现场拓扑数据分析中的一个重要工具被称为持久同源性（pH），其用于以持久性图（PD）形式以不同分辨率的数据的摘要表示。在这项工作中，我们基于称为本地二进制模式的地标选择方法构建多于一个PD表示单个图像，其编码来自图像的不同类型的本地纹理。我们使用持久性景观，持久性图像，持久性融合（Betti曲线）和统计数据使用不同的PD矢量化。我们在使用乳房扫描扫描测试了基于两个公开的乳房异常检测数据集的拟议基于乳房异常检测数据集的有效性。在检测异常乳房扫描的两种数据集中获得的基于地标基于地标p的pH值超过90％。最后，实验结果为使用不同类型的PD矢量化提供了新的见解，这有助于与机器学习分类器结合使用pH值。

人工智能（AI）的领域致力于创造人工决策者，这些决策者可以与人类对应于兴趣领域的人类对应的影响。与传统AI中的代理商不同，人工综合情报（AGI）的代理必须在几乎所有兴趣领域中复制人类智能。此外，AGI代理应该能够在没有（几乎任何）的情况下实现这一点，再次再调整参数的再调整或微调。现实世界是非静止的，非遍历的，非马洛维人：我们，人类，既不能重新审视我们的过去，也不能是最近的观察到足够的统计数据。然而，我们在各种复杂的任务中擅长。其中许多任务需要长期规划。我们可以将此成功与我们的自然教师摘要从我们的压倒性的感官体验中抽出任务无关的信息。我们在没有多大努力的情况下制作全球的任务特定心理模型。由于这种摘要的能力，我们可以在没有大量的性能损失的情况下规划一项明显紧凑的任务表示。不仅如此，我们还摘要我们产生了高级别计划的行动：动作抽象的水平可以是小肌肉运动到“做行动”的心理概念之间的任何地方。它很自然地假设任何与人类竞争的AGI代理商（在每个合理的领域）也应该具有抽象其经验和行动的这些能力。本论文是对存在这种抽象的存在的调查，这有助于有效地刨花，以及最重要的是，这些抽象具有一些最优的保证。

一般强化学习领域（GRL）制定了从地下序贯决策的问题。互动史构成了系统的“地面”状态，其永远不会重复。一方面，该一般性允许GRL几乎可以模拟每个域，例如，\盗版，MDP，POMDPS，PSR和基于历史的环境。另一方面，一般而言，GRL的近乎最佳政策是完整历史的函数，这不仅会妨碍学习，也是在GRL中规划。对于规划部分的常用方式是代理商被赋予底层过程的马尔科维亚抽象。因此，它可以使用任何MDP计划算法查找近最佳策略。极端状态聚合（ESA）框架已将此想法扩展到非Markovian抽象，而不会影响通过（代理）MDP规划的可能性。 ESA的一个显着特征是它证明了$ o \ left的上限（\ varepsilon ^ { - a} \ cdot（1- \ gamma）^ { - 2a} \右）美元上的状态代理MDP（其中$ a $的是行动的数量，$ \ gamma $是折扣系数，$ \ varepsilon $是最优性的空白），其包含\ emph {supplyly} for \ emph {all}域。虽然普遍约束的可能性是非常显着的，但我们表明这一界限非常松散。我们提出了一种新的非MDP抽象，它允许$ o \ left的更好的上限（\ varepsilon ^ {-1} \ cdot（1- \ gamma）^ { - 2} \ cdot a \ cdot 2 ^ { } \右）$。此外，我们表明，通过使用一种动作顺序化方法。

计算机视觉任务可以从估计突出物区域和这些对象区域之间的相互作用中受益。识别对象区域涉及利用预借鉴模型来执行对象检测，对象分割和/或对象姿势估计。但是，由于以下原因，在实践中不可行：1）预用模型的训练数据集的对象类别可能不会涵盖一般计算机视觉任务的所有对象类别，2）佩戴型模型训练数据集之间的域间隙并且目标任务的数据集可能会影响性能，3）预磨模模型中存在的偏差和方差可能泄漏到导致无意中偏置的目标模型的目标任务中。为了克服这些缺点，我们建议利用一系列视频帧捕获一组公共对象和它们之间的相互作用的公共基本原理，因此视频帧特征之间的共分割的概念可以用自动的能力装配模型专注于突出区域，以最终的方式提高潜在的任务的性能。在这方面，我们提出了一种称为“共分割激活模块”（COSAM）的通用模块，其可以被插入任何CNN，以促进基于CNN的任何CNN的概念在一系列视频帧特征中的关注。我们在三个基于视频的任务中展示Cosam的应用即1）基于视频的人Re-ID，2）视频字幕分类，并证明COSAM能够在视频帧中捕获突出区域，从而引导对于显着的性能改进以及可解释的关注图。