超分辨率制图是一种用来处理混合像元以获得更高空间分辨率的地物分类图像技术。然而传统的超分辨率制图方法中存在丰度图像携带原始图像的空—谱信息不充分，包含尺度信息单一并且整体处理路径单一的问题，导致超分辨率制图结果不够准确。针对上述问题，本项目拟引入全色锐化技术和深度学习网络对遥感图像进行并行路径支持下的超分辨率制图，研究内容包括:1借助全色锐化技术改善原始遥感图像分辨率，并利用兴趣端元因子，保护兴趣类别，使丰度图像携带更多原始图像的空—谱信息;2利用基于拉普拉斯金字塔深度学习的超分辨率重构模型作为亚像元锐化

选择性维护决策能在维护资源非常有限的情况下，有策略地选择系统中部分关键部件实施维护，从而最大程度地保障系统执行任务的成功性，是维护决策领域的重要研究方向。然而，选择性维护决策面临着各种不确定性因素，忽略不确定性将造成维护策略的不稳健和不可靠。本项目从三个层面研究不确定性下的选择性维护决策问题，内容包括：研究选择性维护决策中各种潜在不确定性表征、量化和传播方法，揭示它们对维护决策的影响机制，以及提高选择性维护策略的稳健性；建立多阶段任务下的选择性维护决策模型，克服维数灾难和高维不确定性变量积分难题，实现有限

The Center for the Study of Gene Structure and Function (Gene Center) of Hunter College of the City University of New York is now comprised of a cadre of 19 biomedical researchers with the common goal of increasing the translational/clinical potential of

DESCRIPTION (provided by applicant): Our recent findings made during this funding period have revealed an unexpected dependence of canonical Burkitt's Lymphomas (BLs) and Wp-restricted BLs on EBV's BART miRNAs (Vereide and Sugden, 2011; Vereide et al., su

目標とする機械学習デザインパターンや関連パターンの扱いについて初期的な仕組みの試験実装を進め、それぞれ論文発表を実現した。機械学習の振る舞いはデータに依存し、非決定性や不確実性を持つ。その高信頼化と高効率開発には、特定文脈で頻出する問題と解決策の資産化と再利用が欠かせず、代表者やGoogleほか多くの研究者・実務家が、データの表現から機械学習モデルの訓練、システムの運用に至るライフサイクル上で機械学習パターンを文書化しつつある。しかし、機械学習パターンが扱う対象は訓練データから機械学習モデル、システムまで

Outline of Research at the Start:4つの具体的な項目:A信号値モデルの多様体の形状評価,Bパラメタ推定手法,C雑音の要因の評価,およびD信頼性指標の提供と評価を研究対象とする。AおよびBは、数理科学や拡散MRIを専門とする研究協力者の各グループとともに研究代表者の増谷が中心となって行う。Cは上記の協力者とともに分担者の一関が中心に行う。Dは代表者と分担者が共同して、放射線医学および画像診断学を専門とする協力者の研究グループとともに行う。初年度はAおよびCを重点的に行い、その