在这项工作中，研究了来自磁共振图像的脑年龄预测的深度学习技术，旨在帮助鉴定天然老化过程的生物标志物。生物标志物的鉴定可用于检测早期神经变性过程，以及预测与年龄相关或与非年龄相关的认知下降。在这项工作中实施并比较了两种技术：应用于体积图像的3D卷积神经网络和应用于从轴向平面的切片的2D卷积神经网络，随后融合各个预测。通过2D模型获得的最佳结果，其达到了3.83年的平均绝对误差。 - Neste Trabalho S \〜AO InvestigaDAS T \'Ecnicas de Aprendizado Profundo Para a previ \ c {c} \〜ate daade脑电站a partir de imagens de resson \ ^ ancia magn \'etica，Visando辅助Na Identifica \ c {C} \〜AO de BioMarcadores Do Processo Natural de Envelhecimento。一个identifica \ c {c} \〜ao de bioMarcarcores \'e \'util para a detec \ c {c} \〜ao de um processo neurodegenerativo em Est \'Agio无数，Al \'em de possibilitar Prever Um decl 'inio cognitivo relacionado ou n \〜ao \`一个懒惰。 Duas T \'ECICAS S \〜AO ImportyAdas E Comparadas Teste Trabalho：Uma Rede神经卷应3D APLICADA NA IMAGEM VOLUM \'ETRICA E UME REDE神经卷轴2D APLICADA A FATIAS DO PANIAS轴向，COM后面fus \〜AO DAS PREDI \ C {c} \ \ oes个人。 o Melhor ResultAdo Foi optido Pelo Modelo 2D，Que Alcan \ C {C} OU UM ERRO M \'EDIO ABSOLUTO DE 3.83 ANOS。

压力溃疡在ICU患者中具有很高的患病率，但如果以初始阶段识别，则可预防。在实践中，布拉登规模用于分类高风险患者。本文通过使用MIMIC-III V1.4中可用的数据调查了在电子健康中使用机器学习记录数据的使用。制定了两个主要贡献：评估考虑在住宿期间所有预测的模型的新方法，以及用于机器学习模型的新培训方法。结果与现有技术相比，表现出卓越的性能;此外，所有型号在精密召回曲线中的每个工作点都超过了Braden刻度。 - - les \〜oes por按\〜ao possuem alta preval \ ^ encia em pacientes de Uti e s \〜ao preven \'iveis ao serem endicidificadas em Est \'agios Iniciais。 na pr \'atica materiza-se a escala de braden para classifica \ c {c} \〜ao de pacientes em risco。 Este Artigo Investiga o Uso de Apenizado de M \'Aquina Em Dados de Registros Eletr \ ^ Onicos Para Este Fim，Parir Da Base dados Mimic-III V1.4。 s \〜ao feitas duas contribui \ c {c} \〜oes principais：uma nova abordagem para a avalia \ c {c} \〜ao dos modelos e da escala da escala de braden levando em conta todas作为predi \ c {c} \ 〜oes feitas ao longo das interna \ c {c} \〜oes，euro novo m \'etodo de treinamento para os modelos de aprendizo de m \'aquina。 os结果os overidos superam o estado da arte everifica-se que os modelos superam意义a escala de braden em todos oS pontos de Opera \ c {c} \〜〜ao da curva de precis \〜ao por sensibilidade。

