制造业已广泛采用机器零件的再利用作为降低成本的方法和可持续的制造实践。从设计的设计中识别可重复使用的功能并从数据库中查找它们的类似功能是此过程的重要组成部分。在这个项目中，在完全卷积的几何特征的帮助下，我们能够通过感应转移学习从CAD模型中提取和学习高级语义特征。然后将提取的特征与使用Frobenius规范的数据库中的其他CAD模型进行比较，并且检索相同的特征。后来我们将提取的特征通过了具有空间金字塔池层的深卷积神经网络，并且特征检索的性能显着增加。从结果中显而易见，该模型可以有效地从加工特征捕获几何元素。

建筑信息建模（BIM）软件使用可伸缩的矢量格式，以便灵活地设计业内地板计划。建筑域中的地板计划可以来自可能或可能不是可扩展的矢量格式的许多来源。地板平面图的转换为完全注释的矢量图像是现在可以通过计算机视觉实现的过程。该领域的新型数据集已用于培训用于对象检测的卷积神经网络（CNN）架构。通过超分辨率（SR）的图像增强也是基于计算机视觉的基于CNN的网络，用于将低分辨率图像转换为高分辨率。这项工作侧重于创建一个多组件模块，该模块在楼层对象检测模型上堆叠SR模型。所提出的堆叠模型显示出比相应的香草对象检测模型更大的性能。对于最佳情况，纳入SR的含有在VANILLA网络上的物体检测中提高了39.47％。数据和代码在https://github.com/rbg-research/floor-plan-dection上公开提供。

Deep learning techniques have greatly benefited computer-aided diagnostic systems. However, unlike other fields, in medical imaging, acquiring large fine-grained annotated datasets such as 3D tumour segmentation is challenging due to the high cost of manual annotation and privacy regulations. This has given interest to weakly-supervise methods to utilize the weakly labelled data for tumour segmentation. In this work, we propose a weakly supervised approach to obtain regions of interest using binary class labels. Furthermore, we propose a novel objective function to train the generator model based on a pretrained binary classification model. Finally, we apply our method to the brain tumour segmentation problem in MRI.

深度卷积神经网络（CNNS）已成为医学成像的计算机辅助诊断管道中的重要工具。但是，训练准确和可靠的CNNS需要大型细粒度注释数据集。为了缓解这一点，可以使用虚弱的方法来获取来自全球标签的本地信息。这项工作提出了利用局部扰动作为弱监督的解决方案，以从掠过的3D分类模型中提取脑肿瘤的分段掩模。此外，我们提出了一种新颖的最佳扰动方法，该方法利用3D超像素来使用U-Net架构找到给定分类的最相关区域。与专家注释相比，我们的方法达到了0.44的骰子相似度系数（DSC）。与Grad-Cam相比，我们的方法在肿瘤区域的可视化和定位能力中表现优于曲折凸轮，仅实现0.11平均DSC。