准确地测量纳米颗粒的大小，形态和结构非常重要，因为它们在许多应用中都非常依赖其特性。在本文中，我们提出了一种基于深度学习的方法，用于根据扫描透射电子显微镜图像的少量数据集训练的纳米颗粒测量和分类。我们的方法由两个阶段组成：本地化，即检测纳米颗粒和分类，即其超微结构的分类。对于每个阶段，我们通过分析不同最新神经网络的分析来优化分割和分类。我们展示了如何使用图像处理或使用各种图像产生神经网络的合成图像的产生来改善两个阶段的结果。最后，将算法应用于双金属纳米颗粒，证明了大小分布的自动数据收集，包括复杂超微结构的分类。开发的方法可以轻松地转移到其他材料系统和纳米颗粒结构中。

The Internet of Senses (IoS) holds the promise of flawless telepresence-style communication for all human `receptors' and therefore blurs the difference of virtual and real environments. We commence by highlighting the compelling use cases empowered by the IoS and also the key network requirements. We then elaborate on how the emerging semantic communications and Artificial Intelligence (AI)/Machine Learning (ML) paradigms along with 6G technologies may satisfy the requirements of IoS use cases. On one hand, semantic communications can be applied for extracting meaningful and significant information and hence efficiently exploit the resources and for harnessing a priori information at the receiver to satisfy IoS requirements. On the other hand, AI/ML facilitates frugal network resource management by making use of the enormous amount of data generated in IoS edge nodes and devices, as well as by optimizing the IoS performance via intelligent agents. However, the intelligent agents deployed at the edge are not completely aware of each others' decisions and the environments of each other, hence they operate in a partially rather than fully observable environment. Therefore, we present a case study of Partially Observable Markov Decision Processes (POMDP) for improving the User Equipment (UE) throughput and energy consumption, as they are imperative for IoS use cases, using Reinforcement Learning for astutely activating and deactivating the component carriers in carrier aggregation. Finally, we outline the challenges and open issues of IoS implementations and employing semantic communications, edge intelligence as well as learning under partial observability in the IoS context.

从不同的随机初始化开始，经过随机梯度下降（SGD）训练的神经网络通常在功能上非常相似，从而提出了一个问题，即不同的SGD溶液之间是否存在有意义的差异。 Entezari等。最近猜想，尽管初始化不同，但在考虑到神经网络的置换不变性后，SGD发现的解决方案位于相同的损失谷中。具体而言，他们假设可以将SGD找到的任何两种解决方案排列，以使其参数之间的线性插值形成一条路径，而不会显着增加损失。在这里，我们使用一种简单但功能强大的算法来找到这样的排列，使我们能够获得直接的经验证据，证明该假设在完全连接的网络中是正确的。引人注目的是，我们发现在初始化时已经存在两个网络，并且平均它们随机，但适当排列的初始化的性能大大高于机会。相反，对于卷积架构，我们的证据表明该假设不存在。特别是在大型学习率制度中，SGD似乎发现了各种模式。

训练有素的神经网络的性能至关重要。加上深度学习模型的不断增长的规模，这种观察激发了对学习稀疏模型的广泛研究。在这项工作中，我们专注于控制稀疏学习时的稀疏水平的任务。基于稀疏性惩罚的现有方法涉及对罚款因素的昂贵反复试验调整，因此缺乏直接控制所得模型的稀疏性。作为响应，我们采用了一个约束的公式：使用Louizos等人提出的栅极机制。 （2018年），我们制定了一个受约束的优化问题，其中稀疏以训练目标和所需的稀疏目标以端到端的方式指导。使用WIDERESNET和RESNET {18，50}模型进行了CIFAR-10/100，Tinyimagenet和ImageNet的实验验证了我们的提案的有效性，并证明我们可以可靠地实现预定的稀疏目标，而不会损害预测性能。

我们提出了一种新的频谱分配策略，在无监督的学习中为多源Terahertz通信系统提供了帮助。在此策略中，自适应子频段带宽被认为是使感兴趣的频谱可以分为具有不等带宽的子兰。该策略减少了用户分子吸收损失的变化，从而改善了数据速率的性能。我们首先制定了一个优化问题，以确定最佳的子频段带宽并传输功率，然后提出了基于学习的方法，以获取针对此问题的近乎最佳解决方案。在拟议的方法中，我们首先训练一个深神经网络（DNN），同时利用损失函数，该损失功能受到法式问题的拉格朗日的启发。然后使用训练有素的DNN，我们近似近乎最佳的解决方案。数值结果表明，与现有方法相比，我们提出的基于学习的方法达到了更高的数据速率，尤其是当感兴趣频谱内的分子吸收系数以高度非线性的方式变化时。

