Crop type maps are critical for tracking agricultural land use and estimating crop production. Remote sensing has proven an efficient and reliable tool for creating these maps in regions with abundant ground labels for model training, yet these labels remain difficult to obtain in many regions and years. NASA's Global Ecosystem Dynamics Investigation (GEDI) spaceborne lidar instrument, originally designed for forest monitoring, has shown promise for distinguishing tall and short crops. In the current study, we leverage GEDI to develop wall-to-wall maps of short vs tall crops on a global scale at 10 m resolution for 2019-2021. Specifically, we show that (1) GEDI returns can reliably be classified into tall and short crops after removing shots with extreme view angles or topographic slope, (2) the frequency of tall crops over time can be used to identify months when tall crops are at their peak height, and (3) GEDI shots in these months can then be used to train random forest models that use Sentinel-2 time series to accurately predict short vs. tall crops. Independent reference data from around the world are then used to evaluate these GEDI-S2 maps. We find that GEDI-S2 performed nearly as well as models trained on thousands of local reference training points, with accuracies of at least 87% and often above 90% throughout the Americas, Europe, and East Asia. Systematic underestimation of tall crop area was observed in regions where crops frequently exhibit low biomass, namely Africa and South Asia, and further work is needed in these systems. Although the GEDI-S2 approach only differentiates tall from short crops, in many landscapes this distinction goes a long way toward mapping the main individual crop types. The combination of GEDI and Sentinel-2 thus presents a very promising path towards global crop mapping with minimal reliance on ground data.

自引入以来，图形注意力网络在图表表示任务中取得了出色的结果。但是，这些网络仅考虑节点之间的成对关系，然后它们无法完全利用许多现实世界数据集中存在的高阶交互。在本文中，我们介绍了细胞注意网络（CANS），这是一种在图表上定义的数据上运行的神经体系结构，将图表示为介绍的细胞复合物的1个骨骼，以捕获高阶相互作用。特别是，我们利用细胞复合物中的下层和上层社区来设计两种独立的掩盖自我发项机制，从而推广了常规的图形注意力策略。罐中使用的方法是层次结构的，并结合了以下步骤：i）从{\ it node demantion}中学习{\ it Edge功能}的提升算法}; ii）一种细胞注意机制，可以在下层和上邻居上找到边缘特征的最佳组合； iii）层次{\ it Edge Pooling}机制，以提取一组紧凑的有意义的功能集。实验结果表明，CAN是一种低复杂性策略，它与基于图的学​​习任务的最新结果相比。

问答系统被认为是流行且经常有效的信息在网络上寻求信息的手段。在这样的系统中，寻求信息者可以通过自然语言提出问题来获得对他们的查询的简短回应。交互式问题回答是一种最近提出且日益流行的解决方案，它位于问答和对话系统的交集。一方面，用户可以以普通语言提出问题，并找到对她的询问的实际回答；另一方面，如果在初始请求中有多个可能的答复，很少或歧义，则系统可以将问题交通会话延长到对话中。通过允许用户提出更多问题，交互式问题回答使用户能够与系统动态互动并获得更精确的结果。这项调查提供了有关当前文献中普遍存在的交互式提问方法的详细概述。它首先要解释提问系统的基本原理，从而定义新的符号和分类法，以将所有已确定的作品结合在统一框架内。然后，根据提出的方法，评估方法和数据集/应用程序域来介绍和检查有关交互式问题解答系统的审查已发表的工作。我们还描述了围绕社区提出的特定任务和问题的趋势，从而阐明了学者的未来利益。 GitHub页面的综合综合了本文献研究中涵盖的所有主要主题，我们的工作得到了进一步的支持。 https://sisinflab.github.io/interactive-question-answering-systems-survey/

许多微体系式优化为深度神经网络解锁了巨大的处理能力，从而促进了AI革命。随着这种优化的精疲力尽，现代AI的增长现在是通过培训系统的性能，尤其是其数据流动的。我们没有专注于单个加速器，而是研究了全系统规模的大规模培训的数据移动特征。基于我们的工作量分析，我们设计了HammingMesh，这是一种新颖的网络拓扑，以低成本提供高的带宽，并具有很高的工作计划灵活性。具体而言，HammingMesh可以支持具有两个并行性的两个维度的深度学习培训工作的完整带宽和隔离。此外，它还为通用流量的高全球带宽提供支持。因此，HammingMesh将为未来的大规模深度学习系统供电，并具有极端的带宽要求。

为了关注随机森林，我们提出了一个多武器的上下文匪徒推荐框架，用于基于特征的学习合奏的单个浅树的选择。在随机森林之上起作用的训练有素的系统动态识别了负责提供最终输出的基本预测因子。这样，我们通过观察推荐树的规则来获得本地解释。进行的实验表明，我们的动态方法优于独立的卡车决策树，并且在预测性能方面与整个黑盒随机森林相当。