在人类生活的最初阶段，沟通被视为社会互动的过程，始终是达成当事方之间达成共识的最佳方法。在此过程中的理解和可信度对于相互协议的验证至关重要。但是，如何做到这一沟通才能达到巨大的群众？当寻求的是信息及其批准时，这是主要的挑战。在这种情况下，本研究介绍了ALT软件，该软件是由适应葡萄牙语的原始可读性指标开发的，以减少通信困难。该软件的开发是由哈贝马斯（Habermas）的沟通行动理论激励的，哈贝马斯（Habermas）使用多学科风格来衡量与公众建立和维持与公众建立和保持安全健康关系的沟通渠道中话语的可信度。 - 没有est \'agio da vida humana a comunica \ c {c} \ 〜ao，vista como um como um como um como de intera \ c {c} \ 〜ao社交，foi semper o melhor caminho para para para o consenso Entre作为partes。 o entendimento e credibilidade nesse processo s \ 〜Ao Fundamentais para para que o acordo m \'utuo seja seja valyado。 Mas，Como faz \^e-lo de forma que essa comunica \ c {c} \ 〜ao alcance a grande massa？ eSse \'o principtal desafio que se busca \'e difus \ 〜ao da informa \ c {c} \ 〜ao a sua aprova \ c {c {c} \ 〜ao。 Nesse Contectiono，Este estudo apresenta o Software Alt，desenvolvido a partir de m \'eTricas de legibilidade originais aDaptadas para a l \'ingua polduguesa，dispon \'ivel'ivel na web，para reduzir，dificuldades na comunica na comunica \ comunica \ c \ c} AO。 O desenvolvimento do software foi motivado pela teoria do agir comunicativo de Habermas, que faz uso de um estilo multidisciplinar para medir a credibilidade do discurso nos canais de comunica\c{c}\~ao utilizados para construir e manter uma rela\c{c } \ 〜Ao Segura E Saud \'avel com o p \'ublico。

Advances in image processing and analysis as well as machine learning techniques have contributed to the use of biometric recognition systems in daily people tasks. These tasks range from simple access to mobile devices to tagging friends in photos shared on social networks and complex financial operations on self-service devices for banking transactions. In China, the use of these systems goes beyond personal use becoming a country's government policy with the objective of monitoring the behavior of its population. On July 05th 2021, the Brazilian government announced acquisition of a biometric recognition system to be used nationwide. In the opposite direction to China, Europe and some American cities have already started the discussion about the legality of using biometric systems in public places, even banning this practice in their territory. In order to open a deeper discussion about the risks and legality of using these systems, this work exposes the vulnerabilities of biometric recognition systems, focusing its efforts on the face modality. Furthermore, it shows how it is possible to fool a biometric system through a well-known presentation attack approach in the literature called morphing. Finally, a list of ten concerns was created to start the discussion about the security of citizen data and data privacy law in the Age of Artificial Intelligence (AI).

Recently, there has been an interest in improving the resources available in Intrusion Detection System (IDS) techniques. In this sense, several studies related to cybersecurity show that the environment invasions and information kidnapping are increasingly recurrent and complex. The criticality of the business involving operations in an environment using computing resources does not allow the vulnerability of the information. Cybersecurity has taken on a dimension within the universe of indispensable technology in corporations, and the prevention of risks of invasions into the environment is dealt with daily by Security teams. Thus, the main objective of the study was to investigate the Ensemble Learning technique using the Stacking method, supported by the Support Vector Machine (SVM) and k-Nearest Neighbour (kNN) algorithms aiming at an optimization of the results for DDoS attack detection. For this, the Intrusion Detection System concept was used with the application of the Data Mining and Machine Learning Orange tool to obtain better results

尽管最近的面部识别（FR）系统在许多部署场景中取得了出色的成果，但它们在挑战现实世界中的表现仍在质疑。因此，面部图像质量评估（FIQA）技术旨在通过为它们提供示例质量信息来支持FR系统，这些信息可用于拒绝不适合识别目的的质量差数据。文献中已经提出了几组依赖不同概念的FIQA方法，所有这些方法都可以用于生成质量的面部图像，这些面部图像可以用作伪造的（质量）标签，并可以利用进行训练（回归 - 基于）质量估计模型。几个fiqa批准\ - 表明可以从与某些面部匹配器生成的配对相似度分布中提取大量样本质量信息。基于这种见解，我们在本文中提出了一种质量标签优化方法，该方法将来自配对配置的相似性的样本质量信息纳入现有现成的FIQA技术的质量预测。我们使用三种不同数据集的三种最先进的FIQA方法评估了建议的方法。我们的实验结果表明，提出的优化过程在很大程度上取决于执行的优化迭代次数。在十个迭代中，该方法似乎执行了最佳，始终超过三种FIQA方法的基本质量得分，这是为实验所选择的。

