With climate change predicted to increase the likelihood of landslide events, there is a growing need for rapid landslide detection technologies that help inform emergency responses. Synthetic Aperture Radar (SAR) is a remote sensing technique that can provide measurements of affected areas independent of weather or lighting conditions. Usage of SAR, however, is hindered by domain knowledge that is necessary for the pre-processing steps and its interpretation requires expert knowledge. We provide simplified, pre-processed, machine-learning ready SAR datacubes for four globally located landslide events obtained from several Sentinel-1 satellite passes before and after a landslide triggering event together with segmentation maps of the landslides. From this dataset, using the Hokkaido, Japan datacube, we study the feasibility of SAR-based landslide detection with supervised deep learning (DL). Our results demonstrate that DL models can be used to detect landslides from SAR data, achieving an Area under the Precision-Recall curve exceeding 0.7. We find that additional satellite visits enhance detection performance, but that early detection is possible when SAR data is combined with terrain information from a digital elevation model. This can be especially useful for time-critical emergency interventions. Code is made publicly available at https://github.com/iprapas/landslide-sar-unet.

Skull Stripping is a requisite preliminary step in most diagnostic neuroimaging applications. Manual Skull Stripping methods define the gold standard for the domain but are time-consuming and challenging to integrate into pro-cessing pipelines with a high number of data samples. Automated methods are an active area of research for head MRI segmentation, especially deep learning methods such as U-Net architecture implementations. This study compares Vanilla, Residual, and Dense 2D U-Net architectures for Skull Stripping. The Dense 2D U-Net architecture outperforms the Vanilla and Residual counterparts by achieving an accuracy of 99.75% on a test dataset. It is observed that dense interconnections in a U-Net encourage feature reuse across layers of the architecture and allow for shallower models with the strengths of a deeper network.

Facial recognition is fundamental for a wide variety of security systems operating in real-time applications. In video surveillance based face recognition, face images are typically captured over multiple frames in uncontrolled conditions; where head pose, illumination, shadowing, motion blur and focus change over the sequence. We can generalize that the three fundamental operations involved in the facial recognition tasks: face detection, face alignment and face recognition. This study presents comparative benchmark tables for the state-of-art face recognition methods by testing them with same backbone architecture in order to focus only on the face recognition solution instead of network architecture. For this purpose, we constructed a video surveillance dataset of face IDs that has high age variance, intra-class variance (face make-up, beard, etc.) with native surveillance facial imagery data for evaluation. On the other hand, this work discovers the best recognition methods for different conditions like non-masked faces, masked faces, and faces with glasses.

仿真环境的兴起已经实现了基于学习的组装计划的方法，否则这是一项劳动密集型和艰巨的任务。组装家具特别有趣，因为家具是复杂的，对基于学习的方法构成了挑战。令人惊讶的是，人类可以解决组装产品的2D快照。尽管近年来见证了家具组装的有希望的基于学习的方法，但他们假设每个组装步骤都有正确的连接标签，这在实践中很昂贵。在本文中，我们减轻了这一假设，并旨在以尽可能少的人类专业知识和监督来解决家具。具体而言，我们假设组装点云的可用性，并比较当前组件的点云和目标产品的点云，请根据两种措施获得新的奖励信号：不正确和不完整。我们表明，我们的新颖奖励信号可以训练一个深层网络，以成功组装不同类型的家具。可用的代码和网络：https：//github.com/metu-kalfa/assemblerl

在恶性原发性脑肿瘤中，癌细胞浸润到周围的脑结构中，导致不可避免的复发。对周围区域的浸润性异质性（活检或切除可能是危险的区域）的定量评估对于临床决策很重要。以前关于表征周围区域浸润性异质性的工作使用了各种成像方式，但是已经探索了细胞外无水运动限制的信息。在这里，我们通过使用基于扩散的张量成像（DTI）的自由水量分数图来表征一组独特的人工智能（AI）标记，从而捕获肿瘤浸润的异质性，从而捕获肿瘤的异质性。首先通过利用胶质母细胞瘤和脑转移的广泛不同的水扩散性能作为在周围肿瘤组织中有和没有浸润的区域的区域，首先提取了一种新型的基于体素的深度学习周围微环境指数（PMI）。均匀高PMI值的局部枢纽的描述性特征被提取为基于AI的标记，以捕获渗透性异质性的不同方面。提出的标记物应用于两个临床用例，对275个成人型弥漫性神经胶质瘤的独立人群（4级）分析，分析异氯酸盐 - 脱水酶1（IDH1） - wildtypes之间的生存持续时间以及带有IDH1-杀剂的差异。我们的发现提供了一系列标记物作为浸润的替代物，可捕获有关周围微观结构异质性生物学潜在生物学的独特见解，使其成为与生存和分子分层有关的预后生物标志物，并具有潜在的适用性在临床决策中。

