监督的机器学习为各种计算机视觉问题提供了最新的解决方案。但是，对大量标记的培训数据的需求限制了这些算法在稀缺或昂贵的情况下的这些算法的功能。自我监督的学习提供了一种方法，可以通过对未标记数据的特定域进行预处理模型来降低对手动注释数据的需求。在这种方法中，标记的数据完全需要用于微调下游任务的模型。医疗图像细分是一个标签数据需要专家知识并收集大型标记数据集的领域。因此，自我监督的学习算法有望在该领域进行实质性改进。尽管如此，自我监督的学习算法很少用于预识医学图像分割网络。在本文中，我们详细阐述并分析了对下游医学图像分割的监督和自我监督预审方法的有效性，重点是收敛和数据效率。我们发现，对自然图像和目标域特异性图像进行自我监督的预测会导致最快，最稳定的下游收敛性。在我们对ACDC心脏分割数据集的实验中，与Imagenet预处理的模型相比，这种预处理的方法可实现4-5倍的微调收敛。我们还表明，这种方法需要在域特异性数据上进行少于五个时期的预处理，以在下游收敛时间进行这种改进。最后，我们发现，在低数据方案中，有监督的Imagenet预处理达到了最佳准确性，需要少于100个带注释的样品才能实现接近最小误差。

在医学图像分析中，皮质区域的自动分割一直是长期以来的挑战。皮质的复杂几何形状通常表示为多边形网格，其分割可以通过基于图的学​​习方法来解决。当对受试者之间的皮质网格对齐时，当前方法会产生明显较差的分割结果，从而限制了它们处理多域数据的能力。在本文中，我们研究了E（n） - 等级图神经网络（EGNN）的实用性，将其性能与普通图神经网络（GNNS）进行了比较。我们的评估表明，由于GNN的能力利用全球坐标系的存在，GNNS在对齐网格上的表现要优于对齐网格。在未对准的网格上，普通GNN的性能大大下降，而e（n） - 等级消息传递通过相同的分割结果。也可以通过在重新调整数据（全球坐标系中的共注册网格）上使用普通GNN来获得最佳结果。

在水分配系统（WDS）的每个节点中始终知道压力有助于安全有效的操作。然而，由于现实生活中的仪器数量有限的仪器而无法收集完整的测量数据。通过观察仅在纸张中介绍了通过观察到有限数量的节点来重建所有节点压力的数据驱动的方法。重建方法基于K局部化光谱滤波器，在水网络上的图形卷积之外。考虑到应用中的特点，讨论了层数，层深度和Chebyshev-Polymomial的数量的影响。另外，示出了加权方法，其中可以通过邻接矩阵将关于摩擦损失的信息嵌入光谱图滤波器。与节点的总数相比，所提出的模型的性能呈现在观察到的不同数量的节点上。加权连接在二进制连接上证明没有益处，但是所提出的模型将节点压力与最多5％相对误差相对于5％的观察比以5％的相对误差重建。通过遵循论文讨论的考虑，通过浅图神经网络实现了结果。

安全的数字无线通信水下已成为一个关键问题，因为海上运营转向采用机器人资产的异质组合，并且随着数字系统的安全性在所有领域都受到挑战。同时，水下信号编码和物理层选项的增殖提供了更大的带宽和灵活性，但主要没有互操作性所需的标准。我们在这里解决了对安全的基本要求，即对资产身份的确认也称为身份验证。我们建议，实施，验证和验证基于第一个数字水下通信标准的身份验证协议。我们的计划主要适用于在海上石油和天然气设施周围运行的AUV，也适用于将来可能还具有声学调制解调器的其他水下设备。它使包括命令和控制在内的沟通更加安全，并为开发更复杂的安全机制提供了基础。

本文介绍了一种基于输入输出对的有限样本的有限带限制函数构建置信带的方法。该方法是免费的W.R.T.假定观察噪声，并且仅假定输入分布的知识。它是非参数，也就是说，它不需要回归函数的参数模型，并且区域具有非征收保证。该算法基于paley-fiener的理论，再现了内核希尔伯特空间。本文首先研究了完全可观察到的变体，当观测值没有噪音并且只有输入是随机的。然后，它使用梯度扰动方法将思想概括为嘈杂的情况。最后，提出了证明两种情况的数值实验。