Purpose This study addresses the challenge of generating material waste from support structures in 3D printing manufacturing and aims to explore more cost-effective manufacturing strategies for 3D printing manufacturers by considering two strategies: technology upgrading and material recycling. Design/methodology/approach This study examines the optimal decisions for manufacturers under each scenario (including a benchmark model and models for the two strategies) and explores the most profitable strategy by comparing the optimal profits of the manufacturer and analyzing the impact of key factors. Findings This study reveals that the choice of the optimal manufacturing strategy depends on the cost coefficient of technological effort and the fixed cost associated with introducing material recycling. In addition, it finds that material recycling is particularly effective in enhancing consumer surplus. Practical implications The analysis provides an important basis for decision-making for 3D printing manufacturers considering technology upgrading and material recycling, which can not only enhance economic benefits but also contribute to the sustainable advancement of 3D printing technology. Originality/value To the best of the authors’ knowledge, this study is the first to focus on the adverse effects of support structures in 3D printing manufacturing and systematically explore the economic feasibility of improving this issue through both technology upgrading and material recycling.

Motivation: Identification of early cognitive impairment in type 2 diabetes mellitus (T2DM) patients is of paramount importance for mitigating cognitive decline of patients and enhancing their quality of life. Goal(s): Our objective was to develop a robust deep learning model for diagnosing early cognitive impairment in T2DM using multi-modal neuroimages. Approach: We developed a multi-modal neural network, which incorporated informative clinical metadata (i.e., MoCA, BMI and HbA1c) to design metadata-induced contrastive Laplacian regularization. Results: The proposed approach demonstrated significant improvement in accuracy in the identification of T2DM with/without mild cognitive impairment in a dataset with 311 subjects. Impact: Superior diagnostic performance of the proposed method for early cognitive impairment in T2DM demonstrates its ability in understanding of T2DM cognitive impairment associated brain alterations and its potential applications on other brain disorders.

Object detection is a crucial task in the field of remote sensing. Currently, frame-based algorithms have demonstrated impressive performance. However, research on remote sensing applying event cameras has not yet been conducted. Meanwhile, there are still three issues to address: 1) Remote sensing targets are often disrupted by complex backgrounds, resulting in poor detection performance, especially in extremely challenging environments (e.g., low-light, motion blur, and occlusion scenarios). 2) Mainstream deep learning neural networks primarily employ discrete random sampling training strategies, which limits the system to leverage continuous temporal information. 3) The distribution shift problem arising from uneven data in streaming training poses challenges for temporal object detection. In this work, we provide the Remote Sensing Event-based Object Detection Dataset (RSEOD), which is the first remote sensing dataset utilizing event cameras while including various intractable scenarios, providing a novel perspective for object detection in challenging scenarios. Additionally, we innovatively propose an event-based streaming training strategy that utilizes asynchronous event streams to address detection challenges caused by prolonged occlusion and out-of-focus. Moreover, we introduce a reversible normalization criterion (RevNorm) to eliminate non-stationary information in temporal data, proposing a Streaming Bidirectional Feature Pyramid Network (SBFPN) to facilitate recursive data transmission along the temporal dimension. Extensive experiments on the RSEOD Dataset demonstrate that our method achieves 38.1% mAP@0.5:0.95 and 55.8% mAP@0.5, outperforming all other state-of-the-art object detection approaches (e.g., YOLOv8, YOLOv10, YOLOv11, DINO, RTDETR, RTDETRv2, SODFormer). The dataset and code are released at https://github.com/Jushl/ESVT.