Recently, deep-learning-based fault diagnosis methods have been widely studied for rolling bearings. However, these neural networks are lack of interpretability for fault diagnosis tasks. That is, how to understand and learn discriminant fault features from complex monitoring signals remains a great challenge. Considering this challenge, this article explores the use of the attention mechanism in fault diagnosis networks and designs attention module by fully considering characteristics of rolling bearing faults to enhance fault-related features and to ignore irrelevant features. Powered by the proposed attention mechanism, a multiattention one-dimensional convolutional neural network (MA1DCNN) is further proposed to diagnose wheelset bearing faults. The MA1DCNN can adaptively recalibrate features of each layer and can enhance the feature learning of fault impulses. Experimental results on the wheelset bearing dataset show that the proposed multiattention mechanism can significantly improve the discriminant feature representation, thus the MA1DCNN outperforms eight state-of-the-arts networks.

Human 3D pose estimation from a single image is a challenging task with numerous applications. Convolutional Neural Networks (CNNs) have recently achieved superior performance on the task of 2D pose estimation from a single image, by training on images with 2D annotations collected by crowd sourcing. This suggests that similar success could be achieved for direct estimation of 3D poses. However, 3D poses are much harder to annotate, and the lack of suitable annotated training images hinders attempts towards end-to-end solutions. To address this issue, we opt to automatically synthesize training images with ground truth pose annotations. Our work is a systematic study along this road. We find that pose space coverage and texture diversity are the key ingredients for the effectiveness of synthetic training data. We present a fully automatic, scalable approach that samples the human pose space for guiding the synthesis procedure and extracts clothing textures from real images. Furthermore, we explore domain adaptation for bridging the gap between our synthetic training images and real testing photos. We demonstrate that CNNs trained with our synthetic images out-perform those trained with real photos on 3D pose estimation tasks.

A key challenge of infrared small object segmentation (ISOS) is to balance miss detection (MD) and false alarm (FA). This usually needs ``opposite'' strategies to suppress the two terms, and has not been well resolved in the literature. In this paper, we propose a deep adversarial learning framework to improve this situation. Departing from the tradition of jointly reducing MD and FA via a single objective, we decompose this difficult task into two sub-tasks handled by two models trained adversarially, with each focusing on reducing either MD or FA. Such a new design brings forth at least three advantages. First, as each model focuses on a relatively simpler sub-task, the overall difficulty of ISOS is somehow decreased. Second, the adversarial training of the two models naturally produces a delicate balance of MD and FA, and low rates for both MD and FA could be achieved at Nash equilibrium. Third, this MD-FA detachment gives us more flexibility to develop specific models dedicated to each sub-task. To realize the above design, we propose a conditional Generative Adversarial Network comprising of two generators and one discriminator. Each generator strives for one sub-task, while the discriminator differentiates the three segmentation results from the two generators and the ground truth. Moreover, in order to better serve the sub-tasks, the two generators, based on context aggregation networks, utilzse different size of receptive fields, providing both local and global views of objects for segmentation. As verified on multiple infrared image data sets, our method consistently achieves better segmentation than many state-of-the-art ISOS methods.

The critical issue for fault diagnosis of wheel-set bearings in high-speed trains is to extract fault features from vibration signals. To handle high complexity, strong coupling, and low signal-to-noise ratio of the vibration signals, this article proposes a novel multibranch and multiscale convolutional neural network that can automatically learn and fuse abundant and complementary fault information from the multiple signal components and time scales of the vibration signals. The proposed method combines the conventional filtering methods and the idea of the multiscale learning, which can extend the breadth and depth of the feature learning process. Consequently, the proposed network can perform better. The experimental results on the wheelset bearing dataset demonstrate that the proposed method has better antinoise ability and load domain adaptability and can diagnose 12 fault types more accurately when compared with the five state-of-the-art networks.

The health condition of a wheelset bearing, the key component of a railway bogie, has a considerable impact on the safety of a train. Traditional bearing fault diagnosis techniques generally extract signals manually and then diagnose the bearing health conditions through the classifier. However, high-speed trains (HSTs) are usually faced with variable loads, variable speeds, and strong environmental noise, which pose a huge challenge to the application of the traditional bearing fault diagnosis methods in wheelset bearing fault diagnosis. Therefore, this paper proposes a 1D residual block, and based on the block, a novel deeper 1D convolutional neural network (Der-1DCNN) is proposed. The framework includes the idea of residual learning and can effectively learn high-level and abstract features while effectively alleviating the problem of training difficulty and the performance degradation of a deeper network. Additionally, for the first time, we fully use the wide convolution kernel and dropout technology to improve the model's ability to learn low-frequency signal features related to the fault components and to enhance the network's generalization performance. By constructing a deep residual learning network, Der-1DCNN can adaptively learn the deep fault features of the original vibration signal. This method not only achieves very high diagnostic accuracy for the fault diagnosis task of wheelset bearings in HSTs under strong noise environment, but also its performance is quite superior when the train's working load changes without any domain adaptation algorithm processing. The proposed Der-1DCNN is evaluated on the dataset of the multi-operating conditions of the wheelset bearings of HSTs. Experiments show that this method shows a better diagnostic performance compared with the state-of-the-art deep learning methods of bearing fault diagnosis, which proves the method's effectiveness and superiority.

Abstract The prevalence of thyroid dysfunction diseases (TDFDs) and osteoporosis (OP) is high. Previous studies have indicated a potential association between TDFDs and OP, yet the causal direction remains unclear. This study aimed to investigate the potential causal relationship between TDFDs and the risk of developing OP and related fractures. We obtained pooled data from genome-wide association studies (GWASs) conducted on TDFDs and OP in European populations and identified single-nucleotide polymorphisms (SNPs) with genome-wide significance levels associated with exposure to TDFDs as instrumental variables. Inverse variance weighted (IVW) was employed as the primary method for Mendelian randomization (MR) analysis, supplemented by MR‒Egger, weighted median, simple mode and weighted mode methods. Sensitivity analyses were conducted to evaluate the robustness of the findings. The IVW method demonstrated an increased risk of OP in patients with TDFDs, including hyperthyroidism and hypothyroidism (TDFDs: OR = 1.11; 95% CI 1.09, 1.13; hypothyroidism: OR = 1.14; 95% CI 1.10, 1.17; hyperthyroidism: OR = 1.09; 95% CI 1.06, 1.12). These findings were supported by supplementary analysis, which revealed a positive correlation between TDFDs and the risk of OP. Multiple sensitivity analyses confirmed the absence of horizontal pleiotropy in the study, thus indicating the robustness of our results. The causal relationship between TDFDs and increased risk of OP implies the need for early bone mineral density (BMD) screening and proactive prevention and treatment strategies for individuals with TDFDs.