翟继先课题组此次发布的数据库（Arabidopsis RNA-seq database, ARS）整合了来自GEO、SRA、ENA和DDBJ数据库的20,068个拟南芥RNA-seq数据，提供了“Google-style”在线查询工具。该研究对所有文库进行了基因表达水平定量和共表达网络分析，并将所有文库进行分类，总共涉及1176个突变体、1102种处理条件、12个组织和176个发育时期，同时也对突变体和处理条件分别同对应的对照组进行差异表达分析。

(1) 在国内首次建立了网络化制造系统模式库。该模式库包括面向独立企 业、面向企业集团、面向区域、面向行业、面向企业动态联盟等五大类网络化 制造系统模式，每类模式包括体系结构、实施方案、软件集成接口、运行模式和 实施案例。其中创新性和效益比较突出的两类模式是： •在国内首次提出了企业级的网络化制造系统模式一一基于企业内、外部 网络化制造的企业信息化模式，设计出了相应的体系结构，在各大中型企业 成功实施和应用。 •在国内外首次提出了面向区域制造业的网络化制造系统模式一一“区域 性网络化制造系统"模式，被第27届国际计算机和工业工程大会选为大会主题报 告。被国家科技部列入了国家863计划，在国内外产生了较大影响。并成功设计 出了相应的体系结构和运行模式，已在我国3个省市得到了成功应用。（2）在国内以领先优势中标国家十五科技攻关项目“网络化制造平台"， 在此基础上开发成功了我国第一个多功能的网络化制造平台，通过科技部的验 收。平台由集成框架和计算机网络、数据库等五个层次组成。最顶层是应用功能 系统层，其中应用效果比较突出的应用功能系统有网络化分销管理系统、网络化 销售与定制系统、网络化协同工作支持系统和网络化软件资源共享支持系统； 前两个功能系统被国内外院士、专家组成的鉴定委员会鉴定为“国内领先" 和“国际先进水平"。

1、 本项目属网络化制造领域，是先进制造技术、计算机网络技术和现代 管理技术等学科的交叉领域。获得了 2006年度国家教育部科技进步一等奖。 2、 项目主要科技成果如下： (1)   在国内首次建立了网络化制造系统模式库。该模式库包括面向独立企 业、面向企业集团、面向区域、面向行业、面向企业动态联盟等五大类网络化 制造系统模式，每类模式包括体系结构、实施方案、软件集成接口、运行模式和 实施案例。其中创新性和效益比较突出的两类模式是： •在国内首次提出了企业级的网络化制造系统模式一一基于企业内、外部 网络化制造的企业信息化模式，设计出了相应的体系结构，在各大中型企业 成功实施和应用。 •在国内外首次提出了面向区域制造业的网络化制造系统模式一一“区域 性网络化制造系统"模式，被第27届国际计算机和工业工程大会选为大会主题报 告。被国家科技部列入了国家863计划，在国内外产生了较大影响。并成功设计 出了相应的体系结构和运行模式，已在我国3个省市得到了成功应用。 (2)   在国内以领先优势中标国家十五科技攻关项目“网络化制造平台"， 在此基础上开发成功了我国第一个多功能的网络化制造平台，通过科技部的验 收。平台由集成框架和计算机网络、数据库等五个层次组成。最顶层是应用功能 系统层，其中应用效果比较突出的应用功能系统有网络化分销管理系统、网络化 销售与定制系统、网络化协同工作支持系统和网络化软件资源共享支持系统； 前两个功能系统被国内外院士、专家组成的鉴定委员会鉴定为“国内领先" 和“国际先进水平"。市场及经济效益分析： 制造业量大面广，是一个国家和区域的支柱产业。当前，制造全球化和制造 网络化是现代制造业的主要发展趋势之一。本项目成果一方面能为一个区域网络 化制造和云制造服务平台的设计和开发提供方法、方案、技术、成果和产品支 持，另一方面也能为一个企业实施互联网+和云制造，为企业实现与互联网的融 合创新提供方法、方案、技术、成果和产品支持，具有广阔的推广应用前景。 本项目成果已在长安、力帆、铁马、贵阳普天等多家大型企业和华陶、华洋 等数十个中小企业以及重庆、泉州市、内江市等多个区域得到成功应用，已 取得了显著经济效益和社会效益，并且有广阔的应用前景。例如：长安汽车公 司、重庆力帆集团等大型企业应用本成果中企业级网络化制造系统模式及相关技 术，建立了创新的企业信息化系统，取得显著的应用效益；又如，重庆华洋电器集团、江津增压器厂等大型企业系统地应用了本成果网络化制造系统模式及网络 化制造平台中有关技术，系统实施和建立了创新的企业信息化系统，取得了显著 的应用效益。

一、成果简介 1、本项目属网络化制造领域，是先进制造技术、计算机网络技术和现代管理技术等学科的交叉领域。获得了2006年度国家教育部科技进步一等奖。 2 项目主要科技成果如下： （1）在国内首次建立了网络化制造系统模式库。该模式库包括面向独立企业、面向企业集团、面向区域、面向行业、面向企业动态联盟等五大类网络化制造系统模式，每类模式包括体系结构、实施方案、软件集成接口、运行模式和实施案例。其中创新性和效益比较突出的两类模式是： ● 在国内

视频剪辑是一项简单却繁琐的工作，需要投入大量的人力。而且人力完成的视频剪辑，剪辑结果有着很强的主观色彩。通过采集大量各类体育赛事数据进行模型训练，利用深度神经网络良好的自主学习能力，采用Centernet作为多目标检测能力的实现框架，同时利用Transformer重构目标检测进行连锁，二次捕捉目标检测的准确性。CenterNet和Transformer的融合，实现了端到端的目标检测，在准确性提升的基础上满足实时处理视频的要求。综合应用多目标检测跟踪以及多模式识别技术，实现短视频的智能化剪辑，极大程度减少了人工工作量，同时也增加了短视频剪辑的客观性，在大数据时代背景下有着重要的现实意义。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。 

中国电子学会发布“电子信息领域优秀科技论文（2020）遴选活动”入选论文。东南大学尤肖虎、张川、谈晓思、金石、邬贺铨联合署名的论文《AI for 5G: research

智慧校园是大数据时代、人工智能时代发展的产物,蓝鸽AI一体化智慧校园以物联网为基础，充分应用5G/人工智能技术经过一体化的设计