在本文中，我们提出了Dexter，这是一个端到端系统，以从医疗保健文件中存在的表中提取信息，例如电子健康记录（EHR）和福利解释（EOB）。 Dexter由四个子系统阶段组成：i）表检测ii）表类型分类iii）细胞检测；和iv）细胞含量提取。我们建议使用CDEC-NET体系结构以及用于表检测的非最大程度抑制作用，提出一种基于两阶段的转移学习方法。我们根据图像大小来检测行和列设计一种常规的基于计算机视觉的方法，用于使用参数化内核进行表类型分类和单元格检测。最后，我们使用现有的OCR发动机Tessaract从检测到的单元中提取文本。为了评估我们的系统，我们手动注释了现实世界中医学数据集（称为Meddata）的样本，该样本由各种文档（在外观上）组成，涵盖了不同的表结构，例如，诸如边界，部分边框，无边界或无边界，或彩色桌子。我们在实验上表明，Dexter在注释的现实世界医学数据集上优于市售的Amazon swark和Microsoft Azure形式识别器系统

科学和工程中的许多问题涉及在高维空间上优化昂贵的黑盒功能。对于此类黑盒优化（BBO）问题，我们通常会为在线功能评估进行少量预算，但通常也可以访问固定的离线数据集进行预读。先前的方法试图利用离线数据来近似函数或逆向，但与数据分布相距不足。我们提出了Black-Box优化变压器（Boomer），这是一种使用离线数据集预处理黑框优化器的生成框架。在Boomer中，我们训练自回归模型，以模仿隐式黑框功能优化器的轨迹运行。由于默认情况下这些轨迹不可用，因此我们通过从离线数据中对随机点进行排序来开发一个简单的随机启发式，以合成轨迹。从理论上讲，我们表明这种启发式诱导的轨迹，这些轨迹模仿了从不同的低保真度（探索）到高保真（剥削）样本的过渡。此外，我们引入了机制，以控制从勘探到剥削的轨迹过渡的速率，并在测试时间内将其推广到离线数据之外。从经验上讲，我们使用随便的蒙面变压器实例化繁荣，并在设计基础上进行评估，在设计基础上，我们平均排名最优于最优于最先进的基线。

计算机辅助诊断数字病理学正在变得普遍存在，因为它可以提供更有效和客观的医疗保健诊断。最近的进展表明，卷积神经网络（CNN）架构是一种完善的深度学习范式，可用于设计一种用于乳腺癌检测的计算机辅助诊断（CAD）系统。然而，探索了污染变异性因污染变异性和染色常规化的影响，尚未得到很好的挑战。此外，对于高吞吐量筛选可能是重要的网络模型的性能分析，这也不适用于高吞吐量筛查，也不熟悉。要解决这一挑战，我们考虑了一些当代CNN模型，用于涉及（1）的乳房组织病理学图像的二进制分类。使用基于自适应颜色解卷积（ACD）的颜色归一化算法来处理污染归一化图像的数据以处理染色变量; （2）应用基于转移学习的一些可动性更高效的CNN模型的培训，即视觉几何组网络（VGG16），MobileNet和效率网络。我们在公开的Brankhis数据集上验证了培训的CNN网络，适用于200倍和400x放大的组织病理学图像。实验分析表明，大多数情况下预染额网络在数据增强乳房组织病理学图像中产生更好的质量，而不是污染归一化的情况。此外，我们使用污染标准化图像评估了流行轻量级网络的性能和效率，并发现在测试精度和F1分数方面，高效网络优于VGG16和MOBILENET。我们观察到在测试时间方面的效率比其他网络更好; vgg net，mobilenet，在分类准确性下没有太大降低。

我们示出了一种新的设计标准，即由加权标准规范化的子带错误的最小二乘范围，可用于概括比例型归一化子带自适应滤波（PTNSAF）框架。新标准直接惩罚子带错误，并包括使用阻尼正则牛顿的方法最小化的稀疏性惩罚术语。通过计算机模拟研究了所提出的广义PTNSAF（GPTNSAF）的影响。具体而言，我们研究了使用不同数量的子带和各种稀疏性惩罚术语对准稀疏，稀疏和分散系统的影响。结果表明，当目标系统是准稀疏或分散的时，增加子带数增加的损奋较大的效果。另一方面，对于稀疏的目标系统，促进稀疏性变得更加重要。更重要的是，这两个方面为GPTNSAF提供了互补和添加剂的益处，用于加速收敛。

最近在文献中使用的型号证明残留网络（RESNET）优于线性预测器实际上与已广泛用于计算机视觉中的标准EMER的不同。除了诸如标量标值输出或单个残差块的假设之外，这些模型在最终残余表示中没有非线性，其进入最终仿射层。为了编写非线性的这种差异，并揭示线性估计属性，我们通过简单地从标准试剂从标准试剂中的最后一个残留表示下丢弃非线性来定义reseness，即残余非线性估计器。我们展示了具有瓶颈块的宽雷峰可以始终保证标准的培训属性，标准的培训属性旨在实现，即添加更多块不会降低相同一组基本元素的性能。为了证明，我们首先识别雷峰是基本函数模型，其基于基础学习和线性预测的耦合问题受到限制。然后，为了从基础学习中解耦预测权重，我们构建一个特殊的架构被称为增强的resnest（a-resnest），这些架构始终保证在添加块中没有更糟糕的性能。结果，这种A-RES最终建立了使用相应基部的reS最低限制的低界限。我们的结果表明Resenss确实存在缩短功能重用的问题;然而，通过充分扩展或加宽输入空间，可以避免它，导致上述所需的性能。由已显示以优于ENRENET的DENSENETS的灵感，我们还提出了一种称为密集连接的非线性估算器（DENSENEST）的相应新模型。我们表明，任何Densenest都可以用瓶颈块表示为宽姓氏。与雷最多，Densenests在没有任何特殊建筑重新设计的情况下表现出理想的财产。