最近，随着Covid-19感染的快速激增，肺部超声已成为一种快速而强大的诊断工具，尤其是用于连续且定期监测肺部的工具。有许多尝试对肺部关键地标进行严重性分类，细分和检测。为了利用进度，这项工作中介绍了自动化的肺超声视频分析软件包，可以提供视频中的关键框架，标记带有肺部感染的关键框架以及自动检测和分割肺部标志的选项。集成的软件包将作为开源Web应用程序实现，并在链接https://github.com/anitoanto/alus-package中提供。

肺超声（LUS）可能是唯一可用于连续和周期性监测肺的医学成像方式。这对于在肺部感染开始期间跟踪肺表现或跟踪疫苗接种对肺部的影响非常有用，如Covid-19中的肺部作用。有许多尝试将肺严重程度分为各个类别或自动分割各种LUS地标和表现形式的尝试。但是，所有这些方法均基于训练静态机器学习模型，该模型需要大量临床注释的大数据集，并且在计算上是沉重的，并且大部分时间非现实时间。在这项工作中，提出了一种实时重量的基于活跃的学习方法，以在资源约束设置中在COVID-19的受试者中更快地进行分类。该工具基于您看起来仅一次（YOLO）网络，具有基于各种LUS地标，人工制品和表现形式的标识，肺部感染严重程度的预测，基于主动学习的可能性，提供图像质量的能力。临床医生的反馈或图像质量以及对感染严重程度高的重要框架的汇总，以进一步分析。结果表明，对于LUS地标的预测，该提议的工具在联合（IOU）阈值的交叉点上的平均平均精度（MAP）为66％。在Quadro P4000 GPU运行时，14MB轻量级Yolov5S网络可实现123 fps。该工具可根据作者的要求进行使用和分析。

相机万向节系统在各种空气或水系统中非常重要，用于导航，目标跟踪，安全性和监视等应用。由于在短时间内可以重新讨论给定的视野（FOV），因此对于实时应用，对于实时应用，优选用于实时应用的更高的转向速率（旋转角度）。然而，由于Gimbal和场景之间的相对运动在曝光时间期间，捕获的视频帧可能遭受运动模糊。由于大多数后捕获后应用需要模糊图像，因此实时运动脱棕色是重要的需求。尽管存在盲的去欺诈方法，其旨在从模糊输入中检索潜像，因此它们受到非常高维优化的约束，从而产生大的执行时间。另一方面，对于运动去掩盖的深度学习方法，虽然快速，但不令人满意地概括到不同的域（例如，空气，水等）。在这项工作中，我们解决了基于Gimbal的系统捕获的红外线（IR）图像中实时运动去纹的问题。我们揭示了模糊 - 内核的先验知识如何结合非盲去欺诈方法来实现实时性能。重要的是，我们的数学模型可以利用，以创建具有现实万向动动运动模糊的大型数据集。这种数据集是一种罕见的数据集可以是当代深度学习方法的有价值资产。我们表明，与去纹理中的最先进技术相比，我们的方法更适合实用的基于Gimbal的成像系统。

我们介绍了有监督的对比度积极学习（SCAL），并根据功能相似性（功能IM）和基于主成分分析的基于特征重建误差（FRE）提出有效的活动学习策略，以选择具有不同特征表示的信息性数据示例。我们证明了我们提出的方法可实现最新的准确性，模型校准并减少在图像分类任务上平衡和不平衡数据集的主动学习设置中的采样偏差。我们还评估了模型的鲁棒性，从主动学习环境中不同查询策略得出的分配转移。使用广泛的实验，我们表明我们提出的方法的表现优于高性能密集型方法，从而使平均损坏误差降低了9.9％，在数据集偏移下的预期校准误差降低了7.2％，而AUROC降低了8.9％的AUROC。检测。

在本文中，我们提出了一种改进图像标题解决方案的方法，用于具有在训练数据集中没有标题标签的新型对象的图像。我们将我们的方法称为部分监督的新型对象标题（PS-NOC）。 PS-NOC是模型架构的不可知论者，主要集中在使用现有完全配对的图像字幕数据和仅具有新颖对象检测标签（部分配对数据）的训练方法的培训方法。我们通过从现有图像标题对中利用上下文来创建新的对象的合成配对字幕数据。然后，我们为具有新颖对象的部分配对图像创建伪标签标题，并使用此附加数据进行微调标题模型。我们还提出了PS-NOC内的SCST的变体，称为SCST-F1，直接优化新型物体的F1分数。使用流行的标题模型（上下）作为基线，PS-NoC在Hold-Out MS Coco Out-Domain Test Split上设置新的最先进的结果，即85.9 F1分数和103.8苹果酒。这是85.9和34.1点的改进，分别与在训练期间不使用部分配对的数据的基线模型相比。我们还进行详细的消融研究，以证明我们的方法的有效性。