国产国语对白露脸正在播放,色噜噜狠狠成人影院,日本在线播放不卡一区二区三区

基于Anchor-free架構(gòu)的行人檢測(cè)方法

使用無(wú)預(yù)選框(Anchor-free)的檢測(cè)框架，設(shè)計(jì)了一種行人檢測(cè)算法。將深度殘差網(wǎng)絡(luò)(ResNet)作為特征提取網(wǎng)絡(luò)，與特征金字塔網(wǎng)絡(luò)(FPN)結(jié)構(gòu)相結(jié)合，使用了多尺度預(yù)測(cè)的方式進(jìn)行預(yù)測(cè)。把目標(biāo)中心點(diǎn)和尺寸作為一種高級(jí)的語(yǔ)義特征，將含有更多細(xì)節(jié)信息的淺層特征圖和含有更多語(yǔ)義信息的深層特征圖進(jìn)行融合。在Citypersons數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)驗(yàn)證，相較現(xiàn)有行人檢測(cè)算法，提出的算法在輕微遮擋、一般遮擋和嚴(yán)重遮擋情況下漏檢率分別提升了1.11%~3.01%，0.15%~6.55%和0.59%~6.39%，檢測(cè)效果更好。

發(fā)表于：12/17/2020

基于IBE策略的物聯(lián)網(wǎng)終端設(shè)備間的身份認(rèn)證方案

隨著物聯(lián)網(wǎng)終端設(shè)備間直接通信的需求不斷增大，為解決物聯(lián)網(wǎng)終端設(shè)備間安全通信和隱私保護(hù)問(wèn)題，終端設(shè)備間認(rèn)證技術(shù)成為人們關(guān)注的一個(gè)熱點(diǎn)，業(yè)界諸多學(xué)者已經(jīng)對(duì)此展開相關(guān)研究并提出多種物聯(lián)網(wǎng)終端設(shè)備間的認(rèn)證機(jī)制。但是，上述機(jī)制在安全強(qiáng)度及抵抗攻擊效果方面尚存在不足。為解決此問(wèn)題，該文提出一種基于IBE策略的物聯(lián)網(wǎng)終端設(shè)備身份認(rèn)證方案，實(shí)現(xiàn)終端設(shè)備之間匿名雙向認(rèn)證，同時(shí)使用橢圓曲線加密算法保證認(rèn)證過(guò)程中信息傳輸?shù)陌踩?。通過(guò)安全性理論分析和性能分析表明，該方案可很好地抵抗重放攻擊、中間人攻擊和篡改攻擊等已知攻擊且具有較低的計(jì)算開銷。

發(fā)表于：12/16/2020

萬(wàn)物互聯(lián)無(wú)小事

雖然物聯(lián)網(wǎng)被廣泛寄予厚望，但對(duì)于企業(yè)來(lái)說(shuō)，要建設(shè)和部署物聯(lián)網(wǎng)架構(gòu)，卻并非易事。為了實(shí)現(xiàn)萬(wàn)物的智能互聯(lián)，物聯(lián)網(wǎng)逐漸形成了覆蓋云、管、邊、端的全方位體系架構(gòu)。其中，“云”指的就是云平臺(tái)，相當(dāng)于物聯(lián)網(wǎng)的神經(jīng)中樞；所謂“管”是指通訊方式；“邊”則是指邊緣計(jì)算，將機(jī)器學(xué)習(xí)引入邊緣計(jì)算，是打造智能化網(wǎng)絡(luò)的關(guān)鍵；而“端”指的就是物聯(lián)網(wǎng)中所謂的物，也就是設(shè)備節(jié)點(diǎn)。

