Scene parsing is challenging for unrestricted open vocabulary and diverse scenes. In this paper, we exploit the capability of global context information by different-region-based context aggregation through our pyramid pooling module together with the proposed pyramid scene parsing network (PSPNet). Our global prior representation is effective to produce good quality results on the scene parsing task, while PSPNet provides a superior framework for pixel-level prediction. The proposed approach achieves state-of-the-art performance on various datasets. It came first in ImageNet scene parsing challenge 2016, PASCAL VOC 2012 benchmark and Cityscapes benchmark. A single PSPNet yields the new record of mIoU accuracy 85.4% on PASCAL VOC 2012 and accuracy 80.2% on Cityscapes.

To understand the impact of gut microbes on human health and well-being it is crucial to assess their genetic potential. Here we describe the Illumina-based metagenomic sequencing, assembly and characterization of 3.3 million non-redundant microbial genes, derived from 576.7 gigabases of sequence, from faecal samples of 124 European individuals. The gene set, ∼150 times larger than the human gene complement, contains an overwhelming majority of the prevalent (more frequent) microbial genes of the cohort and probably includes a large proportion of the prevalent human intestinal microbial genes. The genes are largely shared among individuals of the cohort. Over 99% of the genes are bacterial, indicating that the entire cohort harbours between 1,000 and 1,150 prevalent bacterial species and each individual at least 160 such species, which are also largely shared. We define and describe the minimal gut metagenome and the minimal gut bacterial genome in terms of functions present in all individuals and most bacteria, respectively. The human body plays host to an estimated 100 trillion microbial cells, most of them in the gut where they have a profound influence on human physiology and nutrition — and are now regarded as crucial for human life. Gut microbes contribute to the energy harvest from food, and changes of gut microbiome may be associated with bowel diseases or obesity. Now the international MetaHIT (Metagenomics of the Human Intestinal Tract) project has published a gene catalogue of the human gut microbiome derived from 124 healthy, overweight and obese human adults, as well as inflammatory disease patients, from Denmark and Spain. The resulting data provide the first insights into this gene set — which is over 150 times larger than the human gene complement — and show that the genes are largely shared among individuals. Based on the variety of functions encoded by the gene set, it is possible to define both a minimal gut metagenome and a minimal gut bacterial genome. Deep metagenomic sequencing and characterization of the human gut microbiome from healthy and obese individuals, as well as those suffering from inflammatory bowel disease, provide the first insights into this gene set and how much of it is shared among individuals. The minimal gut metagenome as well as the minimal gut bacterial genome is also described.

Predicting face attributes in the wild is challenging due to complex face variations. We propose a novel deep learning framework for attribute prediction in the wild. It cascades two CNNs, LNet and ANet, which are fine-tuned jointly with attribute tags, but pre-trained differently. LNet is pre-trained by massive general object categories for face localization, while ANet is pre-trained by massive face identities for attribute prediction. This framework not only outperforms the state-of-the-art with a large margin, but also reveals valuable facts on learning face representation. (1) It shows how the performances of face localization (LNet) and attribute prediction (ANet) can be improved by different pre-training strategies. (2) It reveals that although the filters of LNet are fine-tuned only with image-level attribute tags, their response maps over entire images have strong indication of face locations. This fact enables training LNet for face localization with only image-level annotations, but without face bounding boxes or landmarks, which are required by all attribute recognition works. (3) It also demonstrates that the high-level hidden neurons of ANet automatically discover semantic concepts after pre-training with massive face identities, and such concepts are significantly enriched after fine-tuning with attribute tags. Each attribute can be well explained with a sparse linear combination of these concepts.

Polymeric graphitic carbon nitride materials (for simplicity: g-C3N4) have attracted much attention in recent years because of their similarity to graphene. They are composed of C, N, and some minor H content only. In contrast to graphenes, g-C3N4 is a medium-bandgap semiconductor and in that role an effective photocatalyst and chemical catalyst for a broad variety of reactions. In this Review, we describe the “polymer chemistry” of this structure, how band positions and bandgap can be varied by doping and copolymerization, and how the organic solid can be textured to make it an effective heterogenous catalyst. g-C3N4 and its modifications have a high thermal and chemical stability and can catalyze a number of “dream reactions”, such as photochemical splitting of water, mild and selective oxidation reactions, and—as a coactive catalytic support—superactive hydrogenation reactions. As carbon nitride is metal-free as such, it also tolerates functional groups and is therefore suited for multipurpose applications in biomass conversion and sustainable chemistry.

Next-generation massively parallel DNA sequencing technologies provide ultrahigh throughput at a substantially lower unit data cost; however, the data are very short read length sequences, making de novo assembly extremely challenging. Here, we describe a novel method for de novo assembly of large genomes from short read sequences. We successfully assembled both the Asian and African human genome sequences, achieving an N50 contig size of 7.4 and 5.9 kilobases (kb) and scaffold of 446.3 and 61.9 kb, respectively. The development of this de novo short read assembly method creates new opportunities for building reference sequences and carrying out accurate analyses of unexplored genomes in a cost-effective way.

