Abstract A facile method to convert biomolecule‐based carbon nanodots (CNDs) into high‐surface‐area 3D‐graphene networks with excellent electrochemical properties is presented. Initially, CNDs are synthesized by microwave‐assisted thermolysis of citric acid and urea according to previously published protocols. Next, the CNDs are annealed up to 400 °C in a tube furnace in an oxygen‐free environment. Finally, films of the thermolyzed CNDs are converted into open porous 3D turbostratic graphene (3D‐ts‐graphene) networks by irradiation with an infrared laser. Based upon characterizations using scanning electron microscopy, transmission electron microscopy, X‐ray photoelectron spectroscopy, X‐ray diffraction, Fourier‐transform infrared spectroscopy, and Raman spectroscopy, a feasible reaction mechanism for both the thermolysis of the CNDs and the subsequent laser conversion into 3D‐ts‐graphene is presented. The 3D‐ts‐graphene networks show excellent morphological properties, such as a hierarchical porous structure and a high surface area, as well as promising electrochemical properties. For example, nearly ideal capacitive behavior with a volumetric capacitance of 27.5 mF L − 1 is achieved at a current density of 560 A L − 1 , which corresponds to an energy density of 24.1 mWh L − 1 at a power density of 711 W L − 1 . Remarkable is the extremely fast charge–discharge cycling rate with a time constant of 3.44 ms.

The accumulation of micro/nanoplastics (MNPs) in ecosystems poses tremendous environmental risks for terrestrial and aquatic organisms. Designing rapid, field-deployable, and sensitive devices for assessing the potential risks of MNPs pollution is critical. However, current techniques for MNPs detection have limited effectiveness. Here, we design a wireless portable device that allows rapid, sensitive, and on-site detection of MNPs, followed by remote data processing via machine learning algorithms for quantitative fluorescence imaging. We utilized a supramolecular labeling strategy, employing luminescent metal-phenolic networks composed of zirconium ions, tannic acid, and rhodamine B, to efficiently label various sizes of MNPs (e.g., 50 nm-10 μm). Results showed that our device can quantify MNPs as low as 330 microplastics and 3.08 × 10

There is limited understanding of the information captured by deep spatiotemporal models in their intermediate representations. For example, while evidence suggests that action recognition algorithms are heavily influenced by visual appearance in single frames, no quantitative methodology exists for evaluating such static bias in the latent representation compared to bias toward dynamics. We tackle this challenge by proposing an approach for quantifying the static and dynamic biases of any spatiotemporal model, and apply our approach to three tasks, action recognition, automatic video object segmentation (AVOS) and video instance segmentation (VIS). Our key findings are: (i) Most examined models are biased toward static information. (ii) Some datasets that are assumed to be biased toward dynamics are actually biased toward static information. (iii) Individual channels in an architecture can be biased toward static, dynamic or jointly encode a combination static and dynamic information. (iv) Most models converge to their culminating biases in the first half of training. We then explore how these biases affect performance on dynamically biased datasets. For action recognition, we propose StaticDropout, a semantically guided dropout that debiases a model from static information toward dynamics. For AVOS, we design a better combination of fusion and cross connection layers compared with previous architectures.