We integrate the cascade-of-rejectors approach with the Histograms of Oriented Gradients (HoG) features to achieve a fast and accurate human detection system. The features used in our system are HoGs of variable-size blocks that capture salient features of humans automatically. Using AdaBoost for feature selection, we identify the appropriate set of blocks, from a large set of possible blocks. In our system, we use the integral image representation and a rejection cascade which significantly speed up the computation. For a 320 × 280 image, the system can process 5 to 30 frames per second depending on the density in which we scan the image, while maintaining an accuracy level similar to existing methods.

Most time series data mining algorithms use similarity search as a core subroutine, and thus the time taken for similarity search is the bottleneck for virtually all time series data mining algorithms. The difficulty of scaling search to large datasets largely explains why most academic work on time series data mining has plateaued at considering a few millions of time series objects, while much of industry and science sits on billions of time series objects waiting to be explored. In this work we show that by using a combination of four novel ideas we can search and mine truly massive time series for the first time. We demonstrate the following extremely unintuitive fact; in large datasets we can exactly search under DTW much more quickly than the current state-of-the-art Euclidean distance search algorithms. We demonstrate our work on the largest set of time series experiments ever attempted. In particular, the largest dataset we consider is larger than the combined size of all of the time series datasets considered in all data mining papers ever published. We show that our ideas allow us to solve higher-level time series data mining problem such as motif discovery and clustering at scales that would otherwise be untenable. In addition to mining massive datasets, we will show that our ideas also have implications for real-time monitoring of data streams, allowing us to handle much faster arrival rates and/or use cheaper and lower powered devices than are currently possible.

Background: Osteogenic induction and bone formation are heavily affected by environmental factors, including estrogen, estrogen receptors, and coregulatory proteins, such as the recently reported proline-, glutamic acid-, and leucine-rich protein 1(Pelp1).Objective: To investigate Pelp1 expression in rat bone mesenchymal stem cells (rBMSCs) during cell proliferation and osteogenic differentiation.Methods: rBMSCs were cultured in routine and osteogenic differentiation media.Cell proliferation was assessed at days 1, 3, 5, 7, 9, 11, 14, and 21.Pelp1 protein expression in the nucleus and cytoplasm were detected by immunocytochemical analysis.Real-time RT-PCR and western blot were used to detect mRNA and protein expressions of Pelp1, osteocalcin (OCN), and alkaline phosphatase (ALP).Results: Over 21 days, rBMSCs in routine culture exhibited a 1-2 day lag phase and exponential growth from day 3 to 9, plateauing at day 9, and correlated with temporal mRNA expression of Pelp1, which almost reached baseline levels at day 21.In osteogenic induction cultures, Pelp1 mRNA levels rose at day 9 and steadily increased until day 21, reaching 6.8-fold greater value compared with day 1.Interestingly, Pelp1 mRNA expression in osteogenic cultures exhibited a trend similar to that of OCN expression.Pelp1 knockdown by siRNA transfection inhibited undifferentiated rBMSC proliferation, and bone markers OCN and ALP expressions in rBMSCs cultured in routine and osteogenic differentiation media.Conclusions: Pelp1 may be a key player in BMSCs proliferation and osteogenic differentiation, meriting further consideration as a target for development of therapies for pathological bone loss conditions, such as menopausal bone loss.

Most time series data mining algorithms use similarity search as a core subroutine, and thus the time taken for similarity search is the bottleneck for virtually all time series data mining algorithms, including classification, clustering, motif discovery, anomaly detection, and so on. The difficulty of scaling a search to large datasets explains to a great extent why most academic work on time series data mining has plateaued at considering a few millions of time series objects, while much of industry and science sits on billions of time series objects waiting to be explored. In this work we show that by using a combination of four novel ideas we can search and mine massive time series for the first time. We demonstrate the following unintuitive fact: in large datasets we can exactly search under Dynamic Time Warping (DTW) much more quickly than the current state-of-the-art Euclidean distance search algorithms. We demonstrate our work on the largest set of time series experiments ever attempted. In particular, the largest dataset we consider is larger than the combined size of all of the time series datasets considered in all data mining papers ever published. We explain how our ideas allow us to solve higher-level time series data mining problems such as motif discovery and clustering at scales that would otherwise be untenable. Moreover, we show how our ideas allow us to efficiently support the uniform scaling distance measure, a measure whose utility seems to be underappreciated, but which we demonstrate here. In addition to mining massive datasets with up to one trillion datapoints, we will show that our ideas also have implications for real-time monitoring of data streams, allowing us to handle much faster arrival rates and/or use cheaper and lower powered devices than are currently possible.

The development of new thermoelectric conversion and cooling materials is an important means of addressing global climate and heat emissions in the future. While heavy and toxic elements like tellurium and lead are traditionally used to make thermoelectric materials with poor mechanical properties, recent decades have seen a gradual push towards greener and more sustainable alternatives. One such potential alternative material for thermoelectric and thermal management applications would be the Nitinol (TiNi) shape memory alloy, due to their superior mechanical properties. In this study, we have investigated the use of 3D melt printing techniques that can be used to achieve thermoelectric performance and efficiency of elastic memory alloys below 500 °C. The electrical and thermal properties of TiNiCu materials and their relation to morphology were investigated. All the alloys show similar effect sizes, their fatigue behavior is however different. By adjusting the composition of Ti and Ni elements and we have obtained memory alloys with high thermoelectric properties, with a 50% increase in power factor and a 100% increase in ZT values.

Adrenal myelolipoma (AML) is a rare, benign neoplasm of the adrenal gland often found incidentally during medical examinations for unrelated conditions. This case study presents a 39-year-old male patient with a particularly large AML, weighing 11 kg upon surgical removal, potentially making it the largest documented tumor in medical literature.