简介白质超强度（WMHS）的自动分割是磁共振成像（MRI）神经影像分析的重要步骤。流体减弱的反转恢复（FLAIR加权）是MRI对比度，对于可视化和量化WMHS，这是脑小血管疾病和阿尔茨海默氏病（AD）特别有用的。临床MRI方案迁移到三维（3D）FLAIR加权的采集，以在所有三个体素维度中实现高空间分辨率。当前的研究详细介绍了深度学习工具的部署，以使自动化的WMH分割和表征从获得的3D Flair加权图像作为国家广告成像计划的一部分获得。 DDI研究中的642名参与者（283名男性，平均年龄：（65.18 +/- 9.33）年）中的材料和方法，在五个国家收集地点进行了培训和验证两个内部网络。在642名参与者的内部数据和一个外部数据集中，对三个模型进行了测试，其中包含来自国际合作者的29个情况。这些测试集进行了独立评估。使用了五个已建立的WMH性能指标与地面真理人体分割进行比较。测试的三个网络的结果，3D NNU-NET具有最佳性能，平均骰子相似性系数得分为0.78 +/- 0.10，其性能优于内部开发的2.5D模型和SOTA DEEP DEEP BAYESIAN网络。结论MRI协议中3D Flair加权图像的使用越来越多，我们的结果表明，WMH分割模型可以在3D数据上进行训练，并产生与无需更高的或更好的无需先进的WMH分割性能用于包括T1加权图像系列。

目的：通过密集连接的深度学习重建框架来改善加速的MRI重建。材料和方法：通过应用三个架构修改来修改级联的深度学习重建框架（基线模型）：级联输入和输出之间的输入级级密集连接，改进的深度学习子网络和随后的SKIP连接之间的改进深度学习网络。进行了一项消融研究，其中在NYU FastMRI Neuro数据集上训练了五个模型配置，并在四倍和八倍的加速度上结合了端到端方案。通过比较其各自的结构相似性指数度量（SSIM），归一化平方误差（NMSE）和峰信号与噪声比（PSNR）来评估训练的模型。结果：提出的密集互连的残留级联网络（DIRCN）利用了所有三种建议的修改，分别为四倍和八倍加速度获得了8％和11％的SSIM提高。对于八倍的加速度，与基线模型相比，该模型的NMSE降低了23％。在一项消融研究中，单个体系结构的修饰都通过分别减少SSIM和NMSE的四倍加速度减少了SSIM和NMSE，这都促进了这一改进。结论：所提出的架构修改允许对已经存在的级联框架进行简单调整，以进一步改善所得的重建。

In intensively managed forests in Europe, where forests are divided into stands of small size and may show heterogeneity within stands, a high spatial resolution (10 - 20 meters) is arguably needed to capture the differences in canopy height. In this work, we developed a deep learning model based on multi-stream remote sensing measurements to create a high-resolution canopy height map over the "Landes de Gascogne" forest in France, a large maritime pine plantation of 13,000 km$^2$ with flat terrain and intensive management. This area is characterized by even-aged and mono-specific stands, of a typical length of a few hundred meters, harvested every 35 to 50 years. Our deep learning U-Net model uses multi-band images from Sentinel-1 and Sentinel-2 with composite time averages as input to predict tree height derived from GEDI waveforms. The evaluation is performed with external validation data from forest inventory plots and a stereo 3D reconstruction model based on Skysat imagery available at specific locations. We trained seven different U-net models based on a combination of Sentinel-1 and Sentinel-2 bands to evaluate the importance of each instrument in the dominant height retrieval. The model outputs allow us to generate a 10 m resolution canopy height map of the whole "Landes de Gascogne" forest area for 2020 with a mean absolute error of 2.02 m on the Test dataset. The best predictions were obtained using all available satellite layers from Sentinel-1 and Sentinel-2 but using only one satellite source also provided good predictions. For all validation datasets in coniferous forests, our model showed better metrics than previous canopy height models available in the same region.

Large language models (LLMs) have been shown to be able to perform new tasks based on a few demonstrations or natural language instructions. While these capabilities have led to widespread adoption, most LLMs are developed by resource-rich organizations and are frequently kept from the public. As a step towards democratizing this powerful technology, we present BLOOM, a 176B-parameter open-access language model designed and built thanks to a collaboration of hundreds of researchers. BLOOM is a decoder-only Transformer language model that was trained on the ROOTS corpus, a dataset comprising hundreds of sources in 46 natural and 13 programming languages (59 in total). We find that BLOOM achieves competitive performance on a wide variety of benchmarks, with stronger results after undergoing multitask prompted finetuning. To facilitate future research and applications using LLMs, we publicly release our models and code under the Responsible AI License.