人工智能（AI）是21世纪最有前途的技术之一，对社会和经济产生了明显影响。通过这项工作，我们简要概述了全球趋势，行业应用以及我们在工业和学术界的国际经验和工作中的精选用例。目的是提出全球和地区的积极实践，并就将B＆H定位在全球AI场景中定位的现实目标和机会提供明智的意见。

本文讨论了一种识别蜂窝块片段轮廓的算法。显示了OpenCV库的现成功能的不适用性。考虑了两个提出的算法。直接扫描算法在二值化图像中找到极端的白色像素，它充分适用于产品的凸形形状，但在凹形区域和产品的空腔中找不到轮廓。为了解决这个问题，提出了一种使用滑动矩阵的扫描算法，其在任何形状的产品上正常工作。

Researchers are doing intensive work on satellite images due to the information it contains with the development of computer vision algorithms and the ease of accessibility to satellite images. Building segmentation of satellite images can be used for many potential applications such as city, agricultural, and communication network planning. However, since no dataset exists for every region, the model trained in a region must gain generality. In this study, we trained several models in China and post-processing work was done on the best model selected among them. These models are evaluated in the Chicago region of the INRIA dataset. As can be seen from the results, although state-of-art results in this area have not been achieved, the results are promising. We aim to present our initial experimental results of a building segmentation from satellite images in this study.

标准卷积神经网络（CNN）设计很少专注于明确捕获各种功能以增强网络性能的重要性。相反，大多数现有方法遵循增加或调整网络深度和宽度的间接方法，这在许多情况下显着提高了计算成本。受生物视觉系统的启发，我们提出了一种多样化和自适应的卷积网络（DA $ ^ {2} $ - net），它使任何前锋CNN能够明确地捕获不同的功能，并自适应地选择并强调最具信息性的功能有效地提高网络的性能。 DA $ ^ {2} $ - NET会引入可忽略不计的计算开销，它旨在与任何CNN架构轻松集成。我们广泛地评估了基准数据集的DA $ ^ {2} $ - 网上，包括CNN架构的CNN100，SVHN和Imagenet，包括CNN100。实验结果显示DA $ ^ {2} $ - NET提供了具有非常最小的计算开销的显着性能改进。

小行星主带通过平均动力和世俗共振的网络越过，这在小行星和行星的基本频率之间具有相当性时发生。传统上，这些对象是通过视觉检查其共鸣论点的时间演变来识别的，它们是小行星和扰动星球的轨道元素的结合。由于在某些情况下，受这些共振影响的小行星人口是数千个的顺序，因此对于人类观察者来说，这已成为一项纳税任务。最近的作品使用卷积神经网络（CNN）模型自动执行此类任务。在这项工作中，我们将此类模型的结果与一些最先进和可公开的CNN体​​系结构（如VGG，Inception和Resnet）进行了比较。首先使用验证集和一系列正规化技术（例如数据扩展，辍学和批处理标准）进行测试和优化此类模型的性能。然后使用三个最佳模型来预测包含数千张图像的较大测试数据库的标签。事实证明，有和没有正规化的VGG模型是预测大型数据集标签的最有效方法。由于Vera C. Rubin天文台在未来几年内可能会发现多达四百万个新的小行星，因此这些模型的使用可能会非常有价值，以识别共鸣的次要人群。

简介：通过人工视觉，移动应用能够实时识别蔬菜物种。然而，现有物种识别应用程序不考虑各种流行和本地（智利）物种，这导致错误的物种预测。本研究介绍了智利物种数据集的开发和实现给移动应用的优化分类模型。方法：通过将捕获的若干物种的图片放在一起，并通过在在线可用的其他数据集中选择可获得的一些图片来构建数据集。使用卷积神经网络以开发图像预测模型。通过执行敏感性分析，通过k折交叉验证和使用不同的超参数，优化器，卷积层和学习率进行验证，验证网络，以便识别和选择最佳模型，然后将它们放在一起分类模型。结果：最终数据集比46种，包括智利的本土物种，流行和异国情调，6120次训练图片和655次检测照片。最好的模型在移动应用程序上实现，获得了相对于该组测试的95％的正确预测率。结论：本研究开发的应用程序能够通过高度准确度进行分类物种，具体取决于人工视野的领域，它还可以显示与分类物种相关的相关信息。

