Сборка AppImage: Пошаговое руководство с готовыми скриптами

Да, всё верно — каждая AppImage содержит собственный набор библиотек .so, включая Qt, если приложение её требует. Это нормальная практика: Qt-библиотеки занимают не так много места, зато гарантируют, что приложение запустится одинаково на любой системе.

Если исключить Qt из пакета, то при запуске AppImage динамический линковщик будет искать её в системных путях (/usr/lib, /lib и т.д.). Поэтому можно не включать библиотеку, если вы уверены, что нужная версия есть в целевой системе, но это делает образ менее переносимым.

AppImage-сообщество и проект linuxdeploy придерживаются следующего практического правила:

• Не включаются системные библиотеки, которые гарантированно присутствуют во всех дистрибутивах Linux (так называемые base system libraries).
  Это, например:

  libc.so.6, libm.so.6, libpthread.so.0, libdl.so.2,
  librt.so.1, libgcc_s.so.1, libstdc++.so.6,
  libX11.so.6, libXext.so.6

• Включаются внешние зависимости, которые не входят в стандартную базу Linux или могут отличаться между дистрибутивами и версиями.
  Это, например:

  Qt*, GStreamer, OpenCV, SDL2, FFMPEG, libpng,
  libjpeg, libtiff

  Такие библиотеки считаются «частью приложения» и должны поставляться вместе с ним.

Как мы сделали движок и игру на нем за полтора года

От видео с демонстрацией движка аж мурашки по коже. Русские всё-таки что-то могут. Хотя когда увидел хаммер ощущение пропало. А после просмотра видео с игрой Battle Prime вообще не понял — зачем делать захватывающие движки, чтобы потом сделать шаблонный шутер? Может это было нужно для того, чтобы показать, что на планшете такое тоже возможно?

Автоматическая сегментация дыхательных органов

К нейросетям много вопросов:
1. На основе чего сделано предположение, что будет достаточно максимум 100 случаев? Это не говоря уже о том, что исследования в общем случае получить не так просто.
2. Мы выполняем сегментацию 3-хмерных воксельных данных, а не отдельных срезов(есть принципиальная разница между сегментацией именно в 3-х измерениях и сегментацией по плоским срезам). Из этого следует во-первых то, что объем данных возрастает в несколько сотен или тысячу раз, а насколько я знаю, для нейросетей это проблема — даже обычным картинкам уменьшают разрешение, во-вторых просто уже архитектура сети скорее всего должна быть другой — не получится взять готовое решение. Вообще как то особо не получается найти примеры, чтобы нейросеть работала с воксельными данными.
3. Я бы не сказал, что нейросети хорошо справляется именно с задачей сегментации. Та же U-Net, судя по результатам, приводимых в статьях, особой точностью не блещет — границы объектов получаются далеки от идеальных.
4. Какой объем будет занимать результат обучения нейросети? Это должно работать в десктопной программе, которая не тащит с собой никаких особо больших баз.