关键基础设施（CI）的安全和安全问题正在增长，因为攻击者越来越多地采用无人机作为敏感领空中的攻击矢量，例如机场，军事基地，城市中心和拥挤的地方。由于违法行为和限制空域的入侵，无人机的迅速扩散，用于商品，运输娱乐活动和其他商业应用程序引起了CI操作员的严重关注。在这种情况下，需要一个具有成本效益的框架来检测，分类和确定无人机的存在。在本文中，我们证明了CI操作员可以使用名为Uranus的廉价基于RF的检测框架来检测，分类和识别及时有效的无人机区域的无人机区域。我们的实验表明，通过使用随机森林分类器，我们在一个或多个特定的无人机的分类中达到了93.4％的分类精度。跟踪性能的平均值= 0.3650，MSE = 0.9254和R2 = 0.7502，其准确度达到了精度。我们的框架已被发布为开源，以使社区能够验证我们的发现，并将天王星作为现成的基础进行进一步分析。

在本文中，我们向空间运营领域的专家建议介绍了在线学习的现实应用，并对来自哥白尼Sentinel-6卫星的现实生活数据进行了测试。我们表明，与传统技术相比，在航天器内存转储优化的优化中，一种轻巧的跟随算法会导致性能的增加超过60 \％$。

随着全球的太阳能能力继续增长，越来越意识到先进的检验系统正度重视安排智能干预措施并最大限度地减少停机时间。在这项工作中，我们提出了一种新的自动多级模型，以通过使用YOLOV3网络和计算机视觉技术来检测由无人机捕获的空中图像上的面板缺陷。该模型结合了面板和缺陷的检测来改进其精度。主要的Noveltize由其多功能性来处理热量或可见图像，并检测各种缺陷及其对屋顶和地面安装的光伏系统和不同面板类型的缺陷。拟议的模型已在意大利南部的两个大型光伏工厂验证，优秀的AP至0.5超过98％，对于面板检测，卓越的AP@0.4（AP@0.5）大约为88.3％（66.95％）的热点红外热成像和MAP@0.5在可见光谱中近70％，用于检测通过污染和鸟粪诱导，分层，水坑的存在和覆盖屋顶板诱导的面板遮蔽的异常谱。还预测了对污染覆盖的估计。最后讨论了对不同yolov3的输出尺度对检测的影响的分析。

推荐系统是帮助用户以个性化方式找到信息过载的兴趣项目，使用关于各用户的需求和偏好的知识。在会话推荐方法中，这些需求和偏好由系统中的交互式多匝对话框中的。文献中的一种常见方法来驱动这些对话框是逐步向用户逐步询问他们关于期望和不期望的项目特征或关于单个项目的偏好。在这种情况下，在该上下文中的核心研究目标是效率，在找到令人满意的项目之前对所需交互的数量进行评估。这通常是通过对向用户询问的最佳下一个问题的推断来实现。如今，对对话效率的研究几乎完全是经验的，旨在说明，例如，选择问题的一个策略优于给定的应用程序中的另一个策略。通过这项工作，我们将实证研究补充了理论，域名的对话建议的独立模型。该模型旨在涵盖一系列应用方案，使我们能够以正式的方式调查会话方法的效率，特别是关于设计最佳相互作用策略的计算复杂性。通过如此理论分析，我们表明，找到高效的会话策略是NP - 硬，并且在PSPace中，但对于特定类型的目录，上限降低到Polylogspace。从实际的角度来看，该结果意味着目录特征可以强烈影响个人对话策略的效率，因此在设计新策略时应考虑。从真实世界派生的数据集的初步实证分析与我们的研究结果对齐。

飞行时间磁共振血管造影（TOF-MRA）的脑动脉瘤检测经历了剧烈的改善，深入学习（DL）。然而，监督DL模型的性能严重依赖于标记样品的数量。为了减轻Voxel-Wise标签创建的反复瓶颈，我们调查了弱标签的使用：这些是超大的注释，这些注释是更快的创造。我们为在训练期间利用弱标签的动脉瘤检测提供了深入的学习算法。此外，我们的模型通过仅关注动脉瘤发生的合理地点来利用先前的解剖知识。我们创建了284个TOF-MRA受试者（170名女性）的回顾性数据集，其中157例是患者（带198个动脉瘤），127个是对照。我们开放的TOF-MRA DataSet，社区中最大的数据集在Openneuro上发布。为了评估型号的概括性，我们参与了具有TOF-MRA数据的动脉瘤检测的挑战（93例，20例，125例，125个动脉瘤）。弱标签比其voxel-Wise对应物速度快4倍。使用先前解剖知识时，我们的网络在内部数据上实现了80％的灵敏度，每位患者的假阳性（FP）率为1.2。在公共挑战上，敏感度为68％（FP率= 2.5），排名第4/18位开放排行榜。我们发现动脉瘤破裂群（P = 0.75），位置（P = 0.72）或大小（P = 0.15）之间没有显着差异。我们的代码可用于可重复性。