Purpose: This study aims to explore training strategies to improve convolutional neural network-based image-to-image registration for abdominal imaging. Methods: Different training strategies, loss functions, and transfer learning schemes were considered. Furthermore, an augmentation layer which generates artificial training image pairs on-the-fly was proposed, in addition to a loss layer that enables dynamic loss weighting. Results: Guiding registration using segmentations in the training step proved beneficial for deep-learning-based image registration. Finetuning the pretrained model from the brain MRI dataset to the abdominal CT dataset further improved performance on the latter application, removing the need for a large dataset to yield satisfactory performance. Dynamic loss weighting also marginally improved performance, all without impacting inference runtime. Conclusion: Using simple concepts, we improved the performance of a commonly used deep image registration architecture, VoxelMorph. In future work, our framework, DDMR, should be validated on different datasets to further assess its value.

多核电是一个理想的公平标准，该标准限制了数据中灵活定义的组之间的校准误差，同时保持整体校准。但是，当结果概率与群体成员资格相关时，基本速率较低的组的校准误差比基本速率较高的组显示出更高的校准误差。结果，决策者仍然有可能学习对特定群体的信任或不信任模型预测。为了减轻这一点，我们提出了比例的数字净化，该标准限制了组之间和预测箱之间的校准误差百分比。我们证明，满足比例的多中心范围界定了模型的数字以及它的差异校准，这是一个受充分性的公平概念启发的更强的公平标准。我们为后处理风险预测模型提供了有效的算法，以进行比例的多核电并进行经验评估。我们进行仿真研究，并研究PMC-POSTPROCESSSPOCESS在急诊科患者入院预测中的现实应用。我们观察到，比例的数字启动是控制模型在分类性能方面几乎没有成本的校准公平度的同时衡量量标准的有希望的标准。

当前的预训练语言模型（PLM）通常是通过静态数据训练的，忽略了在现实情况下，各种来源的流数据可能会不断增长。这要求PLM终生整合来自所有来源的信息。尽管可以通过对所有现有数据进行详尽的预培训来实现此目标，但已知该过程在计算上是昂贵的。为此，我们提出了Elle，目的是为新兴数据有效终身预训练。具体而言，ELLE由（1）函数保留的模型扩展组成，它们灵活地扩展了现有的PLM的宽度和深度以提高知识获取的效率； （2）预先训练的领域提示，它消除了在预训练期间学习的多功能知识，并刺激了下游任务的适当知识。我们通过来自BERT和GPT上5个域的流数据进行实验。结果表明，在预训练效率和下游性能中，ELLE的优越性超过了各种终身学习基线。这些代码可在https://github.com/thunlp/elle上公开获得。

该工作介绍了基于加强学习的开关控制机构，以在存在干扰的情况下自动地将铁磁物体（代表毫师机器人代表毫师机器人）围绕受约束的环境中的障碍物移动。当主动控制是必要的情况时，这种机制可用于导航通过复杂环境的物体（例如，胶囊内窥镜检查，药物颗粒的群体），但是直接操纵可能危险。所提出的控制方案包括由两个子控制器实现的交换控制架构。第一子控制器设计用于采用机器人的逆运动液解决方案来进行待携带的铁磁颗粒的环境搜索，同时稳健。第二子控制器使用定制的彩虹算法来控制机器人臂，即UR5机器人，通过受约束的环境将铁磁颗粒携带到所需位置。对于定制的彩虹算法，采用来自隐式定位网络（IQN）算法和RESET的定量Huber丢失。所提出的控制器首先在实时物理仿真引擎（Pybullet）中进行培训和测试。之后，训练有素的控制器被转移到UR5机器人，以在真实的情况下远程运输铁磁粒子，以证明所提出的方法的适用性。实验结果显示了98.86 \％的平均成功率计算出30个随机产生的轨迹的发作。