这项研究提出了一个基于移动网格参数化的端到端无监督的差异可变形登记框架。使用此参数化，可以使用其转换雅各布的决定因素和末端速度场的卷曲来建模。变形场的新模型具有三个重要优势。首先，它放松了对成本函数的显式正则化项和相应重量的需求。平滑度隐含在溶液中，从而导致物理上合理的变形场。其次，它通过适用于转换雅各布决定因素的明确约束来保证差异性。最后，它适用于心脏数据处理，因为该参数化的性质是根据​​径向和旋转成分定义变形场。通过在包括2D和3D心脏MRI扫描在内的三个不同数据集上评估拟议方法来研究算法的有效性。结果表明，所提出的框架在生成差异变换的同时优于现有的基于学习的方法和基于非学习的方法。

本文的重点是概念证明，机器学习（ML）管道，该管道从低功率边缘设备上获取的压力传感器数据中提取心率。 ML管道包括一个UPS采样器神经网络，信号质量分类器以及优化的1D横向扭转神经网络，以高效且准确的心率估计。这些型号的设计使管道小于40 kb。此外，开发了由UPS采样器和分类器组成的杂种管道，然后开发了峰值检测算法。管道部署在ESP32边缘设备上，并针对信号处理进行基准测试，以确定能量使用和推理时间。结果表明，与传统算法相比，提出的ML和杂种管道将能量和时间减少82％和28％。 ML管道的主要权衡是准确性，平均绝对误差（MAE）为3.28，而混合动力车和信号处理管道为2.39和1.17。因此，ML模型显示出在能源和计算约束设备中部署的希望。此外，ML管道的较低采样率和计算要求可以使自定义硬件解决方案降低可穿戴设备的成本和能源需求。

树皮甲虫暴发会极大地影响世界各地的森林生态系统和服务。为了制定有效的森林政策和管理计划，至关重要的是对树木的早期发现至关重要。尽管树皮甲虫的侵扰存在视觉症状，但考虑到冠状叶子变色的树冠和非同质性，这项任务仍然具有挑战性。在这项工作中，提出了一种基于深度学习的方法，以有效地对单个树级别的树皮甲虫攻击的不同阶段进行分类。所提出的方法使用视网膜架构（利用预萃取良好的特征提取主链进行树冠检测）来训练浅子网络，以对无人机（无人驾驶汽车）捕获的图像的不同攻击阶段进行分类。此外，检查了各种数据增强策略以解决类不平衡问题，因此，选择仿射转换是为此目的最有效的。实验评估通过达到98.95％的平均准确性来证明该方法的有效性，使基线方法的表现高约10％。

在自然界中，动物的集体行为（例如飞鸟）由同一物种的个体之间的相互作用主导。但是，对鸟类物种中这种行为的研究是一个复杂的过程，即人类无法使用常规的视觉观察技术（例如自然界的焦点采样）进行。对于鸟类等社会动物，群体形成的机制可以帮助生态学家了解社交线索及其视觉特征随着时间的流逝（例如姿势和形状）之间的关系。但是，恢复飞行鸟类的不同姿势和形状是一个极具挑战性的问题。解决此瓶颈的一种广泛的解决方案是将姿势和形状从2D图像提取到3D对应关系。 3D视觉的最新进展导致了关于3D形状和姿势估计的许多令人印象深刻的作品，每项作品都有不同的利弊。据我们所知，这项工作是首次尝试概述基于单眼视觉的3D鸟重建的最新进展，使计算机视觉和生物学研究人员概述了现有方法，并比较其特征。

机器学习研究人员长期以来在可解释性和预测性能之间进行了权衡。一方面，传统模型通常对人类解释，但他们无法实现高预测性能。在光谱的另一端，深层模型可以在许多任务中实现最先进的表演。然而，已知深度模型的预测对人类来说是不可诠释的。在本文中，我们提出了一种框架，缩短了两个上述方法组之间的间隙。鉴于人工神经网络（ANN），我们的方法发现了高斯过程（GP），其预测几乎与ANN的相匹配。由于GPS是高度可诠释的，我们使用训练有素的GP来解释ANN的决定。我们使用我们的方法来解释可能数据集的Anns的决定。解释提供了关于ANNS的决策的有趣见解。凭借我们的知识，我们对GPS的推理配方是第一个ANN和类似表现的高斯过程自然出现的第一个。此外，我们研究了GPS可解释的ANN的一些已知理论条件。其中一些理论条件对于现代建筑来说太限制了。然而，我们假设只有这些理论条件的子集就足够了。最后，我们将我们的框架作为一个名为GPEX的公开工具实施。鉴于任何Pytorch馈通模块，GPEX允许用户毫不费力地解释模块的任何ANN子组件，而无需参与推理算法。 GPEX在线公开提供：www.github.com/nilanjan- ray/gpex