發(fā)表于：12/16/2020

基于Wi-Fi信號(hào)的環(huán)境反向散射技術(shù)分析

環(huán)境反向散射技術(shù)給物聯(lián)網(wǎng)低功耗設(shè)備部署的商業(yè)化帶來(lái)了新的技術(shù)方案。首先簡(jiǎn)要概述反向散射技術(shù)的分類和基本特點(diǎn)，然后基于Wi-Fi信號(hào)下的環(huán)境反向散射技術(shù)，分析反向散射的設(shè)備通過(guò)接收Wi-Fi報(bào)文及反射信號(hào)來(lái)傳遞信息的可行性，討論設(shè)備實(shí)現(xiàn)Wi-Fi雙向通信的硬件框架和軟件模塊結(jié)構(gòu)，介紹反向散射技術(shù)的應(yīng)用場(chǎng)景，并歸納該技術(shù)的挑戰(zhàn)和改進(jìn)方向。最后展望了基于Wi-Fi信號(hào)的環(huán)境反向散射技術(shù)的發(fā)展趨勢(shì)和研究方向。

發(fā)表于：12/16/2020

構(gòu)建智慧物業(yè)管理服務(wù)平臺(tái) 大力推進(jìn)居住社區(qū)物聯(lián)網(wǎng)建設(shè)

新浪科技訊 12月15日午間消息，據(jù)住房和城鄉(xiāng)建設(shè)部官網(wǎng)12月15日消息，為推進(jìn)基于信息化、數(shù)字化、智能化的新型城市基礎(chǔ)設(shè)施建設(shè)，對(duì)接新型基礎(chǔ)設(shè)施建設(shè)，加快建設(shè)智慧物業(yè)管理服務(wù)平臺(tái)，補(bǔ)齊居住社區(qū)服務(wù)短板，推動(dòng)物業(yè)服務(wù)線上線下融合發(fā)展，滿足居民多樣化多層次生活服務(wù)需求，增強(qiáng)人民群眾的獲得感、幸福感、安全感，住房和城鄉(xiāng)建設(shè)部等六部門發(fā)布《關(guān)于推動(dòng)物業(yè)服務(wù)企業(yè)加快發(fā)展線上線下生活服務(wù)的意見》。

發(fā)表于：12/15/2020

交通部：鼓勵(lì)運(yùn)輸企業(yè)利用“互聯(lián)網(wǎng)+”信息化手段整合物流資源

冷鏈物流

發(fā)表于：12/15/2020

基于CNN-LightGBM模型的高速公路交通量預(yù)測(cè)

有效的交通流量預(yù)測(cè)對(duì)人們出行和交管部門監(jiān)管都有著重要的意義。傳統(tǒng)的交通量預(yù)測(cè)模型主要基于交通流的時(shí)間特性，未結(jié)合交通流的時(shí)間和空間特性進(jìn)行深入挖掘，因此預(yù)測(cè)效果有時(shí)不佳。提出了一種基于CNN與LightGBM結(jié)合的交通流預(yù)測(cè)模型，首先利用CNN模型挖掘出高速公路相鄰路段監(jiān)測(cè)點(diǎn)和出入口的時(shí)間和空間關(guān)聯(lián)性，實(shí)現(xiàn)對(duì)交通流數(shù)據(jù)的時(shí)空特征提取，然后將CNN提取到的特征向量輸入到LightGBM模型中進(jìn)行預(yù)測(cè)。為了驗(yàn)證模型的有效性，實(shí)驗(yàn)中使用了多種預(yù)測(cè)模型進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明，所提出的考慮到時(shí)空特性的CNNLightGBM組合的模型可以明顯降低預(yù)測(cè)誤差，是一種有效快速的交通流預(yù)測(cè)模型。

