子空间聚类方法拥抱一个自表现模型，表示每个数据点作为数据集中的其他数据点的线性组合是强大的无监督学习技术。然而，在处理大规模数据集时，通过参考作为字典的所有数据点来表示每个数据点的表示患有高计算复杂度。为了缓解这个问题，我们通过梳理多个子集，引入并行的基于多子集的自表现模型（PMS），该模型表示每个数据点，每个数据点仅包括小百分比样本。子空间聚类中的PMS采用（PMSSC）导致计算优势，因为分解到每个子集中的每个优化问题很小，并且可以并行地求解。此外，PMSSC能够组合从子集获得的多个自我表达系数矢量，这有助于改善自表现。对合成数据和现实世界数据集的广泛实验表明了我们对竞争方法的方法的效率和有效性。

To ensure the safety of railroad operations, it is important to monitor and forecast track geometry irregularities. A higher safety requires forecasting with a higher spatiotemporal frequency. For forecasting with a high spatiotemporal frequency, it is necessary to capture spatial correlations. Additionally, track geometry irregularities are influenced by multiple exogenous factors. In this study, we propose a method to forecast one type of track geometry irregularity, vertical alignment, by incorporating spatial and exogenous factor calculations. The proposed method embeds exogenous factors and captures spatiotemporal correlations using a convolutional long short-term memory (ConvLSTM). In the experiment, we compared the proposed method with other methods in terms of the forecasting performance. Additionally, we conducted an ablation study on exogenous factors to examine their contribution to the forecasting performance. The results reveal that spatial calculations and maintenance record data improve the forecasting of the vertical alignment.

我们提出了一种新的信息聚合方法，其基于编码器和解码器的特征映射之间的相似性称为本地特征聚合模块。该方法通过强调解码器的特征映射与具有卓越位置信息的特征映射的特征映射的相似性来恢复位置信息。该方法可以比U-Net和U-Net中的传统替代更有效地学习位置信息。此外，该方法还使用局部关注范围来降低计算成本。两种创新有助于提高计算成本较低的分割准确性。通过对果蝇单元格图像数据集和Covid-19图像数据集进行实验，我们证实了我们的方法表现出常规方法。

异常检测和本地化是计算机视觉中的重要问题。最近，卷积神经网络（CNN）已被用于视觉检查。特别是，异常样本的稀缺性增加了这项任务的难度，并且无监督的基于倾斜的方法都会引起注意力。我们专注于学生 - 教师特征金字塔匹配（STPM），可以从少量时期的普通图像训练。在这里，我们提出了一种强大的方法，可以补偿STPM的缺点。提出的方法包括两个学生和两位教师，即一对学生 - 教师网络与STPM相同。其他学生 - 教师网络具有重建普通产品的功能的作用。通过从异常图像重建正常产品的特征，可以通过在它们之间的差异来检测具有更高精度的异常。新的学生 - 教师网络使用原始STPM的注意力模块和不同的教师网络。注意机制以成功重建输入图像中的普通区域。不同的教师网络可以防止与原始STPM相同的区域。从两个学生 - 教师网络获得的六个异常地图用于计算最终的异常地图。用于重建的学生教师网络具有与原始STPM相比的像素级别和图像级别的改进AUC分数。