针灸是一种技术，从业者刺激身体上的​​特定点。这些点，称为针灸点（或穴位），解剖学上限定皮肤上的区域相对于身体上的一些地标。传统针灸治疗依靠经验丰富的针灸师进行精确定位穴位。由于缺乏视觉线索，新手通常会发现它很难。该项目提供了Faceatlasar，一个原型系统，在增强现实（AR）上下文中定位和可视化面部穴位。该系统旨在以解剖学但可行的方式定位面部穴位和耳廓区域图，2）通过AR中的类别覆盖所要求的穴位，3）在耳朵上显示檐耳区图。我们采用MediaPipe，一个跨平台机器学习框架，构建在桌面和Android手机上运行的管道。我们在不同的基准上执行实验，包括“野外”，AMI EAR数据集和我们自己的注释数据集。结果显示面部穴位的定位精度为95％，99％/ 97％（“野生”/ ami）用于耳廓区域地图和高稳健性。通过该系统，用户甚至不是专业人士，可以快速定位穴位以获得自我压缩处理。

We present a generalised architecture for reactive mobile manipulation while a robot's base is in motion toward the next objective in a high-level task. By performing tasks on-the-move, overall cycle time is reduced compared to methods where the base pauses during manipulation. Reactive control of the manipulator enables grasping objects with unpredictable motion while improving robustness against perception errors, environmental disturbances, and inaccurate robot control compared to open-loop, trajectory-based planning approaches. We present an example implementation of the architecture and investigate the performance on a series of pick and place tasks with both static and dynamic objects and compare the performance to baseline methods. Our method demonstrated a real-world success rate of over 99%, failing in only a single trial from 120 attempts with a physical robot system. The architecture is further demonstrated on other mobile manipulator platforms in simulation. Our approach reduces task time by up to 48%, while also improving reliability, gracefulness, and predictability compared to existing architectures for mobile manipulation. See https://benburgesslimerick.github.io/ManipulationOnTheMove for supplementary materials.

In medical image analysis, automated segmentation of multi-component anatomical structures, which often have a spectrum of potential anomalies and pathologies, is a challenging task. In this work, we develop a multi-step approach using U-Net-based neural networks to initially detect anomalies (bone marrow lesions, bone cysts) in the distal femur, proximal tibia and patella from 3D magnetic resonance (MR) images of the knee in individuals with varying grades of osteoarthritis. Subsequently, the extracted data are used for downstream tasks involving semantic segmentation of individual bone and cartilage volumes as well as bone anomalies. For anomaly detection, the U-Net-based models were developed to reconstruct the bone profiles of the femur and tibia in images via inpainting so anomalous bone regions could be replaced with close to normal appearances. The reconstruction error was used to detect bone anomalies. A second anomaly-aware network, which was compared to anomaly-na\"ive segmentation networks, was used to provide a final automated segmentation of the femoral, tibial and patellar bones and cartilages from the knee MR images containing a spectrum of bone anomalies. The anomaly-aware segmentation approach provided up to 58% reduction in Hausdorff distances for bone segmentations compared to the results from the anomaly-na\"ive segmentation networks. In addition, the anomaly-aware networks were able to detect bone lesions in the MR images with greater sensitivity and specificity (area under the receiver operating characteristic curve [AUC] up to 0.896) compared to the anomaly-na\"ive segmentation networks (AUC up to 0.874).

随着孩子的年龄增长，他们对周围的身体过程有了直觉的理解。它们沿着发育轨迹移动，在先前的实证研究中，这些轨迹已被广泛绘制出来。我们研究儿童的发育轨迹与人工系统的学习轨迹相比。具体而言，我们研究了一种观念，即认知发展是由某种形式的随机优化程序导致的。为此，我们使用随机梯度下降训练现代生成神经网络模型。然后，我们使用发展心理学文献中的方法来探究该模型的物理理解，以不同程度的优化。我们发现该模型的学习轨迹捕捉了儿童的发展轨迹，从而为发展的想法提供了支持，作为随机优化的发展。