發(fā)表于：12/15/2020

基于GWO-SVM算法的物聯(lián)網(wǎng)入侵檢測(cè)研究

物聯(lián)網(wǎng)時(shí)代悄然而至，然而物聯(lián)網(wǎng)技術(shù)在給人們帶來(lái)方便的同時(shí)，其安全問(wèn)題也日趨突出。針對(duì)物聯(lián)網(wǎng)存在的網(wǎng)絡(luò)入侵安全問(wèn)題，提出GWO-SVM算法實(shí)現(xiàn)網(wǎng)絡(luò)入侵檢測(cè)?；依莾?yōu)化算法(GWO)具有收斂速度快、全局搜索能力強(qiáng)等優(yōu)點(diǎn)，將GWO用于優(yōu)化支持向量機(jī)(SVM)的參數(shù)選擇，有助于提升分類模型的準(zhǔn)確率。同時(shí)通過(guò)調(diào)整適應(yīng)度值函數(shù)，避免分類模型過(guò)擬合。在UNSW-NB15數(shù)據(jù)集上，將GWO-SVM分類算法與SVM、PSO-SVM、GA-SVM分類算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明，GWO-SVM算法具有更高的分類準(zhǔn)確率和性能，適用于物聯(lián)網(wǎng)環(huán)境下的網(wǎng)絡(luò)入侵檢測(cè)。

發(fā)表于：12/15/2020

基于混合注意力機(jī)制的表情識(shí)別研究

針對(duì)目前傳統(tǒng)人臉表情識(shí)別算法存在特征提取復(fù)雜、表情識(shí)別率低等問(wèn)題，提出一種基于混合注意力機(jī)制的ResNet人臉表情識(shí)別方法。該方法把通道注意力模塊和空間注意力模塊組成混合注意力模塊，將混合注意力模塊嵌入ResNet殘差學(xué)習(xí)分支中。針對(duì)CK+人臉表情數(shù)據(jù)集過(guò)小問(wèn)題，采用數(shù)據(jù)增強(qiáng)策略擴(kuò)充數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的ResNet在CK+數(shù)據(jù)集上表情識(shí)別準(zhǔn)確率為97.04%，有效提高了表情識(shí)別準(zhǔn)確率。

發(fā)表于：12/15/2020

一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法

傳統(tǒng)基于協(xié)同過(guò)濾和矩陣分解的靜態(tài)表示推薦算法，不能很好地體現(xiàn)用戶的動(dòng)態(tài)興趣。循環(huán)神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行序列推薦，但存在序列之間的長(zhǎng)距離依賴性差、各項(xiàng)目的區(qū)分度差等問(wèn)題。由此提出一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法，根據(jù)Word2vec算法，引申item2vec和user2vec，初始化用戶和項(xiàng)目的固定表示嵌入矩陣，通過(guò)結(jié)合注意力機(jī)制和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long ShortTerm Memory,LSTM)解決序列之間的長(zhǎng)距離依賴性差和區(qū)分度差問(wèn)題。利用記憶網(wǎng)絡(luò)獲取用戶的動(dòng)態(tài)鄰居，加強(qiáng)用戶的動(dòng)態(tài)表示，實(shí)現(xiàn)更準(zhǔn)確的推薦。通過(guò)在MovieLens數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，所提出的算法相比其他算法推薦效果顯著提高。

發(fā)表于：12/15/2020

人民日?qǐng)?bào)：“雙12”網(wǎng)聯(lián)處理網(wǎng)絡(luò)支付56.33億筆

本報(bào)北京12月14日電（記者葛孟超）記者14日從網(wǎng)聯(lián)清算有限公司獲悉：“雙12”大促期間，網(wǎng)聯(lián)平臺(tái)組織支付行業(yè)各方順利完成網(wǎng)絡(luò)支付交易峰值保障，支付清算系統(tǒng)平穩(wěn)運(yùn)行。

發(fā)表于：12/15/2020

電力物聯(lián)網(wǎng)信息安全防護(hù)技術(shù)研究

介紹了電力物聯(lián)網(wǎng)在配電網(wǎng)的應(yīng)用場(chǎng)景，總結(jié)了我國(guó)電力物聯(lián)網(wǎng)信息安全防護(hù)的發(fā)展歷程，分析了當(dāng)前電力物聯(lián)網(wǎng)信息安全應(yīng)用中存在的主要問(wèn)題和解決電力物聯(lián)網(wǎng)信息安全的關(guān)鍵技術(shù)，最后提出了電力物聯(lián)網(wǎng)終端本體的信息安全防護(hù)的四道防線模型和實(shí)踐。