由于他们提供的即时和社交交互，社交网络已成为人类的主要信息渠道之一，允许在某些情况下发布每个用户认为相关的内容。这带来了虚假新闻或假新闻的产生，只会寻求产生不确定性，错误信息或歪曲读者的意见。已经表明，人类无法充分识别文章是否真的是一个事实或假新闻，因为这是由于模型而旨在基于数据挖掘和机器学习来表征和识别文章。本文提出了一个三层框架，主要目标是，它是表征假新闻中存在的情绪，并成为未来工作的工具，以确定公众的情绪状态和故意状态。

对大脑的电子显微镜（EM）体积的精确分割对于表征细胞或细胞器水平的神经元结构至关重要。尽管有监督的深度学习方法在过去几年中导致了该方向的重大突破，但它们通常需要大量的带注释的数据才能接受培训，并且在类似的实验和成像条件下获得的其他数据上的表现不佳。这是一个称为域适应的问题，因为从样本分布（或源域）中学到的模型难以维持其对从不同分布或目标域提取的样品的性能。在这项工作中，我们解决了基于深度学习的域适应性的复杂案例，以跨不同组织和物种的EM数据集进行线粒体分割。我们提出了三种无监督的域适应策略，以根据（1）两个域之间的最新样式转移来改善目标域中的线粒体分割； （2）使用未标记的源和目标图像预先培训模型的自我监督学习，然后仅用源标签进行微调； （3）具有标记和未标记图像的端到端训练的多任务神经网络体系结构。此外，我们提出了基于在源域中仅获得的形态学先验的新训练停止标准。我们使用三个公开可用的EM数据集进行了所有可能的跨数据库实验。我们评估了目标数据集预测的线粒体语义标签的拟议策略。此处介绍的方法优于基线方法，并与最新的状态相比。在没有验证标签的情况下，监视我们提出的基于形态的度量是停止训练过程并在平均最佳模型中选择的直观有效的方法。

人工智能使在各个领域的问题上实施了更准确，更有效的解决方案。在农业部门，主要需求之一是在始终了解农作物所占据或不占领的土地，以提高生产和盈利能力。传统的计算方法需要手动收集数据，并在现场亲自收集，从而导致较高的人工成本，执行时间和结果不准确。目前的工作提出了一种基于深度学习技术的新方法，该技术与常规编程相辅相成，以确定人口稠密和人口不足的作物区域的面积。我们认为作为案例研究是厄瓜多尔种植和收获甘蔗中最知名的公司之一。该策略结合了生成的对抗神经网络（GAN），该网络在天然和城市景观的航空照片数据集上进行了训练，以改善图像分辨率；卷积神经网络（CNN）在甘蔗地块的航空照片数据集上训练，以区分人口稠密的农作物区域；以及以百分比方式计算区域的标准图像处理模块。进行的实验表明，航空照片的质量有显着改善，以及人口稠密的农作物区域和未吞噬的作物区域之间的显着差异，因此，耕种和未经耕种的地区更准确。所提出的方法可以扩展到可能的害虫，杂草植被，动态作物发展以及定性和定量质量控制的检测。

Convolutional neural networks are built upon the convolution operation, which extracts informative features by fusing spatial and channel-wise information together within local receptive fields. In order to boost the representational power of a network, several recent approaches have shown the benefit of enhancing spatial encoding. In this work, we focus on the channel relationship and propose a novel architectural unit, which we term the "Squeezeand-Excitation" (SE) block, that adaptively recalibrates channel-wise feature responses by explicitly modelling interdependencies between channels. We demonstrate that by stacking these blocks together, we can construct SENet architectures that generalise extremely well across challenging datasets. Crucially, we find that SE blocks produce significant performance improvements for existing state-ofthe-art deep architectures at minimal additional computational cost. SENets formed the foundation of our ILSVRC 2017 classification submission which won first place and significantly reduced the top-5 error to 2.251%, achieving a ∼25% relative improvement over the winning entry of 2016.

