Reasoning human object interactions is a core problem in human-centric scene understanding and detecting such relations poses a unique challenge to vision systems due to large variations in human-object configurations, multiple co-occurring relation instances and subtle visual difference between relation categories. To address those challenges, we propose a multi-level relation detection strategy that utilizes human pose cues to capture global spatial configurations of relations and as an attention mechanism to dynamically zoom into relevant regions at human part level. We develop a multi-branch deep network to learn a pose-augmented relation representation at three semantic levels, incorporating interaction context, object features and detailed semantic part cues. As a result, our approach is capable of generating robust predictions on fine-grained human object interactions with interpretable outputs. Extensive experimental evaluations on public benchmarks show that our model outperforms prior methods by a considerable margin, demonstrating its efficacy in handling complex scenes.

We investigate the ocular dimensions and shape by using Lenstar900 (LS900), A-scan ultrasonography, and Magnetic Resonance Imaging (MRI) in highly myopic Macaca fascicularis. The ocular dimensions data of LS900, A-scan ultrasonography and MRI was assessed from 8 eyes (4 adult male cynomolgus macaque) with extremely high myopia (≤-1000DS) and compared by means of coefficients of concordance and 95% limits of agreement. Multiple regression analysis was performed to explore the associations between ocular biometry, volume, refraction and inter-instrument discrepancies. Test-retest reliability of three measurements of ocular parameters at two time points was almost equal (intraclass correlation = 0.831 to 1.000). The parallel-forms reliability of three measurements was strong for vitreous chamber depth (VCD) (coefficient of concordance = 0.919 to 0.981), moderate for axial length (AL) (coefficient of concordance = 0.486 to 0.981), and weak for anterior chamber depth (ACD) (coefficient of concordance = 0.267 to 0.621) and lens thickness (LT) (coefficient of concordance = 0.035 to 0.631). The LS900 and MRI systematically underestimated the ACD and LT comparing to A-scan ultrasonography (P < 0.05). Notably, the average AL on LS900 displayed a significant correlation with those on MRI (r = 0.978, P < 0.001) and A-scan ultrasonography (r = 0.990, P < 0.001). Almost 4/5 eyeballs were prolate. The mean eyeball volume positively correlated with AL (r = 0.782, P = 0.022), the width (r = 0.945, P = 0.000), and the length (r = 0.782, P = 0.022) of eyeball, while negatively correlated with SER (r = −0.901, P = 0.000). In conclusion, there was a high inter-instrument concordance for VCD with LS900, A-scan ultrasonography and MRI, while ACD and LT were underestimated with LS900 compared to A-scan ultrasonography, and the LS900 and A-scan ultrasonography could reliably measure the AL. MRI further revealed an equatorial globe shape in extremely myopic non-human primates.

Abstract Hierarchical reinforcement learning (HRL) has achieved remarkable success and significant progress in complex and long-term decision-making problems. However, HRL training typically entails substantial computational costs and an enormous number of samples. One effective approach to tackle this challenge is hierarchical reinforcement learning from demonstrations (HRLfD), which leverages demonstrations to expedite the training process of HRL. The effectiveness of HRLfD is contingent upon the quality of the demonstrations; hence, suboptimal demonstrations may impede efficient learning. To address this issue, this paper proposes a reachability-based reward shaping (RbRS) method to alleviate the negative interference of suboptimal demonstrations for the HRL agent. The novel HRLfD algorithm based on RbRS is named HRLfD-RbRS, which incorporates the RbRS method to enhance the learning efficiency of HRLfD. Moreover, with the help of this method, the learning agent can explore better policies under the guidance of the suboptimal demonstration. We evaluate the proposed HRLfD-RbRS algorithm on various complex robotic tasks, and the experimental results demonstrate that our method outperforms current state-of-the-art HRLfD algorithms.

Federated Learning (FL), an emerging distributed machine learning framework that enables each client to collaboratively train a global model by sharing local knowledge without disclosing local private data, is vulnerable to backdoor model poisoning attacks. By compromising some users, the attacker manipulates their local training process, and uploads malicious gradient updates to poison the global model, resulting in the poisoned global model behaving abnormally on the sub-tasks specified by the malicious user. Prior research has proposed various strategies to mitigate backdoor attacks. However, existing FL backdoor defense methods affect the fairness of the FL system, while fair FL performance may not be robust. Motivated by these concerns, in this paper, we propose Self-Awareness Revision (SARS), a personalized FL framework designed to resist backdoor attacks and ensure the fairness of the FL system. SARS consists of two key modules: adaptation feature extraction and knowledge mapping. In the adaptation feature extraction module, benign users can adaptively extract clean global knowledge with self-awareness and self-revision of the backdoor knowledge transferred from the global model. Based on the previous module, users can effectively ensure the correct mapping of clean sample features and labels. Through extensive experimental results, SARS can defend against backdoor attacks and improve the fairness of the FL system by comparing several state-of-the-art FL backdoor defenses or fair FL methods, including FedAvg, Ditto, WeakDP, FoolsGold, and FLAME.

Various training-based spatial filtering methods have been proposed to decode steady-state visual evoked potentials (SSVEPs) efficiently. However, these methods require extensive calibration data to obtain valid spatial filters and temporal templates. The time-consuming data collection and calibration process would reduce the practicality of SSVEP-based brain-computer interfaces (BCIs). Therefore, we propose a temporally local weighting-based phase-locked time-shift (TLW-PLTS) data augmentation method to augment training data for calculating valid spatial filters and temporal templates. In this method, the sliding window strategy using the SSVEP response period as a time-shift step is to generate the augmented data, and the time filter which maximises the temporally local covariance between the original template signal and the sine-cosine reference signal is used to suppress the temporal noise in the augmented data. For the performance evaluation, the TLW-PLTS method was incorporated with state-of-the-art training-based spatial filtering methods to calculate classification accuracies and information transfer rates (ITRs) using three SSVEP datasets. Compared with state-of-the-art training-based spatial filtering methods and other data augmentation methods, the proposed TLW-PLTS method demonstrates superior decoding performance with fewer calibration data, which is promising for the development of fast-calibration BCIs.