为了了解材料特性的起源，三轴光谱仪（TAS）处的中子散射实验通过测量其动量（Q）和能量（E）空间中的强度分布来研究样品中的磁和晶格激发。但是，TAS实验的高需求和有限的光束时间可用性提出了自然的问题，即我们是否可以提高其效率或更好地利用实验者的时间。实际上，使用TAS，有许多科学问题需要在Q-E空间的特定区域中搜索感兴趣的信号，但是当手动完成时，这是耗时且效率低下的，因为测量点可能会放置在此类的无信息区域中作为背景。主动学习是一种有前途的通用机器学习方法，可以迭代地检测自主信号的信息区域，即不受人类干扰，从而避免了不必要的测量并加快实验。此外，自主模式允许实验者在此期间专注于其他相关任务。我们在本文中描述的方法利用了对数高斯过程，由于对数转换，该过程在信号区域中具有最大的近似不确定性。因此，将不确定性最大化为采集功能，因此直接产生了信息测量的位置。我们证明了我们方法对在Themal Tas Eiger（PSI）进行真实中子实验的结果的好处，以及在合成环境中基准的结果，包括许多不同的激发。

Recent years have witnessed a growth in mathematics for deep learning--which seeks a deeper understanding of the concepts of deep learning with mathematics, and explores how to make it more robust--and deep learning for mathematics, where deep learning algorithms are used to solve problems in mathematics. The latter has popularised the field of scientific machine learning where deep learning is applied to problems in scientific computing. Specifically, more and more neural network architectures have been developed to solve specific classes of partial differential equations (PDEs). Such methods exploit properties that are inherent to PDEs and thus solve the PDEs better than classical feed-forward neural networks, recurrent neural networks, and convolutional neural networks. This has had a great impact in the area of mathematical modeling where parametric PDEs are widely used to model most natural and physical processes arising in science and engineering, In this work, we review such methods and extend them for parametric studies as well as for solving the related inverse problems. We equally proceed to show their relevance in some industrial applications.

We analyze the problem of detecting tree rings in microscopy images of shrub cross sections. This can be regarded as a special case of the instance segmentation task with several particularities such as the concentric circular ring shape of the objects and high precision requirements due to which existing methods don't perform sufficiently well. We propose a new iterative method which we term Iterative Next Boundary Detection (INBD). It intuitively models the natural growth direction, starting from the center of the shrub cross section and detecting the next ring boundary in each iteration step. In our experiments, INBD shows superior performance to generic instance segmentation methods and is the only one with a built-in notion of chronological order. Our dataset and source code are available at http://github.com/alexander-g/INBD.

转移学习或域适应性与机器学习问题有关，在这些问题中，培训和测试数据可能来自可能不同的概率分布。在这项工作中，我们在Russo和Xu发起的一系列工作之后，就通用错误和转移学习算法的过量风险进行了信息理论分析。我们的结果也许表明，也许正如预期的那样，kullback-leibler（kl）Divergence $ d（\ mu || \ mu'）$在$ \ mu $和$ \ mu'$表示分布的特征中起着重要作用。培训数据和测试测试。具体而言，我们为经验风险最小化（ERM）算法提供了概括误差上限，其中两个分布的数据在训练阶段都可用。我们进一步将分析应用于近似的ERM方法，例如Gibbs算法和随机梯度下降方法。然后，我们概括了与$ \ phi $ -Divergence和Wasserstein距离绑定的共同信息。这些概括导致更紧密的范围，并且在$ \ mu $相对于$ \ mu' $的情况下，可以处理案例。此外，我们应用了一套新的技术来获得替代的上限，该界限为某些学习问题提供了快速（最佳）的学习率。最后，受到派生界限的启发，我们提出了Infoboost算法，其中根据信息测量方法对源和目标数据的重要性权重进行了调整。经验结果表明了所提出的算法的有效性。

无监督的域适应性通过将模型从标记的源域转移到未标记的目标域来证明减轻域移动的巨大潜力。尽管无监督的域适应已应用于各种复杂的视力任务，但只有很少的作品专注于自动驾驶的车道检测。这可以归因于缺乏公开可用的数据集。为了促进这些方向的研究，我们提出了Carlane，Carlane是用于2D车道检测的3条SIM到真实域的适应基准。 Carlane包括单目标数据集Molane和Tulane以及多目标数据集Mulane。这些数据集由三个不同的域构建，这些域涵盖了不同的场景，并包含163K唯一图像，其中118K被注释。此外，我们评估和报告系统的基线，包括我们自己的方法，这些方法基于典型的跨域自学学习。我们发现，与完全监督的基线相比，评估域适应方法的假阳性和假阴性率很高。这肯定了对卡莱恩等基准的必要性，以进一步加强无监督的领域适应道的研究。 Carlane，所有评估的模型和相应的实现都可以在https://carlanebench.github.io上公开获得。

由自我发项层组成的大型，预训练的神经网络（变形金刚）最近在几种语音情绪识别（SER）数据集上取得了最新的结果。这些模型通常以自我监督的方式进行预训练，以提高自动语音识别性能，从而了解语言信息。在这项工作中，我们研究了在Ser微调过程中利用此信息的程度。使用基于开源工具的可重现方法，我们在改变文本的情感时综合了韵律中性的语音话语。变压器模型的价预测对正面和负面情绪含量以及否定性非常反应，但对增强剂或还原器不反应，而这些语言特征都没有影响唤醒或优势。这些发现表明，变形金刚可以成功利用语言信息来改善其价预测，并且应将语言分析包括在其测试中。

核的实例分割和分类是计算病理学中的重要任务。我们表明，Stardist是一种最初用于荧光显微镜开发的深度学习核分割方法，可以扩展并成功地应用于组织病理学图像。通过在蜥蜴数据集上进行实验，以及进入结肠核识别和计数（CONIC）挑战2022，我们的方法获得了排行榜上的第一个位置，以实现初步测试阶段和最终测试阶段的分类任务，从而证实了这一点。。

本机MacOS应用PicArrange集成了最先进的图像排序和相似性搜索，以使用户能够更好地概述其图像。已添加许多文件和图像管理功能以使其成为一个解决完整图像管理工作流的工具。自排序地图算法的修改使得列表的图像布置能够在不丢失视觉排序的情况下实现。有效的计算和存储视觉功能以及使用许多麦斯科斯州API的使用导致流体使用的应用程序。

尽管已经广泛地表明，对深度神经网络的检索特定培训是有益的，但是对于最近的邻居图像搜索质量，大多数这些模型都在地标图像的域中进行培训并测试。然而，某些应用程序使用来自各种其他域的图像，因此需要具有良好概括属性的网络 - 通用CBIR模型。据我们所知，到目前为止，没有关于一般图像检索质量的基准模型的测试协议。在分析流行的图像检索测试集后，我们决定手动策划GPR1200，易于使用和可访问的，但具有挑战性的基准数据集，具有广泛的图像类别。随后使用该基准测试在其泛化质量上评估不同架构的各种预磨料模型。我们表明，大规模预借鉴显着提高了检索性能，并通过适当的微调进一步提高这些属性的实验。通过这些有希望的结果，我们希望增加对通用CBIR的研究课题的兴趣。

TU Dresden www.cityscapes-dataset.net train/val -fine annotation -3475 images train -coarse annotation -20 000 images test -fine annotation -1525 images