Multi-View 3D object detection (MV3D) has made tremendous progress by leveraging multiple perspective features through surrounding cameras. Despite demonstrating promising prospects in various applications, accurately detecting objects through camera view in the 3D space is extremely difficult due to the ill-posed issue in monocular depth estimation. Recently, Graph-DETR3D [12] presents a novel graph-based 3D-2D query paradigm in aggregating multi-view images for 3D object detection and achieves competitive performance. Although it enriches the query representations with 2D image features through a learnable 3D graph, it still suffers from limited depth and velocity estimation abilities due to the adoption of a single-frame input setting. To solve this problem, we introduce a unified spatial-temporal graph modeling framework to fully leverage the multi-view imagery cues under the multi-frame inputs setting. Thanks to the flexibility and sparsity of the dynamic graph architecture, we lift the original 3D graph into the 4D space with an effective attention mechanism to automatically perceive imagery information at both spatial and temporal levels. Moreover, considering the main latency bottleneck lies in the image backbone, we propose a novel dense-sparse distillation framework for multi-view 3D object detection, to reduce the computational budget while sacrificing no detection accuracy, making it more suitable for real-world deployment. To this end, we propose Graph-DETR4D, a faster and stronger multi-view 3D object detection framework, built on top of Graph-DETR3D. Extensive experiments on nuScenes and Waymo benchmarks demonstrate the effectiveness and efficiency of Graph-DETR4D. Notably, our best model achieves 62.0% NDS on nuScenes test leaderboard. Code is available at https://github.com/zehuichen123/Graph-DETR4D.

Fine-grained action recognition typically faces challenges with lower inter-class variances and higher intra-class variances. Supervised contrastive learning is inherently suitable for this task, as it can decrease intra-class feature distances while increasing inter-class ones. However, directly applying it into fine-grained action recognition encounters two main problems. The first problem stems from the heavy training cost associated with supervised contrastive learning, which requires numerous training epochs, each involving double augmentation views per instance. To address this issue, we propose the late-stage supervised contrastive learning (late-SC) strategy, which effectively reduces the number of training epochs needed for the contrastive learning process. The second problem is that supervised contrastive loss does not explicitly consider the semantic distances between fine-grained actions when adjusting representation distances. This results in less reasonable and efficient adjustments to the representation space. To overcome this limitation, we introduce the semantic-aware temperature adaptation (STA) mechanism, enhancing the suitability of the supervised contrastive loss for fine-grained action recognition. We conduct experiments on several benchmark datasets for fine-grained action recognition, including Epic-Kitchens-55/100, SomethingSomething-V1, and Diving48-V2. The results demonstrate that our proposed method (referred to as LSC-STA) consistently enhances performance across various base feature extractors, without introducing additional inference overhead and incurring only a marginal increase in training expenses.

Introduction: Regular physical activity is beneficial for health but is often reduced in patients receiving maintenance hemodialysis treatment. Irisin is a muscle-secreted hormone that reportedly improves metabolism and slows down the progression of some chronic diseases. In this study, we aimed to investigate the relationship between physical activity capacity and serum irisin levels in hemodialysis patients. Methods: Our study included 252 patients undergoing hemodialysis at Xuanwu Hospital Capital Medical University. Enzyme-linked immunosorbent assay was used to measure blood irisin levels. Body composition was analyzed by bioelectrical impedance analysis. The International Physical Activity Questionnaire (IPAQ) was used to score physical activity ability. Results: Bivariate correlation analysis showed a positive correlation between IPAQ scores and ln irisin (the natural logarithm of irisin; r = 0.326, P < 0.001). Independent determinants of IPAQ scores were ln irisin, age, fasting glucose, and carbon dioxide combining power. Conclusion: Our findings provide the first clinical evidence that serum irisin levels are positively correlated with physical activity capacity in hemodialysis patients.

ABSTRACT With the development and popularization of network technology, network security issues are increasingly being valued. The application of knowledge graph technology in network security can significantly enhance the level of protection, assist users and relevant departments in understanding overall trends of network security vulnerabilities, and swiftly identify and respond to security threats. To improve the analysis and response capabilities to network security threats, developing methods for identifying key nodes in the network is urgent. This research focuses on the degree centrality calculation method for nodes in a network security database based on knowledge graphs. We propose a novel approach for computing node degree centrality within a knowledge graph‐based network security database. The method comprises two main components: weight calculation and score calculation. Additionally, we have developed a node importance ranking module based on a network security knowledge graph derived from the CVE database, providing a faster and more accurate solution compared to manual methods. We then discuss the significant application value and promising development prospects of the knowledge graph‐based node degree centrality calculation method in the field of network security protection in future work.