The petrological, geochemical, and mineralogical compositions of the coal-hosted Jurassic uranium ore deposit in the Yili Basin of Xinjiang province, northwestern China, were investigated using optical microscopy and field emission-scanning electron microscopy in conjunction with an energy-dispersive X-ray spectrometer, as well as X-ray powder diffraction, X-ray fluorescence, and inductively coupled plasma mass spectrometry. The Yili coal is of high volatile C/B bituminous rank (0.51–0.59% vitrinite reflectance) and has a medium sulfur content (1.32% on average). Fusinite and semifusinite generally dominate the maceral assemblage, which exhibits forms suggesting fire-driven formation of those macerals together with forms suggesting degradation of wood followed by burning. The Yili coals are characterized by high concentrations of U (up to 7207 μg/g), Se (up to 253 μg/g), Mo (1248 μg/g), and Re (up to 34 μg/g), as well as As (up to 234 μg/g) and Hg (up to 3858 ng/g). Relative to the upper continental crust, the rare earth elements (REEs) in the coals are characterized by heavy or/and medium REE enrichment. The minerals in the Yili coals are mainly quartz, kaolinite, illite and illite/smectite, as well as, to a lesser extent, K-feldspar, chlorite, pyrite, and trace amounts of calcite, dolomite, amphibole, millerite, chalcopyrite, cattierite, siegenite, ferroselite, krutaite, eskebornite, pitchblende, coffinite, silicorhabdophane, and zircon. The enrichment and modes of occurrence of the trace elements, and also of the minerals in the coal, are attributed to derivation from a sediment source region of felsic and intermediate petrological composition, and to two different later-stage solutions (a U–Se–Mo–Re rich infiltrational and a Hg–As-rich exfiltrational volcanogenic solution). The main elements with high enrichment factors, U, Se, As, and Hg, overall exhibit a mixed organic–inorganic affinity. The uranium minerals, pitchblende and coffinite, occur as cavity-fillings in structured inertinite macerals. Selenium, As, and Hg in high-pyrite samples mainly show a sulfide affinity.

Recently we proposed that people represent object categories using category-consistent features (CCFs), those features that occur both frequently and consistently across a category's exemplars (Yu et al., 2016). Here we designed a Convolutional Neural Network (CNN) after the primate ventral stream (VsNet) and used it to extract CCFs from 68 categories of objects spanning a three-level category hierarchy. We evaluated VsNet against people searching for the same targets from the same 68 categories. Not only did VsNet replicate our previous report of stronger attention guidance to subordinate-level targets, with its more powerful CNN-CCFs it was able to predict attention control to individual target categories--the more CNN-CCFs extracted for a category, the faster gaze was directed to the target. We also probed VsNet to determine where in its network of layers these attention control signals originate. We found that CCFs extracted from VsNet's V1 layer contributed most to guiding attention to targets cued at the subordinate (e.g., police car) and basic (e.g., car) levels, but that guidance to superordinate-cued (e.g., vehicle) targets was strongest using CCFs from the CIT+AIT layer. We also identified the image patches eliciting the strongest filter responses from areas V4 and higher and found that they depicted representative parts of an object category (e.g., advertisements appearing on top of taxi cabs). Finally, we found that VsNet better predicted attention control than comparable CNN models, despite having fewer convolutional filters. This work shows that a brain-inspired CNN can predict goal-directed attention control by extracting and using category-consistent features.