IEEE Transactions on Emerging Topics in Computational Intelligence, Volume 8, Issue 2, April 2024
1) 使用深度学习进行骨骼视频异常检测：调查、挑战和未来方向作者：Pratik K. Mishra、Alex Mihailidis、Shehroz S. Khan页数：1073 - 10852) 基于事件的复值非线性系统的 ADP 跟踪控制作者：Tao Dong、Kai Li、Tingwen Huang页数：1086 - 10963) EAYv3-CFC3：基于注意力机制的 Yv3 集成学习结合 CFC3 损失进行淫秽内容检测作者：Sonali Samal、Yu-Dong Zhang、Juan Manuel Gorriz Saez、Shui-Hua Wang、Bunil Kumar Balab
An Alternative Capital Efficient AMM
Uniswap v3 引入了限制范围来解决自动做市商的资本效率问题。节省资本的另一种方法是赋予流动性提供者杠杆。我将其称为杠杆 v2 合约或 LAMM（杠杆自动做市商）。我在这里制作了一个可以在 Rinkeby 上运行的原型（您可以在此处查看合约代码）。除了资本效率之外，向 AMM 添加杠杆还有几个好处。例如，鉴于能够将杠杆扩展到 LP，将杠杆扩展到交易者就很简单了。这意味着杠杆掉期合约可以允许交易者做空并杠杆做多，以前仅在永续掉期（“perp”）市场中可用。这个 perp 市场还有一个额外的好处，就是不需要预言机，因为价格是由套利决定的，因为可以在 LAMM 上购买低价代币，然后以更高的价格
YOLOX: Exceeding YOLO Series in 2021
我们将 YOLO 检测器切换到无锚方式，并采用其他高级检测技术，即解耦头和领先的标签分配策略 SimOTA，以在大型数据集上实现最先进的结果模型规模范围：对于只有 0.91M 参数和 1.08G FLOPs 的 YOLO-Nano，我们在 COCO 上获得了 25.3% 的 AP，比 NanoDet 高出 1.8% AP；对于业界使用最广泛的检测器之一 YOLOv3，我们对其进行了提升在 COCO 上达到 47.3% AP，比当前最佳实践高出 3.0% AP；对于参数量与 YOLOv4-CSP、YOLOv5-L 大致相同的 YOLOX-L，我们在 COCO 上以 68.9 FPS 的速度实现了
GoodAI LTM Benchmark v3 Released
GoodAI LTM 基准测试的主要目的一直是作为我们在开发能够持续和终身学习的代理方面取得进展的客观衡量标准。但是，我们也希望它对开发此类代理的任何人都有用。为了实现这一点，我们已将此版本定位为更易于理解并产生更标准化的结果，我们希望这些结果更容易进行比较和分析。从基准测试的第一个版本开始，我们就将特定的测试实例分组到数据集或任务类型中。例如，有一个名为“购物清单”的数据集，我们可以从中抽取任意数量的不同测试实例，以评估代理记住一系列物品并保留用户购物清单的更新版本的能力。在早期版本中，每个测试可能会产生任意数量的分数点，并且这些分数点未标准化。这可能导致令人困惑的情况，即通过高度复杂的测试
Пермский Promobot v.3 стал экскурсоводом в Музее современной истории России
Promobot v3 将在俄罗斯当代历史博物馆工作。现在，这个机器人正在适应新的职业，很快就会为游客进行全面的游览。他将能够谈论展品、回答问题并播放照片和视频材料。
New Data Transfer Device mission grows
技术人员正在成功地重新制造 Tobyhanna 全新的数据传输设备 (DTD) 系统。大约 1,000 个 AN/CYZ-10 (V3) 数据传输设备（通常称为 Crazy 10 或 DTD）已针对 ArmyAca,!a,,cs Communicat... 进行了再制造和测试...
