论文 6：Joint Distribution Matters: Deep Brownian Distance Covariance for Few-Shot Classification
- 作者：谢江涛、龙飞、吕佳铭、王旗龙、李培华
- 论文链接：https://arxiv.org/pdf/2204.04567.pdf
摘要：本文首次将布朗距离协方差这一基于概率和统计的相似性度量引入到深度学习中，提出了一种端到端的小样本识别方法 DeepBDC。所提出的方法在包括一般目标识别、细粒度分类和跨域分类等任务的 6 个标准数据库上都取得了当前最好的性能。论文已被 CVPR 2022 接收为 Oral Presentation。
在本文中，该研究提出了一种基于深度布朗距离协方差 (DeepBDC) 的方法用于小样本分类任务。布朗距离协方差 (Brownian Distance Covariance, BDC) 最早由 Gábor 等人提出，其定义为联合特征函数与边缘乘积之间的欧氏距离。它可以很自然地量化两个随机变量之间的相关性。
表 1：DeepBDC 与同类方法的比较
在 DeepBDC 中，该研究将 BDC 实现成一个即插即用的模块，可以灵活的接入到深度神经网络中，获得 BDC 矩阵，以此作为图像的表征。通过计算一对图像的 BDC 矩阵内积便可得到两个图像的相似度。
同时，该研究实现的 BDC 模块也可以应用在基于简单迁移学习的框架下，比如 Chen 等人提出的 baseline/baseline++。相比于经典协方差，布朗距离协方差能够刻画非线性随机变量之间的相关性和独立性，因此可以更准确的度量分布之间的相似度。
在 DeepBDC 中，该研究将 BDC 实现成一个即插即用的模块，可以灵活的接入到深度神经网络中，获得 BDC 矩阵，以此作为图像的表征。通过计算一对图像的 BDC 矩阵内积便可得到两个图像的相似度。同时，该研究实现的 BDC 模块也可以应用在基于简单迁移学习的框架下，比如 Chen 等人提出的 baseline/baseline++。相比于经典协方差，布朗距离协方差能够刻画非线性随机变量之间的相关性和独立性，因此可以更准确的度量分布之间的相似度。和同样考虑联合分布的 EMD 相比，BDC 的计算效率很高，几乎不影响网络的推理速度。同时由于 BDC 不需要建模概率密度，因此相比于 MI 来说，计算更简洁。在上表 1 中，该研究展示了 DeepBDC 和其对应方法之间的差异。
图 1：Meta DeepBDC。
如图 2 所示，该研究将 BDC 矩阵当作输入图像的嵌入特征送到尾部的分类器中进行学习，利用交叉熵损失函数进行网络的优化。
图 2：STL DeepBDC。
推荐：大连理工提出小样本识别 DeepBDC，6 项基准性能最好。
论文 7：Thermophotovoltaic efficiency of 40%
- 作者：Alina LaPotin、Kevin L. Schulte 等
- 论文链接：https://www.nature.com/articles/s41586-022-04473-y
摘要：麻省理工学院（MIT）和美国国家可再生能源实验室 (NREL) 设计出一种新的热光伏 (TPV) 电池，能以超过 40% 的效率将热能转化为电能，优于传统蒸汽轮机。该研究登上了 Nature。
这种类似于太阳能电池板的热光伏电池被动地从白热的热源中捕获高能光子并将其转化为电能，用来发电的热源温度可高达 1900~2400 摄氏度。
研究人员计划将这种 TPV 电池整合到电网规模的热电池中。该系统将从太阳能等可再生能源中吸收多余的能量，并将这些能量储存在高度绝缘的热石墨库中。当需要能量时（例如阴天时），TPV 电池会将热量转化为电能，并将能量分配给电网。
借助新的 TPV 电池，该团队现已在单独的小规模实验中成功展示了系统的主要部分。目前他们正在努力将这些部件整合起来，然后展示一个完全可操作的系统。他们希望后续能扩大该系统以取代化石燃料驱动的发电厂，并实现完全由可再生能源供电的完全脱碳的电网。
该电池由三个主要区域制成：高带隙合金位于带隙稍低的合金之上，最下层是镜面状的一层金。第一层捕获热源中最高能量的光子并将它们转换为电能，而穿过第一层的低能量光子被第二层捕获并转换以增加产生的电压。任何穿过第二层的光子都会被镜面反射，回到热源，而不是作为废热被吸收。
推荐：将热光伏发电效率提到 40%，MIT 新研究登上 Nature。
ArXiv Weekly Radiostation
