学习时空特征是有效的视频理解的重要任务，尤其是在超声心动图等医学图像中。卷积神经网络（CNN）和最新的视觉变压器（VIT）是最常用的方法，每个方法都有局限性。 CNN擅长捕获本地环境，但无法在视频帧中学习全局信息。另一方面，视觉变压器可以结合全球细节和长序列，但在计算上却很昂贵，通常需要更多的数据进行训练。在本文中，我们提出了一种方法，该方法可以解决我们通常在医学视频数据（例如超声心动图扫描）培训时面临的局限性。我们提出的算法（echocotr）利用视觉变压器和CNN的强度来解决超声视频上估算左心室射血分数（LVEF）的问题。我们演示了所提出的方法在Echonet-Dynamic数据集上的表现如何以3.95和$ r^2 $为0.82。与所有已发表的研究相比，这些结果显示出明显的改善。此外，我们与包括VIT和BERT在内的多种算法显示了广泛的消融和比较。该代码可在https://github.com/biomedia-mbzuai/echocotr上找到。

青光眼是最严重的眼部疾病之一，其特征是快速进展，导致不可逆的失明。通常，由于疾病早期缺乏明显的症状，人们的视力已经显着降解时，进行诊断。人口的常规青光眼筛查应改善早期检测，但是，由于手动诊断对有限的专家施加的过多负载，词源检查的理想频率通常是不可行的。考虑到检测青光眼的基本方法是分析视轴与光检查比率的底面图像，机器学习算法可以为图像处理和分类提供复杂的方法。在我们的工作中，我们提出了一种先进的图像预处理技术，并结合了深层分类模型的多视图网络，以对青光眼进行分类。我们的青光眼自动化视网膜检测网络（Gardnet）已在鹿特丹Eyepacs Airogs数据集上成功测试，AUC为0.92，然后在RIM-ONE DL数据集上进行了微调，并在AUC上进行了测试，并在AUC上胜过0.9308的AUC。 - 0.9272。我们的代码将在接受后在GitHub上提供。

对比度学习已在许多应用程序中有限的许多应用中有用。缺乏注释数据在医学图像分割中尤其有问题，因为很难让临床专家手动注释大量数据，例如心脏超声图像中的心脏结构。在本文中，我们认为对比训练是否有助于超声心动图图像中左心室的分割。此外，我们研究了对比预处理对两个众所周知的分割网络UNET和DEEPLABV3的影响。我们的结果表明，对比预处理有助于改善左心室分割的性能，尤其是当带注释的数据稀缺时。我们展示了如何以自我监督的方式训练模型时，与最先进的完全监督算法获得可比的结果，然后仅对5％的数据进行微调。我们表明，我们的解决方案优于当前在大型公共数据集（Echonet-Dynemic）上达到的骰子分数为0.9211的内容。我们还将解决方案在另一个较小的数据集（CAMUS）上的性能进行比较，以证明我们提出的解决方案的普遍性。该代码可在（https://github.com/biomedia-mbzuai/contrastive-echo）上获得。

Intensive Care Units usually carry patients with a serious risk of mortality. Recent research has shown the ability of Machine Learning to indicate the patients' mortality risk and point physicians toward individuals with a heightened need for care. Nevertheless, healthcare data is often subject to privacy regulations and can therefore not be easily shared in order to build Centralized Machine Learning models that use the combined data of multiple hospitals. Federated Learning is a Machine Learning framework designed for data privacy that can be used to circumvent this problem. In this study, we evaluate the ability of deep Federated Learning to predict the risk of Intensive Care Unit mortality at an early stage. We compare the predictive performance of Federated, Centralized, and Local Machine Learning in terms of AUPRC, F1-score, and AUROC. Our results show that Federated Learning performs equally well as the centralized approach and is substantially better than the local approach, thus providing a viable solution for early Intensive Care Unit mortality prediction. In addition, we show that the prediction performance is higher when the patient history window is closer to discharge or death. Finally, we show that using the F1-score as an early stopping metric can stabilize and increase the performance of our approach for the task at hand.