Summary

Background

 Public health is a priority for the Chinese Government. Evidence-based decision making for health at the province level in China, which is home to a fifth of the global population, is of paramount importance. This analysis uses data from the Global Burden of Diseases, Injuries, and Risk Factors Study (GBD) 2017 to help inform decision making and monitor progress on health at the province level. 

Methods

 We used the methods in GBD 2017 to analyse health patterns in the 34 province-level administrative units in China from 1990 to 2017. We estimated all-cause and cause-specific mortality, years of life lost (YLLs), years lived with disability (YLDs), disability-adjusted life-years (DALYs), summary exposure values (SEVs), and attributable risk. We compared the observed results with expected values estimated based on the Socio-demographic Index (SDI). 

Findings

 Stroke and ischaemic heart disease were the leading causes of death and DALYs at the national level in China in 2017. Age-standardised DALYs per 100 000 population decreased by 33·1% (95% uncertainty interval [UI] 29·8 to 37·4) for stroke and increased by 4·6% (–3·3 to 10·7) for ischaemic heart disease from 1990 to 2017. Age-standardised stroke, ischaemic heart disease, lung cancer, chronic obstructive pulmonary disease, and liver cancer were the five leading causes of YLLs in 2017. Musculoskeletal disorders, mental health disorders, and sense organ diseases were the three leading causes of YLDs in 2017, and high systolic blood pressure, smoking, high-sodium diet, and ambient particulate matter pollution were among the leading four risk factors contributing to deaths and DALYs. All provinces had higher than expected DALYs per 100 000 population for liver cancer, with the observed to expected ratio ranging from 2·04 to 6·88. The all-cause age-standardised DALYs per 100 000 population were lower than expected in all provinces in 2017, and among the top 20 level 3 causes were lower than expected for ischaemic heart disease, Alzheimer's disease, headache disorder, and low back pain. The largest percentage change at the national level in age-standardised SEVs among the top ten leading risk factors was in high body-mass index (185%, 95% UI 113·1 to 247·7]), followed by ambient particulate matter pollution (88·5%, 66·4 to 116·4). 

Interpretation

 China has made substantial progress in reducing the burden of many diseases and disabilities. Strategies targeting chronic diseases, particularly in the elderly, should be prioritised in the expanding Chinese health-care system. 

Funding

 China National Key Research and Development Program and Bill & Melinda Gates Foundation.

Person re-identification is to match pedestrian images from disjoint camera views detected by pedestrian detectors. Challenges are presented in the form of complex variations of lightings, poses, viewpoints, blurring effects, image resolutions, camera settings, occlusions and background clutter across camera views. In addition, misalignment introduced by the pedestrian detector will affect most existing person re-identification methods that use manually cropped pedestrian images and assume perfect detection. In this paper, we propose a novel filter pairing neural network (FPNN) to jointly handle misalignment, photometric and geometric transforms, occlusions and background clutter. All the key components are jointly optimized to maximize the strength of each component when cooperating with others. In contrast to existing works that use handcrafted features, our method automatically learns features optimal for the re-identification task from data. The learned filter pairs encode photometric transforms. Its deep architecture makes it possible to model a mixture of complex photometric and geometric transforms. We build the largest benchmark re-id dataset with 13, 164 images of 1, 360 pedestrians. Unlike existing datasets, which only provide manually cropped pedestrian images, our dataset provides automatically detected bounding boxes for evaluation close to practical applications. Our neural network significantly outperforms state-of-the-art methods on this dataset.

Synthesizing high-quality images from text descriptions is a challenging problem in computer vision and has many practical applications.Samples generated by existing textto-image approaches can roughly reflect the meaning of the given descriptions, but they fail to contain necessary details and vivid object parts.In this paper, we propose Stacked Generative Adversarial Networks (StackGAN) to generate 256×256 photo-realistic images conditioned on text descriptions.We decompose the hard problem into more manageable sub-problems through a sketch-refinement process.The Stage-I GAN sketches the primitive shape and colors of the object based on the given text description, yielding Stage-I low-resolution images.The Stage-II GAN takes Stage-I results and text descriptions as inputs, and generates high-resolution images with photo-realistic details.It is able to rectify defects in Stage-I results and add compelling details with the refinement process.To improve the diversity of the synthesized images and stabilize the training of the conditional-GAN, we introduce a novel Conditioning Augmentation technique that encourages smoothness in the latent conditioning manifold.Extensive experiments and comparisons with state-of-the-arts on benchmark datasets demonstrate that the proposed method achieves significant improvements on generating photo-realistic images conditioned on text descriptions.