动态模型修剪是最近的方向，其允许不同的子网络中的部署过程中每个输入采样的推断。然而，当前的动态方法依赖于学习的连续通道通过诱导稀疏性损失通过正则化门控。这一提法介绍了平衡不同损失的复杂性（如任务的损失，正规化损失）。此外，基于正则化方法缺乏透明的折衷选择超参数，实现计算的预算。我们的贡献是双重的：1）分离任务和修剪培训。 2）简单的超参数选择，使训练前FLOPS减少估计。在神经科学的赫布理论的启发：“神经元一起火一起丝”，我们提出来预测基于其上一层的活化层口罩方法K过滤器。我们提出的问题，因为自监督二元分类问题。每个掩模预测模块被训练以预测，如果对数似然在当前层中的每个过滤器属于前k激活的过滤器。值k被动态地估计基于使用热图的质量的新颖标准每个输入。我们发现在几个神经结构，如VGG，RESNET和MobileNet上CIFAR和ImageNet数据集实验。在CIFAR，我们得出了类似的精度SOTA方法有15％和24％以上FLOPS减少。同样，在ImageNet，我们达到的精度低下降高达13％的改善FLOPS减少。

在本文中，我们提出了一种新的运动计划，用于通过使用人类演示并利用运动的螺钉几何形状来执行复杂的操纵任务。我们考虑复杂的操纵任务，其中对机器人终端效应器的运动有限制。此类任务的示例包括打开门，打开抽屉，将颗粒材料从一个容器中转移到另一个容器到另一个容器，然后将菜肴加载到洗碗机上。我们的方法由两个步骤组成：首先，使用这样一个事实，即可以通过使用一系列恒定螺钉运动来近似机器人任务空间中的运动，我们将人的演示分为一系列恒定螺钉运动。其次，我们使用分段螺钉通过螺钉线性插值来生成运动计划，以实现相同任务的其他实例。螺钉分割的使用使我们能够以无坐标的方式捕获演示的不变性，从而使我们能够计划从一个示例中为不同的任务实例计划。我们对各种操纵场景提出了广泛的实验结果，表明我们的方法可以在各种操纵任务中使用。

染色揭示了抽吸物的微结构，同时创建组织病理学幻灯片。染色变异被定义为源和目标之间的色差差异，是由于染色过程中的特征变化引起的，导致分布变化和目标的性能差。染色归一化的目的是将目标的色谱分布与源的色谱分布相匹配。然而，染色归一化会导致潜在的形态变形，从而导致错误的诊断。我们提出了Fusion，这是一种通过在无监督的测试时间方案中调整模型来促进污渍适应的新方法，从而消除了目标末端进行重大标记的必要性。 Fusion通过更改目标的批准统一统计数据，并使用加权因子将其与源统计融合在一起。根据加权因子，该算法减少到两个极端之一。尽管缺乏培训或监督，但融合超过了分类和密集预测（细分）的现有等效算法，如两个公共数据集上的全面实验所证明的那样。

These notes were compiled as lecture notes for a course developed and taught at the University of the Southern California. They should be accessible to a typical engineering graduate student with a strong background in Applied Mathematics. The main objective of these notes is to introduce a student who is familiar with concepts in linear algebra and partial differential equations to select topics in deep learning. These lecture notes exploit the strong connections between deep learning algorithms and the more conventional techniques of computational physics to achieve two goals. First, they use concepts from computational physics to develop an understanding of deep learning algorithms. Not surprisingly, many concepts in deep learning can be connected to similar concepts in computational physics, and one can utilize this connection to better understand these algorithms. Second, several novel deep learning algorithms can be used to solve challenging problems in computational physics. Thus, they offer someone who is interested in modeling a physical phenomena with a complementary set of tools.

Modelling and forecasting real-life human behaviour using online social media is an active endeavour of interest in politics, government, academia, and industry. Since its creation in 2006, Twitter has been proposed as a potential laboratory that could be used to gauge and predict social behaviour. During the last decade, the user base of Twitter has been growing and becoming more representative of the general population. Here we analyse this user base in the context of the 2021 Mexican Legislative Election. To do so, we use a dataset of 15 million election-related tweets in the six months preceding election day. We explore different election models that assign political preference to either the ruling parties or the opposition. We find that models using data with geographical attributes determine the results of the election with better precision and accuracy than conventional polling methods. These results demonstrate that analysis of public online data can outperform conventional polling methods, and that political analysis and general forecasting would likely benefit from incorporating such data in the immediate future. Moreover, the same Twitter dataset with geographical attributes is positively correlated with results from official census data on population and internet usage in Mexico. These findings suggest that we have reached a period in time when online activity, appropriately curated, can provide an accurate representation of offline behaviour.