非结构化的文本数据是卫生系统的核心：医生之间的联络信，操作报告，根据ICD-10标准编码的程序等。这些文件中包含的详细信息使得更好地了解患者，更好地管理他或她，以更好地研究病理，以准确地偿还相关的医学行为\ ldots，这似乎（至少在部分）被人工智能技术触及了。但是，出于明显的隐私保护原因，这些AIS的设计师只要包含识别数据，就没有合法权利访问这些文件。取消识别这些文档，即检测和删除它们中存在的所有识别信息，是在两个互补世界之间共享此数据的法律必要步骤。在过去的十年中，已经提出了一些建议，主要是用英语来识别文件。虽然检测分数通常很高，但替代方法通常不是很健壮。在法语中，很少有基于任意检测和/或替代规则的方法。在本文中，我们提出了一种专门针对法语医学文件的新的综合识别方法。识别要素（基于深度学习）的检测方法及其替代（基于差异隐私）的方法都是基于最有效的现有方法。结果是一种方法，可以有效保护患者的隐私，这是这些医疗文件的核心。整个方法已经在法国公立医院的法语医学数据集上进行了评估，结果非常令人鼓舞。

Monocular 3D human pose estimation is quite challenging due to the inherent ambiguity and occlusion, which often lead to high uncertainty and indeterminacy. On the other hand, diffusion models have recently emerged as an effective tool for generating high-quality images from noise. Inspired by their capability, we explore a novel pose estimation framework (DiffPose) that formulates 3D pose estimation as a reverse diffusion process. We incorporate novel designs into our DiffPose that facilitate the diffusion process for 3D pose estimation: a pose-specific initialization of pose uncertainty distributions, a Gaussian Mixture Model-based forward diffusion process, and a context-conditioned reverse diffusion process. Our proposed DiffPose significantly outperforms existing methods on the widely used pose estimation benchmarks Human3.6M and MPI-INF-3DHP.

在本文中，我们研究了以马尔可夫决策过程（MDP）为模型的随机系统中的计划，其偏好比时间扩展的目标。偏好的时间计划上的先前工作假定用户偏好形成总订单，这意味着每对结果彼此相当。在这项工作中，我们考虑了对可能结果的偏好是部分顺序而不是总订单的情况。我们首先引入了确定性有限自动机的变体，称为偏好DFA，用于指定用户对时间扩展目标的偏好。基于顺序理论，我们将偏好DFA转化为与标记为MDP中概率计划的策略相比的偏好关系。在这种处理中，最优选的策略会在MDP中的有限路径上引起弱化的非主导概率分布。拟议的计划算法取决于建造多目标MDP。我们证明，考虑到偏好规范的弱化的非主导政策在构建的多目标MDP中是帕特托最佳的，反之亦然。在整篇论文中，我们采用一个运行的示例来演示提出的偏好规范和解决方案方法。我们使用该示例和详细分析显示了算法的功效，然后讨论可能的未来方向。

对象检测一直是实用的。我们世界上有很多事情，以至于认识到它们不仅可以增加我们对周围环境的自动知识，而且对于有兴趣开展新业务的人来说也可以很有利润。这些有吸引力的物体之一是车牌（LP）。除了可以使用车牌检测的安全用途外，它还可以用于创建创意业务。随着基于深度学习模型的对象检测方法的开发，适当且全面的数据集变得双重重要。但是，由于频繁使用车牌数据集的商业使用，不仅在伊朗而且在世界范围内也有限。用于检测车牌的最大伊朗数据集具有1,466张图像。此外，识别车牌角色的最大伊朗数据集具有5,000张图像。我们已经准备了一个完整的数据集，其中包括20,967辆汽车图像，以及对整个车牌及其字符的所有检测注释，这对于各种目的都是有用的。此外，字符识别应用程序的车牌图像总数为27,745张图像。

细粒度识别的目的是成功区分具有微妙差异的动作类别。为了解决这个问题，我们从人类视觉系统中获得灵感，该系统包含大脑中专门用于处理特定任务的专业区域。我们设计了一个新型的动态时空专业化（DSTS）模块，该模块由专门的神经元组成，这些神经元仅针对高度相似的样品子集激活。在训练过程中，损失迫使专门的神经元学习判别性细粒差异，以区分这些相似的样品，从而改善细粒度的识别。此外，一种时空专业化方法进一步优化了专业神经元的架构，以捕获更多的空间或时间细粒信息，以更好地解决视频中各种时空变化的范围。最后，我们设计了上游下游学习算法，以优化训练过程中模型的动态决策，从而提高DSTS模块的性能。我们在两个广泛使用的细粒度识别数据集上获得了最先进的性能。

