This study evaluates the performance of three typical convolutional neural network based deep learning algorithms for oil spill detection using medium-resolution optical satellite imagery from Sentinel-2 MSI, Landsat-8 OLI, and Landsat-9 OLI2. Oil slick training and validation dataset were created through a semi-automatic labeling approach, based on chronic and accidental oil spill cases reported worldwide. The research enhances UNet, BiSeNetV2, and DeepLabV3+ architectures by integrating attention mechanisms including the Squeeze-and-Excitation module (SE), Convolutional Block Attention Module (CBAM), and a Simple, parameter-free Attention Module (SimAM), analyzing the optimal model for oil spill detection. Notably, UNet integrated with CBAM, especially with sun glint as a feature, significantly outperformed others, achieving a micro-average F1 score of 88.8 %. This research highlights deep learning's potential in optical remote sensing for oil spill detection, stressing its escalating relevance with the growing deployment of medium- to high-resolution optical satellites.

Deep subspace clustering typically employs a self-representation layer to accurately capture the similarity relationships among data points. While current techniques enhance self-representation matrices through optimized network structures and balanced regularization strategies, they often overlook comprehensive learning of global data characteristics. Moreover, scalability to large datasets is limited due to the proportional growth of the self-representation matrix with dataset size, presenting computational challenges. To address these issues, we introduce the Cross-Layer Self-Representation Enhanced Deep Subspace Clustering with Self-Supervision method. This novel approach features a hierarchical self-representation fusion mechanism that enriches the understanding of data relationships across different layers. In addition, we employ a contrastive learning strategy to refine data representation learning further. Crucially, we develop a joint framework that surmounts previous limitations in processing large-scale data. Our method's effectiveness and superiority are conclusively demonstrated through extensive experimental validation.

Lung cancer has one of the highest death rates in the world. modern medicine is the main treatment for lung cancer, but it has many side effects. Scholars have turned their attention to the application of botanical drugs in the treatment of lung cancer. It is found that in addition to treating lung cancer, it can also reduce side effects, and at the same time it plays a role in improving the immunity of patients and improving the quality of lives of patients. To analyze the research progress, status, and hotspots in the field of botanical drug therapy for lung cancer visually in recent more than 20 years, it is expected to help the scholars to establish a clear existing research framework, development process, and research direction of this field. We searched journal papers from the Web of Science database dated from January 2002 to March 2023 in the field of botanical drugs in the treatment of lung cancer, we used Cite Space, VOS viewer, Pajet analysis software to analyze publication, author, institution, country, keyword, keyword cluster, journals of co-citation analysis, burst keyword, and drew visual maps. 814 articles were obtained in the study. The authors' cooperative network analysis showed that Liu Liang published the most papers in the field of botanical drugs in the treatment of lung cancer. The analysis of institutions showed that Shanghai University of Traditional Chinese Medicine was an important scientific research institution for botanical drugs in the treatment of lung cancer, and it had more cooperation with other institutions. China was the country with the largest number of publications. Keywords analysis showed that the research content in the field mainly focused on lung cancer, apoptosis, traditional Chinese medicine, Chinese herb medicine, efficacy, chemotherapy, signaling pathways, mechanisms, and in vitro.10 significant clusters were generated by keyword cluster analysis. The journals of co-citation analysis map showed that the Journal Of Ethnopharmacology (929 citations) and Cancer Research (683 citations) were excellent journals in the JCR1 region. The top 18 burst keywords showed the hot research issues in the field of botanical drugs in the treatment of lung cancer in the past more than 20 years. The research on botanical drugs in the treatment of lung cancer is still in the initial stage. This paper shows the current situation, research progress, and hotspots of the field with the help of visual maps. To ensure the safety and effective use of botanical drugs by lung cancer patients, through this study, we expect scholars to conduct in-depth research on the effectiveness and safety mechanisms of botanical drugs in the future and expect that WHO can establish a universal safety standard for botanical drug use.

Abstract In multi-agent Bayesian optimization for Design Space Exploration (DSE), identifying a communication network among agents to share useful design information for enhanced cooperation and performance, considering the trade-off between connectivity and cost, poses significant challenges. To address this challenge, we develop a distributed multi-agent Bayesian optimization (DMABO) framework and study how communication network structures/connectivity and the resulting cost would impact the performance of a team of agents when finding the global optimum. Specifically, we utilize Lloyd’s algorithm to partition the design space to assign distinct regions to individual agents for exploration in the distributed multi-agent system (MAS). Based on this partitioning, we generate communication networks among agents using two models: 1) a range-limited model of communication constrained by neighborhood information; and 2) a range-free model without neighborhood constraints. We introduce network density as a metric to quantify communication costs. Then, we generate communication networks by gradually increasing the network density to assess the impact of communication costs on the performance of MAS in DSE. The experimental results show that the communication network based on the range-limited model can significantly improve performance without incurring high communication costs. This indicates that increasing the density of a communication network does not necessarily improve MAS performance in DSE. Furthermore, the results indicate that communication is only beneficial for team performance if it occurs between specific agents whose search regions are critically relevant to the location of the global optimum. The proposed DMABO framework and the insights obtained can help identify the best trade-off between communication structure and cost for MAS in unknown design space exploration.