神经胶质瘤是由不同高度异质组织学子区域组成的脑肿瘤。鉴定相关肿瘤子结构的图像分析技术具有改善患者诊断，治疗和预后的高潜力。但是，由于神经胶质瘤的异质性高，分割任务目前是医学图像分析领域的主要挑战。在目前的工作中，研究了由神经胶质瘤的多模式MRI扫描组成的2018年脑肿瘤分割（BRAT）挑战的数据库。提出了基于卷积神经网络（CNN）的设计和应用的分割方法，并结合了原始的后处理技术，其计算需求较低。后处理技术是分割中获得的结果的主要负责。分段区域是整个肿瘤，肿瘤核和增强的肿瘤核，分别获得等于0.8934、0.8376和0.8113的平均骰子系数。这些结果达到了由挑战的获胜者确定的神经胶质瘤分割的最新现状。

我们根据单个稀疏试验扫描来研究自适应设计，以生成计算机断层扫描重建的有效扫描策略。我们使用线性化的深图像提出了一种新颖的方法。它允许将试验测量的信息纳入角度选择标准，同时保持共轭高斯线性模型的障碍。在具有优先方向的合成生成的数据集上，线性化倾角设计允许将扫描数减少到相对于等距角基线的30％。

用于估计模型不确定性的线性拉普拉斯方法在贝叶斯深度学习社区中引起了人们的重新关注。该方法提供了可靠的误差线，并接受模型证据的封闭式表达式，从而可以选择模型超参数。在这项工作中，我们检查了这种方法背后的假设，尤其是与模型选择结合在一起。我们表明，这些与一些深度学习的标准工具（构成近似方法和归一化层）相互作用，并为如何更好地适应这种经典方法对现代环境提出建议。我们为我们的建议提供理论支持，并在MLP，经典CNN，具有正常化层，生成性自动编码器和变压器的剩余网络上进行经验验证它们。

Existing deep-learning based tomographic image reconstruction methods do not provide accurate estimates of reconstruction uncertainty, hindering their real-world deployment. This paper develops a method, termed as the linearised deep image prior (DIP), to estimate the uncertainty associated with reconstructions produced by the DIP with total variation regularisation (TV). Specifically, we endow the DIP with conjugate Gaussian-linear model type error-bars computed from a local linearisation of the neural network around its optimised parameters. To preserve conjugacy, we approximate the TV regulariser with a Gaussian surrogate. This approach provides pixel-wise uncertainty estimates and a marginal likelihood objective for hyperparameter optimisation. We demonstrate the method on synthetic data and real-measured high-resolution 2D $\mu$CT data, and show that it provides superior calibration of uncertainty estimates relative to previous probabilistic formulations of the DIP. Our code is available at https://github.com/educating-dip/bayes_dip.

Farquhar等人。[2021]表明，纠正具有协议式模型的主动学习偏差导致下游性能提高。然而，对于诸如NNS的过度指数化模型，然而，校正导致减少或不变的性能。他们认为这是由于“过度装备偏见”，其抵消了主动学习偏差。我们表明深度不确定性网络在低过度装备制度中运行，就像顺相位表一样。因此，它们应该看到具有偏差校正的性能的增加。令人惊讶的是，他们没有。我们建议这种负面结果以及结果Farquhar等。[2021]可以通过普遍化误差的偏差差异分解的镜头来解释。

在主动学习中，训练数据集的大小和复杂性随时间而变化。随着更多要点，由主动学习开始时可用的数据量良好的简单模型可能会受到偏见的影响。可能非常适合于完整数据集的灵活模型可能会在积极学习开始时受到过度装备。我们使用深度不确定性网络（DUNS）来解决这个问题，其中一个BNN变体，其中网络的深度以及其复杂性。我们发现DUNS在几个活跃的学习任务上表现出其他BNN变体。重要的是，我们表明，在DUNs表现最佳的任务上，它们呈现出比基线的显着不太容易。

贝叶斯范式有可能解决深度神经网络的核心问题，如校准和数据效率低差。唉，缩放贝叶斯推理到大量的空间通常需要限制近似。在这项工作中，我们表明它足以通过模型权重的小子集进行推动，以便获得准确的预测后断。另一个权重被保存为点估计。该子网推断框架使我们能够在这些子集上使用表现力，否则难以相容的后近近似。特别是，我们将子网线性化LAPLACE作为一种简单，可扩展的贝叶斯深度学习方法：我们首先使用线性化的拉普拉斯近似来获得所有重量的地图估计，然后在子网上推断出全协方差高斯后面。我们提出了一个子网选择策略，旨在最大限度地保护模型的预测性不确定性。经验上，我们的方法对整个网络的集合和较少的表达后近似进行了比较。

This letter focuses on the task of Multi-Target Multi-Camera vehicle tracking. We propose to associate single-camera trajectories into multi-camera global trajectories by training a Graph Convolutional Network. Our approach simultaneously processes all cameras providing a global solution, and it is also robust to large cameras unsynchronizations. Furthermore, we design a new loss function to deal with class imbalance. Our proposal outperforms the related work showing better generalization and without requiring ad-hoc manual annotations or thresholds, unlike compared approaches.

The library scikit-fda is a Python package for Functional Data Analysis (FDA). It provides a comprehensive set of tools for representation, preprocessing, and exploratory analysis of functional data. The library is built upon and integrated in Python's scientific ecosystem. In particular, it conforms to the scikit-learn application programming interface so as to take advantage of the functionality for machine learning provided by this package: pipelines, model selection, and hyperparameter tuning, among others. The scikit-fda package has been released as free and open-source software under a 3-Clause BSD license and is open to contributions from the FDA community. The library's extensive documentation includes step-by-step tutorials and detailed examples of use.

我们研究了使用K代理商最佳检查地下（水下）画廊的问题。我们考虑了一个带有单个开口的画廊，并带有树拓扑结构。由于管道的直径很小（洞穴），代理是小型机器人，自主权有限，在画廊的开口处有一个供应站。因此，它们最初被放置在根部，并且需要定期返回供应站。我们的目标是设计离线策略，以有效地使用$ k $小型机器人覆盖树。我们考虑两个目标功能：覆盖时间（最大集体时间）和覆盖距离（总行驶距离）。最大的集体时间是机器人花费的最大时间需要完成其分配的任务（假设所有机器人同时启动）；总行进距离是所有覆盖步行的长度的总和。由于问题对于大树很棘手，因此我们提出了近似算法。通过密集的数值实验，均匀溶液的效率和准确性均可显示随机树的经验表明。