没有，也不会有单一的最佳聚类算法，但是我们仍然希望能够确定那些在某些任务类型上表现出色并过滤掉系统令人失望的人。传统上，使用内部或外部有效性度量评估聚类算法。内部度量量化了所获得的分区的不同方面，例如簇紧凑性或点可分离性的平均程度。然而，他们的有效性是值得怀疑的，因为他们促进的聚类有时可能毫无意义。另一方面，外部措施将算法的输出与专家提供的基础真相分组进行了比较。常规的经典分区相似性分数，例如归一化的互信息，福克斯 - 马洛或调整后的兰德指数，可能没有所有期望的特性，例如，它们无法正确识别病理边缘病例。此外，它们不能很好地解释：很难说出0.8的分数。它的行为也可能随着真实簇的数量的变化而有所不同。这使得在许多基准数据集中比较聚类算法变得困难。为了解决这个问题，我们提出并分析了一种新措施：最佳设置匹配精度的不对称版本。它可以纠正机会和集群大小的不平衡性。

在存在空间异质性的情况下，应用于地理数据的模型面临着产生一般结果和捕获局部变化之间的权衡。在区域尺度上进行建模可以识别优化准确性和通用性的解决方案。但是，大多数当前的区域化算法在划分区域的属性中都假定同质性，而无需考虑生成属性的过程。在本文中，我们提出了一个基于两项目标函数的广义区域化框架，该框架有利于最高的总体精度解决方案，同时最大程度地减少区域数量。我们介绍了三种区域化算法，该算法扩展了以前的方法来解释空间约束的聚类。在模拟和真实数据的回归实验中检查了提出的框架的有效性。结果表明，使用自动后处理过程扩展的空间隐式算法优于空间显式方法。我们建议的框架有助于更好地捕获与空间异质性相关的过程，并在广泛的地理模型中使用潜在的应用。

在本文中，我们提出了一种无监督的方法，用于高光谱遥感图像分割。该方法利用了平均移位聚类算法，该算法将作为输入的初步高光谱超像素分割以及光谱像素信息。所提出的方法不需要分割类的数量作为输入参数，也不需要利用有关要分割的土地覆盖或土地使用类型的A-Priori知识（例如水，植被，建筑等）。进行了Salinas，Salinasa，Pavia Center和Pavia University数据集的实验。绩效是根据归一化信息，调整后的RAND指数和F1得分来衡量的。结果证明了该方法与艺术状态相比的有效性。

聚类是无监督机器学习中的一个基本原态。我们带来了Sublinear-time差异私有聚类问题作为自然和良好的研究方向。我们结合了Mishra等人的$ k $ -means和$ k $ -median sublinear-time结果。（SODA，2001）和Czumaj和Sohler（Rand。Struct。Struct。和算法，2007），最近的Balcan等人的私人聚类结果。（ICML 2017），Gupta等。（苏打水，2010）和Ghazi等。（Neurips，2020）通过分列获取Subleinear-time私人$ k $ -means和$ k $ -median算法。我们还调查了对集团隐私的限制的隐私福利。

风险评估在任何工作场所相关，然而，在处理易燃或危险物质时，在处理易燃或危险物质时，在这种情况下，这种情况都有程度的不可预测性可能是不够的。这的一个例子是喷射火灾的冲击，火焰的热量可以达到附近的设备，并显着增加Domino效应与灾难性结果的概率。因此，从风险管理的角度来看，这种火灾事故的表征是重要的。一种这样的表征将是火焰中不同辐射区的分割，因此本文提出了有关几种传统计算机视觉和深度学习分割方法来解决此具体问题的探索性研究。还探讨了使用丙烷喷射火灾的数据集丙烷喷射火灾训练和评估不同地区的分布以及寻求缓解数据不平衡的不同丢失功能的分布。此外，不同的指标与专家执行的手动排名相关联，以便对专家的标准密切相关的评估。 Hausdorff距离和调整后的随机索引是具有最高相关性的度量，并且从UNET架构获得了具有加权交叉熵损耗的最佳结果。这些结果可用于未来的研究，以从分割面具中提取更多几何信息，或者甚至可以在其他类型的火灾事故中实施。

在本文中，我们定义了一种新的非Archimedian度量标准结构，称为CopHenetic度量标准，对所有度的持久同源性等级。然后，我们将Zeroth持续同源与许多不同度量的核心度量和分层聚类算法一起，根据我们在不同的数据集上获得的实验结果，提供统计上可靠的相应拓扑信息。我们还观察到来自坐骨距离的所产生的集群在内部和外部评估措施（如轮廓分数和Rand指数）方面都能发光。此外，由于为所有同源度定义了CopHenetic度量，因此现在可以通过植根树显示所有度的持续同源类别的关系。