智能EHealth应用程序通过遥感，连续监控和数据分析为客户提供个性化和预防性的数字医疗服务。智能EHealth应用程序从多种模态感知输入数据，将数据传输到边缘和/或云节点，并使用计算密集型机器学习（ML）算法处理数据。连续的嘈杂输入数据，不可靠的网络连接，ML算法的计算要求以及传感器 - 边缘云层之间的计算放置选择会影响ML驱动的EHEADH应用程序的效率。在本章中，我们介绍了以优化的计算放置，准确性绩效权衡的探索以及用于ML驱动的EHEADH应用程序的跨层次感觉的合作式化的技术。我们通过传感器 - 边缘云框架进行客观疼痛评估案例研究，证明了在日常设置中智能eHealth应用程序的实际用例。

健康监测应用程序越来越依赖机器学习技术来学习日常环境中的最终用户生理和行为模式。考虑到可穿戴设备在监视人体参数中的重要作用，可以利用在设备学习中为行为和生理模式构建个性化模型，并同时为用户提供数据隐私。但是，大多数这些可穿戴设备的资源限制都阻止了对它们进行在线学习的能力。为了解决这个问题，需要从算法的角度重新考虑机器学习模型，以适合在可穿戴设备上运行。高维计算（HDC）为资源受限设备提供了非常适合的设备学习解决方案，并为隐私保护个性化提供了支持。我们的基于HDC的方法具有灵活性，高效率，弹性和性能，同时可以实现设备个性化和隐私保护。我们使用三个案例研究评估方法的功效，并表明我们的系统将培训的能源效率提高了高达$ 45.8 \ times $，与最先进的深神经网络（DNN）算法相比准确性。

在许多应用中，人类互动识别非常重要。识别相互作用的一种关键提示是交互式部位。在这项工作中，我们提出了一个新型的交互图形变压器（Igformer）网络，以通过将交互式身体部位建模为图形，以用于基于骨架的交互识别。更具体地说，所提出的Igformer根据交互式身体部位之间的语义和距离相关性构造了相互作用图，并通过基于学习的图来汇总交互式身体部位的信息来增强每个人的表示。此外，我们提出了一个语义分区模块，以将每个人类骨架序列转换为一个身体零件序列，以更好地捕获用于学习图形的骨骼序列的空间和时间信息。在三个基准数据集上进行的广泛实验表明，我们的模型的表现优于最先进的利润率。

在过去的几年中，对象检测问题解决方案已经大大发展。在存在硬件限制的情况下，需要更轻的模型，以及对移动设备量身定制的模型的需求。在本文中，我们将评估创建解决这些问题的算法时使用的方法。本文的主要目标是提高最先进算法的准确性，同时保持速度和实时效率。一级对象检测中最重要的问题与小物体有关和本地化不准确。作为解决方案，我们创建了一个新网络，名称为MobiledenSeNet适合嵌入式系统。我们还开发了一种用于移动设备的轻颈FCPNLITE，可以帮助检测小物体。我们的研究表明，很少有论文引用嵌入式系统中的颈部。我们网络与其他网络的区别是我们使用串联功能。网络头部的一个小而显着的变化使准确性放大，而没有增加速度或限制参数。简而言之，我们对具有挑战性的可可和Pascal VOC数据集的关注分别为24.8和76.8，分别为百分比，这是迄今为止其他最先进系统所记录的率。我们的网络能够提高准确性，同时保持移动设备上的实时效率。我们将像素3（Snapdragon 845）上的操作速度计算为22.8 fps。该研究的源代码可在https://github.com/hajizadeh/mobiledensenet上获得。

早期动作预测旨在在完全执行动作之前成功预测其类标签。这是一个具有挑战性的任务，因为不同动作的开始阶段可能非常相似，只有微妙的歧视差异。在本文中，我们提出了一个新颖的专家检索和组装（ERA）模块，该模块检索并组装了一组最专业的专家，该专家最专门使用歧视性微妙差异，以将输入样本与其他高度相似的样本区分开来。为了鼓励我们的模型有效地使用细微的差异进行早期行动预测，我们促使专家仅区分高度相似的样本，迫使这些专家学会使用这些样品之间存在的细微差异。此外，我们设计了一种有效的专家学习率优化方法，可以平衡专家的优化并带来更好的性能。我们在四个公共行动数据集上评估了我们的ERA模块，并实现最先进的性能。