發(fā)表于：12/14/2020

一種支持工業(yè)物聯(lián)網(wǎng)故障檢測(cè)的混合互認(rèn)證方案

在工業(yè)物聯(lián)網(wǎng)（IIoT）中，工業(yè)機(jī)器人和員工在制造過(guò)程中扮演著非常重要的角色。一個(gè)安全、高效的工業(yè)機(jī)器人和員工認(rèn)證方案一直是研究熱點(diǎn)，并面臨諸多挑戰(zhàn)。例如，工業(yè)機(jī)器人和員工在身份驗(yàn)證階段容易受到模擬和去同步攻擊。同時(shí)，控制中心很難找到不受控制的工業(yè)機(jī)器人。針對(duì)上述情況，提出了一種支持工業(yè)物聯(lián)網(wǎng)故障檢測(cè)的混合互認(rèn)證方案。分別為員工和工業(yè)機(jī)器人（IR）設(shè)計(jì)了基于橢圓曲線加密（ECC）的認(rèn)證和基于物理不可克隆函數(shù)（PUF）的認(rèn)證。使用了基于閾值的故障檢測(cè)，添加了禁用表以防止無(wú)授權(quán)員工訪問(wèn)監(jiān)控和數(shù)據(jù)采集中心（SCDAC）。最后，分析論證了該方案的可行性和高效性。

發(fā)表于：12/14/2020

基于改進(jìn)VGG16的猴子圖像分類方法

為提高對(duì)細(xì)粒度圖像分類的準(zhǔn)確性和分類速度，提出基于改進(jìn)VGG16和遷移學(xué)習(xí)的圖像分類方法。首先從kaggle平臺(tái)中獲取十種不同猴子數(shù)據(jù)集，并對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，包含圖片去椒鹽噪聲、將數(shù)據(jù)集轉(zhuǎn)換為TensorFlow中提供的統(tǒng)一TFRecord數(shù)據(jù)格式。然后遷移學(xué)習(xí)改進(jìn)的VGG16卷積神經(jīng)網(wǎng)絡(luò)，模型的優(yōu)化包括利用Swish作為激活函數(shù)、將softmax loss與center loss相結(jié)合作為損失函數(shù)以實(shí)現(xiàn)更好的聚類效果、采用性能完善的Adam優(yōu)化器。用訓(xùn)練集訓(xùn)練模型以確定微調(diào)參數(shù)信息，再用測(cè)試集檢驗(yàn)?zāi)Ｐ蜏?zhǔn)確性。結(jié)果表明，該方法對(duì)猴子圖像分類的準(zhǔn)確度可達(dá)到98.875%，分類速度也得到了顯著提升。與其他傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型相比，該方法具有更高的準(zhǔn)確性和適用性。

發(fā)表于：12/14/2020

一種基于卷積神經(jīng)網(wǎng)絡(luò)的立體匹配算法設(shè)計(jì)

為了解決傳統(tǒng)立體匹配算法對(duì)立體圖像在低紋理以及遮擋區(qū)域匹配效果較差的問(wèn)題，設(shè)計(jì)了一種端到端的基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的立體匹配算法。該算法采取了殘差卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像特征進(jìn)行提取，之后利用空洞空間金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模塊來(lái)獲取圖像的上下文信息，并結(jié)合多尺度的三維卷積神經(jīng)網(wǎng)絡(luò)對(duì)代價(jià)空間進(jìn)行規(guī)整，最終實(shí)現(xiàn)了高精度的立體匹配算法。所獲取的視差圖在KITTI2015測(cè)試平臺(tái)上的誤匹配率為2.42%，與幾何上下文(Geometry and Context,GC)網(wǎng)絡(luò)相比較，視差圖的精度提高了0.45%，且運(yùn)行時(shí)間縮短了一半。

發(fā)表于：12/14/2020