降的原因，如何解决 CNN使用范围是具有局部空间相关性的数据，比如图像，自然语言，语音 推导backward 解释deconv的作用： 解释BN（写出公式）以及实现机制： 解释dropout以及实现机制： 深度学习中有什么加快收敛/降低训练难度的方法： 什么造成过拟合，如何防止过拟合： 规则化项有什么，各有什么样的效果，为什么起作用 为什么梯度会消失和爆炸： 深度网络激活元的作用、分类和各自使用范围/优劣 正则化方法以及特点： 损失度量： 解释softmax、logit regression、交叉熵（要回推导）： 解释alpha狗： 解释resnet、优缺点以及适用范围： GAN的公式以及发展历程： densenet结构优缺点以及应用场景 dilated conv优缺点以及应用场景 moblenet、shufflenet的结构 有什么降维方法：

最新的运动计划器无法扩展到大量系统。多个智能体的运动计划是一个NP（不确定性多项式时间）难题，因此每次添加智能体时，计算时间都呈指数增长。这种计算需求是运动规划器在涉及航天飞机群的未来NASA任务中应用的主要绊脚石。我们应用了深度神经网络，将对计算有要求的数学运动计划问题转换为基于深度学习的数值问题。我们显示了最佳的运动轨迹可以在多个具有多个代理的2D和3D系统中使用基于深度学习的数值模型来精确复制。

本发明公开了一种用于制备碳纤维预浸布的环氧树脂组合物及其制备方法，其对A剂中的环氧树脂A和硬化剂进行特别的限定，能够配合加工工艺中特定的硬化温度和硬化时间达到最优及最合适的硬化效果，避免硬化过快造型应力集中；同时在A剂中还加入了分散性能优异的增韧剂，增强了成型后预浸布的层间剪切强度；此外在B剂中还使用了促进剂，该促进剂的使用是为了控制组合物硬化过程的黏度，避免加工过程中树脂因黏度过低而流失过快而无法吸附在纤维上的问题，同时也能够避免因黏度过高造成的树脂含浸量过高，使成型件能够达到轻量化的要求。

本发明公开了一种基于自适应谐振理论的神经网络中医证候诊断系统，包括：中医四诊信息预处理模块、证候辨证模块、规则存储模块和可视化模块。四个模块相互作用，相互支持，中医四诊信息预处理模块与证候判断模块连接，处理系统输入矢量以指导证候判断模块动态建立，得到证候辨证规则；规则存储模块与中医四诊信息预处理模块和证候辨证模块建立双向连接关系，为二者提供经验规则，后两者读取并修改经验规则；可视化模块与中医四诊信息预处理模块和证候辨证模块连接，对中医四诊信息及诊断规则进行可视化操作。本发明可快速的对新病例样本进行增量匹配学习，并应用改进的辨证模型SWART2提高正确率和系统的适应性，引入可视化工具，提高系统的人性化和交互性。