Hydroxyapatite (HAP) porous microspheres with very high specific surface area and drug loading capacity, as well as excellent biocompatibility, have been widely used in tumour therapy. Mg

Previous deep learning methods for 3D shape part segmentation often require extensive labeled training data, which can limit their effectiveness on unfamiliar classes with limited data. To tackle this, we introduce a novel meta-learning strategy that regards the 3D shape segmentation function as a task. By training over a number of 3D part segmentation tasks, our method is capable to learn the prior over the respective 3D segmentation function space which leads to an optimal model that is rapidly adapting to new part segmentation tasks. To implement our meta-learning strategy, we propose two novel modules: meta part segmentation learner and part segmentation learner. During the training process, the part segmentation learner is trained to complete a specific part segmentation task in the few-shot scenario. In the meantime, the meta part segmentation learner is trained to capture the prior from multiple similar part segmentation tasks. Based on the learned information of task distribution, our meta part segmentation learner is able to dynamically update the part segmentation learner with optimal parameters which enable our part segmentation learner to rapidly adapt and have great generalization ability on new part segmentation tasks. We demonstrate that our model achieves superior part segmentation performance with the few-shot setting on the widely used dataset: ShapeNet.

Point signature is a representation that describes the structural geometry of a point within a neighborhood in 3D shapes. Conventional approaches apply a weight-sharing network, e.g., Graph Neural Network (GNN), to all neighborhoods of all points to directly generate point signatures and gain the generalization ability of the network by extensive training over amounts of samples from scratch. However, such approaches lack the flexibility to rapidly adapt to unseen neighborhood structures and thus cannot generalize well to new point sets. In this paper, we propose a novel meta-learning 3D point signature model, 3D meta point signature (MEPS) network, which is capable of learning robust 3D point signatures. Regarding each point signature learning process as a task, our method obtains an optimized model over the best performance on the distribution of all tasks, generating reliable signatures for new tasks, i.e., signatures of unseen point neighborhoods. Specifically, our MEPS consists of two modules: a base signature learner and a meta signature learner. During training, a base-learner is trained to perform specific signature learning tasks. Meanwhile, a meta-learner is trained to update the base-learner with optimal parameters. During testing, the meta-learner learned with the distribution of all tasks can adaptively change the base-learner parameters to accommodate unseen local neighborhoods. We evaluate our MEPS model on 3D shape correspondence and segmentation. Experimental results demonstrate that our method not only gains significant improvements over the baseline model to achieve state-of-the-art performance, but also is capable of handling unseen 3D geometry. Our implementation is available at https://github.com/hhuang-code/MEPS.

Extreme rainfall and soil moisture play important roles in the survival, community composition, and ecosystem function of desert plants. This study focused on arid desert riparian forests ecosystems in the Ebinur Lake Basin of Xinjiang, China. We analyzed the effects of rainfall and soil moisture on species composition, indicator species, β diversity, species turnover, and nestedness using three consecutive years of community surveys. A zero-model combined with a Bayesian framework was used to explore the response of species turnover and nestedness to soil moisture and rainfall, and variance decomposition was used to quantify the relative importance of spatial distance, rainfall, and soil factors in determining species composition. The results indicated the following: (1) when rainfall was high, the richness and abundance of annual herbaceous plants increased. The proportion of the community based on richness (32%) and abundance (58.1%) of annual herbaceous plants in 2016 was higher than that in 2015 and 2017. The Jaccard, Bray–Curtis, and Chao indexes of the community in years with higher rainfall were significantly higher than in years with lower rainfall; however, a lag effect was also observed. (2) Soil factors explained 5% of the changes in community composition, rainfall explained 12% of the changes in community composition, and spatial distance, soil factors, and rainfall jointly explained 32% of the changes in community composition. (3) We also showed that high soil moisture leads to greater β diversity than low soil moisture. Rainfall had the greatest explanatory power on the measured values of β diversity (19.6%) and species turnover (38%), and the factor with the greatest explanatory power for species nestedness was the interaction between rainfall and soil moisture (26.2%). Our findings indicate that drought and rainfall drive differences in plant community composition, with rainfall playing a dominant role. These results provide a basis for understanding the impact of extreme rainfall events on arid ecosystem functions.

As global CO 2 levels increase, the storage of CO 2 in saline aquifers is considered a large-scale and cost-effective method for mitigating CO 2 emissions. To examine the impact of cyclic CO 2 injection on sandstone formations within various saline aquifers, five cyclic injections of differing durations were performed, and the effects of the frequency and duration of CO 2 injection cycles on sandstone pore structure were monitored using nuclear magnetic resonance. Additionally, ICP-OES was employed to assess changes in the total dissolved solids and metal ion concentrations in the saline water layer post-injection. The findings reveal that sandstone samples experience structural degradation as a result of cyclic injection. Initially, the proportion of macropores in sandstone samples increases with the number of injections but subsequently decreases. SO 4 2– ions exert a more significant influence on the sandstone pore structure compared to Cl − ions. The concentrations of Ca 2+ and Mg 2+ ions in the solution initially rise, followed by a subsequent decline. By integrating the principles of pore structure and considering the formation of crystals through the combination of metal cations and anions, the mechanism underlying the changes in sandstone pore structure due to cyclic injection is elucidated. This study explores the effects of CO 2 cyclic injection on reservoir sandstone and evaluates how different saline aquifer types affect pore structure deterioration. The research offers valuable reference points and a foundation for laboratory investigations of underground CO 2 storage in saline aquifers.