在硅组织模型中，可以评估磁共振成像的定量模型。这包括对成像生物标志物和组织微结构参数的验证和灵敏度分析。我们提出了一种新的方法来生成心肌微结构的现实数值幻影。我们扩展了以前的研究，该研究考虑了心肌细胞的变异性，心肌细胞（插入式椎间盘）之间的水交换，心肌微结构混乱和四个钣金方向。在该方法的第一阶段，心肌细胞和钣金是通过考虑心肌到骨膜细胞连接的形状变异性和插入式椎间盘而产生的。然后，将薄板汇总和定向在感兴趣的方向上。我们的形态计量学研究表明，数值和真实（文献）心肌细胞数据的体积，长度以及一级和次要轴的分布之间没有显着差异（$ p> 0.01 $）。结构相关性分析证实了硅内组织与实际组织的混乱类别相同。此外，心肌细胞的模拟螺旋角（HA）和输入HA（参考值）之间的绝对角度差（$ 4.3^\ Circ \ PM 3.1^\ Circ $）与所测量HA之间的绝对角差有很好的一致性使用实验性心脏扩散张量成像（CDTI）和组织学（参考值）（Holmes等，2000）（$ 3.7^\ Circ \ PM6.4^\ Circ $）和（Scollan等，1998）（$ 4.9） ^\ circ \ pm 14.6^\ circ $）。使用结构张量成像（黄金标准）和实验性CDTI，输入和模拟CDTI的特征向量和模拟CDTI的角度之间的角度距离小于测量角度之间的角度距离。这些结果证实，所提出的方法比以前的研究可以为心肌产生更丰富的数值幻象。

对于基于MR物理学的模拟，对虚拟心脏MR图像的数据库进行了极大的兴趣，以开发深度学习分析网络。但是，这种数据库的使用受到限制或由于现实差距，缺失纹理以及模拟图像的简化外观而显示出次优性能。在这项工作中，我们1）在虚拟XCAT主题上提供不同的解剖学模拟，以及2）提出SIM2Real翻译网络以改善图像现实主义。我们的可用性实验表明，SIM2REAL数据具有增强训练数据并提高分割算法的性能的良好潜力。

我们提出了一种新的方法，可实现化学流程表的自动完成。这个想法的灵感来自文本的自动完成。我们使用基于文本的SFILE 2.0表示法表示流程图为字符串，并使用基于变压器的语言模型在流程图中学习SFILE 2.0语言和常见模式的语法结构。我们将模型预先培训，以了解合成生成的流程图，以学习流语言语法。然后，我们在真实流程图拓扑的转移学习步骤中微调模型。最后，我们使用训练有素的因果语言建模模型来自动完成流程表。最终，所提出的方法可以在交互式流动表合成过程中为化学工程师提供建议。结果表明，这种方法对于未来的AI辅助过程合成具有很高的潜力。

神经网络遵循一个基于梯度的学习方案，通过回击输出损失来调整其映射参数。与训练期间看到的样本不同，导致不同的梯度分布。基于这种直觉，我们设计了一种新型的半监督异常检测方法，称为R2-AD2。通过分析梯度在多个训练步骤中的时间分布，我们可靠地检测到严格的半监督设置中的点异常。代替域依赖性功能，我们将测试样本引起的原始梯度输入到端到端的复发性神经网络体系结构。R2-AD2以纯粹数据驱动的方式工作，因此很容易适用于各种重要的异常检测用例。

基于坐标的体积表示有可能从图像中生成光真实的虚拟化身。但是，即使是可能未观察到的新姿势，虚拟化身也需要控制。传统技术（例如LBS）提供了这样的功能；但是，通常需要手工设计的车身模板，3D扫描数据和有限的外观模型。另一方面，神经表示在表示视觉细节方面具有强大的作用，但在变形的动态铰接式参与者方面受到了探索。在本文中，我们提出了TAVA，这是一种基于神经表示形式创建无象光动画体积参与者的方法。我们仅依靠多视图数据和跟踪的骨骼来创建演员的体积模型，该模型可以在给定的新颖姿势的测试时间中进行动画。由于塔瓦不需要身体模板，因此它适用于人类以及其他动物（例如动物）。此外，Tava的设计使其可以恢复准确的密集对应关系，从而使其适合于内容创建和编辑任务。通过广泛的实验，我们证明了所提出的方法可以很好地推广到新颖的姿势以及看不见的观点和展示基本的编辑功能。

凸面分段二次（PWQ）函数经常出现在控制和其他地方。例如，众所周知，线性MPC的最佳值函数（OVF）以及Q-功能是凸PWQ函数。现在，在基于学习的控制中，这些功能通常在人工神经网络（NN）的帮助下代表。在这种情况下，一个反复出现的问题是如何从深度，宽度和激活方面选择NN的拓扑，以实现有效的学习。对该问题的优雅答案可能是一种拓扑结构，原则上可以准确地描述要学习的功能。此类解决方案已经用于相关问题。实际上，合适的拓扑以分段仿射（PWA）函数而闻名，例如，可以反映线性MPC中的最佳控制定律。遵循这个方向，我们在本文中显示，只有一个隐藏层和两个神经元，Max-out-NN可以精确地描述凸PWQ函数。