我们使用签名的累积分布变换（SCDT）来描述一种信号参数估计的方法，这是一种基于最佳传输理论的最近引入的信号表示工具。该方法基于最初用于正分布引入的累积分布变换（CDT）的信号估计。具体而言，我们表明，可以简单地使用SCDT空间中的线性最小二乘技术来进行任意信号类别的线性最小二乘技术，从而为任意信号类别进行最小化，从而为估计问题提供了全局最小化，即使基础信号是未知参数的非线性函数，也为全局最小化。使用$ L_P $最小化与当前信号估计方法的比较显示了该方法的优势。

无人驾驶汽车（UAV）的使用提供了各种应用程序的许多优势。但是，安全保证是广泛使用的关键障碍，尤其是考虑到无人机所经历的不可预测的操作和环境因素，这些因素很难仅在设计时间内捕获。本文提出了一种称为SAFEDRONES的新可靠性建模方法，以通过实现无人机的运行时可靠性和风险评估来帮助解决此问题。它是可执行数字可靠身份（EDDI）概念的原型实例化，该概念旨在为多机器人系统的实时，数据驱动的可靠性保证创建基于模型的解决方案。通过提供实时可靠性估算，SAFEDRONES允许无人机以自适应方式相应地更新其任务。

机器学习〜（ML）近年来在不同的应用和域上提供了令人鼓舞的结果。但是，在许多情况下，需要确保可靠性甚至安全性等质量。为此，一个重要方面是确定是否在适合其应用程序范围的情况下部署了ML组件。对于其环境开放且可变的组件，例如在自动驾驶汽车中发现的组件，因此，重要的是要监视其操作情况，以确定其与ML组件训练有素的范围的距离。如果认为该距离太大，则应用程序可以选择考虑ML组件结果不可靠并切换到替代方案，例如改用人类操作员输入。 SAFEML是一种基于培训和操作数据集的统计测试的距离测量，用于执行此类监视的模型无形方法。正确设置Safeml的限制包括缺乏用于确定给定应用程序的系统方法，需要多少个操作样本来产生可靠的距离信息以及确定适当的距离阈值。在这项工作中，我们通过提供实用方法来解决这些限制，并证明其在众所周知的交通标志识别问题中的用途，并在一个使用Carla开源汽车模拟器的示例中解决了这些局限性。

行人检测是许多基于视觉的应用程序的基石，从对象跟踪到视频监控，最近，自动驾驶。随着对象检测的深度学习的快速发展，行人检测在传统的单数据集训练和评估设置中取得了非常好的性能。然而，在这项关于广泛的行人探测器的研究中，我们表明，目前的行人探测器在交叉数据集评估中处理甚至是小域移位的差。我们将有限的概括归因于两个主要因素，方法和当前数据源。关于该方法，我们示出了当前行人检测器的设计选择（例如锚定设置）中存在的偏差是有限概括的主要贡献因素。大多数现代行人探测器都针对目标数据集进行量身定制，在那里他们在传统的单一培训和测试管道中实现了高性能，但在通过交叉数据集评估评估时性能遭受降低。因此，由于其通用设计，与最艺术行人检测器的状态相比，通用物体检测器在交叉数据集评估中更好地执行。至于数据，我们表明自主驾驶基准本质上是单调的，也就是说，它们在情景和行人中的密集并不多样化。因此，通过爬行网络（包含不同和密集的方案）来策划的基准是一种有效的预培训来源，以提供更强大的表示。因此，我们提出了一种提高泛化的逐步微调策略。代码和模型CAB在https://github.com/hasanirtiza/pedestron访问。

肺部疾病会导致严重的呼吸问题，如果未及时治疗，导致猝死。许多研究人员利用深度学习系统使用胸部X射线（CXRS）诊断肺疾病。然而，这种系统需要在大规模数据上进行详尽的培训，以有效地诊断胸部异常。此外，采购这种大规模数据通常是不可行的和不切实际的，特别是对于罕见疾病。随着较近的增量学习的进步，研究人员定期调整了深度神经网络，以了解不同的训练示例。虽然，这种系统可以抵抗灾难性的遗忘，但它们彼此独立地对待知识表示，并且这限制了它们的分类性能。此外，据我们所知，没有增量学习驱动的图像诊断框架，专门用于筛选来自CXR的肺部障碍。为了解决这个问题，我们提出了一种新颖的框架，可以学会逐步逐步筛选不同的胸部异常。除此之外，拟议的框架通过增量学习损失函数，即在逐步学习的知识表示之间识别逐步学习知识表示之间的结构和语义互相依赖性，无论扫描仪规格如何，都会识别逐步学习的知识表示之间的结构和语义相互作用。我们在包含不同胸部异常的五个公共CXR数据集上测试了拟议的框架，其中它通过各种指标表现出各种最先进的系统。