In this paper, we present a modified Xception architecture, the NEXcepTion network. Our network has significantly better performance than the original Xception, achieving top-1 accuracy of 81.5% on the ImageNet validation dataset (an improvement of 2.5%) as well as a 28% higher throughput. Another variant of our model, NEXcepTion-TP, reaches 81.8% top-1 accuracy, similar to ConvNeXt (82.1%), while having a 27% higher throughput. Our model is the result of applying improved training procedures and new design decisions combined with an application of Neural Architecture Search (NAS) on a smaller dataset. These findings call for revisiting older architectures and reassessing their potential when combined with the latest enhancements.

现有的自动数据增强（DA）方法要么忽略根据培训期间目标模型的状态根据目标模型的状态忽略更新DA的参数，要么采用不够有效的更新策略。在这项工作中，我们设计了一种新型的数据增强策略，称为“通用自适应数据增强”（UADA）。与现有方法不同，UADA会根据目标模型在训练过程中根据目标模型的梯度信息自适应地更新DA的参数：给定预定义的DA操作集，我们随机确定培训期间每个数据批次的DA操作的类型和大小，并自适应地更新DA的参数沿损失的梯度方向与DA参数有关。这样，UADA可以增加目标网络的训练损失，而目标网络将从更艰难的样本中学习以改善概括的功能。此外，UADA非常通用，可以在许多任务中使用，例如图像分类，语义分割和对象检测。在CIFAR-10，CIFAR-100，ImageNet，Tiny-Imagenet，CityScapes和VOC07+12上进行了各种模型的广泛实验，以证明我们提出的适应性增强带来了重大的性能改善。

从显微镜图像体积分段3D细胞核对于生物学和临床分析至关重要，从而实现了细胞表达模式和细胞谱系的研究。然而，神经元核的当前数据集通常包含小于$ 10 ^ {\ text {-} 3} \ mm ^ 3 $的卷，每卷少于500美元，无法揭示大脑区域的复杂性并限制神经元的调查结构。在本文中，我们推动了向子立方毫米秤的任务向前推进了，并用两个完全注释的卷策划了NUCMM数据集：1美元\ mm ^ $电子显微镜（EM）含有几乎整个斑马鱼大脑，大约170,000左右核;还有0.25美元\ mm ^ 3 $ micro-ct（uct）卷，其中鼠标视觉皮层的一部分，大约7,000个核。具有两种成像模态，体积大小和实例数量显着增加，我们在外观和密度中发现了神经元核的大量多样性，对该领域引入了新的挑战。我们还进行统计分析以定量地说明这些挑战。为了解决挑战，我们提出了一种新颖的混合表示学习模型，该模型结合了前景掩模，轮廓图和签名距离变换来生产高质量的3D面罩。 NUCMM数据集上的基准比较表明，我们所提出的方法显着优于最先进的核细胞分割方法。代码和数据可在https://connectomics-bazaar.github.io/proj/nucmm/index.html中获得。

汇集层是卷积神经网络（CNNS）的基本构建块，减少计算开销并增加进行卷积操作的接受领域。他们的目标是产生较低的采样的卷，其非常类似于输入体积，而理想情况下也是在计算上和记忆力的。共同满足两个要求是一项挑战。为此，我们提出了一种名为Adapool的自适应和指数加权汇集方法。我们所提出的方法使用两组汇集核的参数化融合，其分别基于骰子索伦系数和指数最大值。 Adapool的一个关键属性是其双向性质。与常见的汇集方法相比，权重可用于上采样的激活图。我们术语这个方法adaunpool。我们展示了Adapool如何通过一系列任务来改善细节的保存，包括图像和视频分类和对象检测。然后，我们在图像和视频帧超分辨率和帧插值任务上评估AdaUnpool。对于基准测试，我们介绍Inter4k，一种新型高质量，高帧速率视频数据集。我们的合并实验表明，Adapool系统地跨任务和骨干架构实现了更好的结果，同时引入了较小的额外计算和内存开销。