刚性对象的6D姿势的估计是计算机视觉中的一个基本问题。传统上，姿势估计与确定单一最佳估计有关。但是，单个估计无法表达视觉歧义，在许多情况下，由于对象对称或识别特征的阻塞，这在许多情况下是不可避免的。无法说明姿势的歧义可能会导致后续方法的失败，这是在失败成本高时无法接受的。完全姿势分布的估计与单个估计相反，非常适合表达姿势不确定性。由此激励，我们提出了一种新颖的姿势分布估计方法。对象姿势上概率分布的隐式公式来自对象的中间表示作为一组关键点。这样可以确保姿势分布估计值具有很高的解释性。此外，我们的方法基于保守近似，这导致可靠的估计。该方法已被评估在YCB-V和T-less数据集上旋转分布估计的任务，并在所有对象上可靠地执行。

欧洲机械指令和相关的统一标准确实认为软件用于生成机械的安全性行为，但不考虑各种软件。特别是，未考虑基于机器学习（ML）的软件以实现与安全相关的行为。这限制了为自动移动机器人和其他自动驾驶机械引入合适的安全概念，这些机械通常取决于基于ML的功能。我们调查了此问题以及安全标准定义要针对软件故障实施的安全措施的方式。功能安全标准使用安全完整性水平（SILS）来定义应采取哪些安全措施。它们提供了确定SIL和根据SIL选择安全措施的规则的规则。在本文中，我们认为这种方法在ML和其他类型的人工智能（AI）方面很难采用。我们建议使用保证案例来争辩说，在给定情况下，我们建议使用保证案例的简单规则，而是建议使用保证案例来辩称单独选择和应用的措施就足够了。为了获得有关提案的可行性和实用性的第一个评级，我们在讲习班中与工业专家，德国法定事故保险公司，工作安全和标准化委员会以及来自各种国家，欧洲和国际工作的代表进行了讨论和讨论。处理安全和AI的小组。在本文中，我们总结了提案和研讨会的讨论。此外，我们检查我们的建议与欧洲AI ACT提案和当前的安全标准化计划有关的程度一致

多节点WDM网络的数字双胞胎模型是从单个访问点获得的。该模型用于预测和优化网络中每个链接的发射功率配置文件，并获得最多2.2 〜db的边距改进。不优化的传输。

全球抗菌耐药性（AMR）的增加是对人类健康的严重威胁。为了避免AMR的传播，快速可靠的诊断工具可以促进最佳的抗生素管理。在这方面，拉曼光谱学有望在一步中快速标记和无培养物鉴定以及抗菌敏感性测试（AST）。但是，尽管许多基于拉曼的细菌识别和AST研究表现出了令人印象深刻的结果，但仍必须解决一些缺点。为了弥合概念验证研究和临床应用之间的差距，我们与新的数据增强算法相结合开发了机器学习技术，以快速鉴定最小制备的细菌表型和甲氧西林抗甲氧西林（MR）的区别（MR）的区别甲氧西林敏感（MS）细菌。为此，我们为细菌的超光谱拉曼图像实施了光谱变压器模型。我们表明，我们的模型在精度和训练时间方面都超过了许多分类问题的标准卷积神经网络模型。对于六种MR-MS细菌物种，我们在数据集中达到了超过96美元的分类精度，该数据集由15个不同类别和95.6 $ \％$分类精度。更重要的是，我们的结果仅使用快速，易于生产的培训和测试数据获得

许多工业组装任务都涉及孔洞孔，例如插入具有巨大公差的插入，即使在高度校准的机器人细胞中也很具有挑战性。可以采用视觉伺服来提高系统中不确定性的鲁棒性，但是，最先进的方法要么依赖于准确的3D模型用于合成渲染，要么手动参与训练数据。我们提出了一种新型的自我监督的视觉伺服涂方法，用于高精度钉插入，该方法是完全自动化的，不依赖合成数据。我们证明了其适用于将电子组件插入具有紧密公差的印刷电路板中。我们表明，可以通过我们提出的视觉伺服方法在强大但缓慢的基于力的插入策略之前大幅度地加速插入孔的插入，该方法的配置是完全自主的。

基于机器学习和其他AI技术的数据驱动模型（DDM）在越来越多的自主系统的感知中起着重要作用。由于仅基于用于培训的数据而仅对其行为进行隐式定义，因此DDM输出可能会出现不确定性。这对通过DDMS实现安全 - 关键感知任务的挑战提出了挑战。解决这一挑战的一种有希望的方法是估计操作过程中当前情况的不确定性，并相应地调整系统行为。在先前的工作中，我们专注于对不确定性的运行时估计，并讨论了处理不确定性估计的方法。在本文中，我们提出了处理不确定性的其他架构模式。此外，我们在定性和定量上对安全性和性能提高进行了定量评估。对于定量评估，我们考虑了一个用于车辆排的距离控制器，其中通过考虑在不同的操作情况下可以降低距离的距离来衡量性能增长。我们得出的结论是，考虑驾驶状况的上下文信息的考虑使得有可能或多或少地接受不确定性，具体取决于情况的固有风险，从而导致绩效提高。