With the increasing use of drones, the increasing number of drones in the sky makes collisions between drones an issue that cannot be ignored. At present, the relative positioning between drones mostly relies on GNSS and wireless communication, which is difficult to reliably meet the needs of a large number of drones in complex environments such as cities. Therefore, a strong anti-interference method is needed to supplement or replace it. Monocular ranging is a low-cost, low-power, compact, and electromagnetic interference resistant ranging and positioning method, which is very suitable for use on unmanned aerial vehicles with limited carrying capacity. We have studied and analyzed relevant literature on monocular ranging and selected a suitable technical path for drone scenarios. Our method is to add a distance regression branch to YOLOv8, enabling it to estimate the distance of the target drones while detecting them, thereby achieving relative positioning of drones. This method does not rely on GNSS and wireless communication methods, and can help drones locate each other in scenarios where GNSS and communication are affected, avoiding collisions. As a comparison, we compared the distance estimation results with the method of first detecting reference points through YOLOv8 and then calculating distance through PnP, and the results showed that the direct regression distance method is more accurate. Finally, we validated the effectiveness of our method on actual flight data.

Summary In recent years, the oilfield in Bohai Bay has made significant progress in the exploration of reservoirs with alternative fluvial and lake deposition, and multiple large and medium-sized oil fields have been discovered. Different from typical reservoir of fluvial facies, composite sand bodies with complex narrow channel are widely developed during the alternative fluvial and lake deposition period. During this period, the river channels were densely developed, with narrow width and thin thickness, which required high accuracy in identifying reservoirs from seismic data. In addition, composite sand bodies composed of a large number of narrow river channels interwoven with each other have complex internal connectivity relationships, and the risk of multi fluid system development is high, which affects the reasonable deployment of development well networks. Thus, Firstly, this paper introduces geological statistical prior information in the process of spectral inversion, which effectively expands the seismic data spectrum, improves the vertical identification accuracy of seismic data, and enhances the planar continuity of narrow channels. Secondly, fine description of composite sand bodies is carried out through multi-attribute CMY fusion technology. Based on the above research, it effectively guarantees the successful implementation of the development plan for the B oilfield of Bohai bay.

The annotation of magnetic resonance imaging (MRI) images plays an important role in deep learning-based MRI segmentation tasks. Semi-automatic annotation algorithms are helpful for improving the efficiency and reducing the difficulty of MRI image annotation. However, the existing semi-automatic annotation algorithms based on deep learning have poor pre-annotation performance in the case of insufficient segmentation labels. In this paper, we propose a semi-automatic MRI annotation algorithm based on semi-weakly supervised learning. In order to achieve a better pre-annotation performance in the case of insufficient segmentation labels, semi-supervised and weakly supervised learning were introduced, and a semi-weakly supervised learning segmentation algorithm based on sparse labels was proposed. In addition, in order to improve the contribution rate of a single segmentation label to the performance of the pre-annotation model, an iterative annotation strategy based on active learning was designed. The experimental results on public MRI datasets show that the proposed algorithm achieved an equivalent pre-annotation performance when the number of segmentation labels was much less than that of the fully supervised learning algorithm, which proves the effectiveness of the proposed algorithm.

Exploring the relationships between plant phenotypes and genetic information requires advanced phenotypic analysis techniques for precise characterization. However, the diversity and variability of plant morphology challenge existing methods, which often fail to generalize across species and require extensive annotated data, especially for 3D datasets. This paper proposes a zero-shot 3D leaf instance segmentation method using RGB sensors. It extends the 2D segmentation model SAM (Segment Anything Model) to 3D through a multi-view strategy. RGB image sequences captured from multiple viewpoints are used to reconstruct 3D plant point clouds via multi-view stereo. HQ-SAM (High-Quality Segment Anything Model) segments leaves in 2D, and the segmentation is mapped to the 3D point cloud. An incremental fusion method based on confidence scores aggregates results from different views into a final output. Evaluated on a custom peanut seedling dataset, the method achieved point-level precision, recall, and F1 scores over 0.9 and object-level mIoU and precision above 0.75 under two IoU thresholds. The results show that the method achieves state-of-the-art segmentation quality while offering zero-shot capability and generalizability, demonstrating significant potential in plant phenotyping.

Motivation: Many types of visual stimuli were reported effective for visual perception. However, it’s uncertain whether certain types of visual stimuli illicit larger responses. Goal(s): We aim to measure the metabolic changes in response to different types of visual stimuli to observe which types of visual stimuli can excite larger and more consistent responses. Approach: We designed three different types of stimuli sessions ( non-sense images, houses, and faces) for visual stimulation and observed the metabolic changes in the fMRS data at 5T. Results: Preliminary experiments show that compared to non-sense images and “no interesting” houses, faces stimulate larger responses with dynamic increase. Impact: An fMRS study is implemented to measure the dynamic changes in response to different types of visual stimuli. Preliminary experiments indicate that faces stimulate larger responses.

Motivation: Subspace reconstruction is widely used in MRI reconstruction, but the selection and impact of bases need further analysis. Goal(s): We want to evaluate the influence of bases obtained by different methods on subspace reconstruction. Approach: We generated different bases from Bloch simulation and calibration scan on healthy subjects and brain tumor subjects and evaluate the subspace reconstruction results with GESE-EPTI data. Results: Subspace bases from calibration scan can optimize the reconstructed results without increasing scan time. The bases from brain tumor subjects and healthy subjects are evaluated and indicate consistent results. Besides, linear transformations can optimize results without the need for reconstruction. Impact: We evaluate the subspace bases from Bloch simulation and calibration scan in MRI subspace reconstruction and demonstrate bases from calibration scan can optimize the reconstructed results. Subspace reconstruction results were consistent by bases from brain tumor and healthy subjects.