摘要 - 我们介绍了DeepDecs,这是一种用于合成校准系统正确构造软件控制器的新方法,这些系统使用深神经网络(DNN)分类器,用于他们决策过程的感知步骤。尽管近年来在深度学习方面取得了重大进展,但为这些系统提供安全保证仍然非常具有挑战性。我们的控制者合成方法通过将DNN验证与验证的Markov模型的合成来解决这一挑战。综合模型对应于确保满足自主系统的安全性,可靠性和性能要求的离散事件软件控制器,并且相对于一系列优化目标,帕累托是最佳的。我们通过使用该方法来评估模拟方法的方法来合成移动机器人碰撞限制的控制器,并在共享控制自动驾驶中保持驾驶员的专注。
印度教科技研究所,coimbatore 1 sentinfo@gmail.com,2 venkat.it@gmail.com,4 ramasamy.s@hit.s@hit.edu.in,4 md.devendran@gmail.com摘要:该项目旨在为食品和beverage提供精确估算的自动化系统,以估算食物和beverage的自动化系统,并深入研究。随着对健康意识的人的需求不断增长,需要使用可靠,高效且易于使用的工具,可以帮助用户做出明智的饮食选择。该项目利用图像处理技术和深度学习模型(例如卷积神经网络(CNN))来分析食物图像并预测相应的卡路里含量。该系统首先捕获食品或饮料的图像,然后将其处理并通过预先训练的深度学习模型。该模型在包含各种食品的图像及其营养信息的大型数据集上进行培训。预处理输入图像后,该模型通过利用其学习的特征来对食物进行分类并估算卡路里计数。然后将估计的卡路里值实时显示给用户。该项目利用关键技术,包括图像识别,深度学习和营养分析。它旨在将其集成到移动应用程序或Web平台中,从而使用户可以有效地跟踪其每日热量摄入量。通过在不同的数据集上进行培训,可以不断提高系统的准确性,从而确保对不同食品的可靠卡路里估算。该工具有可能通过促进更健康的饮食习惯来彻底改变个人健康管理。关键词:卡路里估计,深度学习,图像识别,食物分类,卷积神经网络,健康管理,营养分析,实时预测。
这项研究的重点是在视频中移动对象检测的关键任务,以提高识别场景中动态特征的准确性和效率。所提出的方法专门结合了光流估计的准确性;带有Yolo(您只看一次)模型强的对象检测功能的Farneback方法。Yolo用于识别视频帧中的对象,并并发光流分析用于识别运动模式。这里提出了一种创新方法,该方法评估了检测到的对象内每个像素的运动角度和大小,以获得精确的移动对象识别。系统根据显示明显运动的像素的百分比来确定对象是否通过设置阈值来移动。,由于这种自适应技术,可以识别出较少的假阳性和更高的精度,因此可以识别移动对象。在各种数据集上的实验发现证明了建议的方法在精确识别移动对象方面的有效性。通过用于运动分析的光流和用于对象检测的YOLO的组合提供了一个完整的有效解决方案,可在视频流中移动对象检测。此处提出的方法在视频分析,自主系统和监视中具有潜在的应用,在该视频分析,自主系统和监视中,精确检测动态特征至关重要。索引项 - 移动对象检测,光流估计,运动角度和幅度。
摘要:DeepFake技术的扩散引起了人们对社交媒体平台上错误信息传播的关注。在本文中,我们提出了一种基于深度学习的方法,用于检测DeepFake推文,特别是由机器生成的推文,以帮助减轻在线错误信息的影响。我们的方法利用FastText嵌入来表示推文文本,并将其与深度学习模型相结合。我们首先预处理文本,然后使用FastText嵌入将它们转换为密集的向量表示。这些嵌入式捕获有关推文内容的语义信息,这对于区分真实和机器生成的推文至关重要。然后,我们将这些嵌入将这些嵌入给深度学习模型,例如卷积神经网络(CNN)或长期短期内存(LSTM)网络,以将推文归类为真实或机器生成的推文。该模型是在标有标记的Tweet数据集上训练的,在该数据集中,使用最先进的文本生成模型合成机器生成的推文。对推文的现实世界数据集的实验结果证明了我们方法在检测机器生成的推文中的有效性。我们的方法实现了很高的准确性,并且优于在社交媒体上进行深层检测的现有方法。总的来说,我们提出的方法为检测机器生成的推文并遏制整个社交媒体平台上的错误信息的扩散提供了强大而有效的解决方案。
腔量子电动力学通过将谐振器与非线性发射器 1 耦合来探索光的粒度,在现代量子信息科学和技术的发展中发挥了基础性作用。与此同时,凝聚态物理学领域因发现底层拓扑 2 – 4 而发生了革命性的变化,这种拓扑变化通常源于时间反演对称性的破缺,例如量子霍尔效应。在这项工作中,我们探索了拓扑非平凡的 Harper-Hofstadter 晶格 5 中 transmon 量子比特的腔量子电动力学。我们组装了铌超导谐振器 6 的晶格,并通过引入亚铁磁体 7 来破缺时间反演对称性,然后再将系统耦合到 transmon 量子比特。我们用光谱方法分辨晶格的各个体模式和边缘模式,检测激发的 transmon 和每个模式之间的 Rabi 振荡,并测量 transmon 的合成真空诱导兰姆位移。最后,我们展示了利用 transmon 计数拓扑能带结构每个模式内单个光子 8 的能力。这项工作开辟了实验手性量子光学 9 领域,使微波光子的拓扑多体物理成为可能 10,11,并为背向散射弹性量子通信提供了途径。由光构成的材料是量子多体物理学的一个前沿 12 。依靠非线性发射器来产生强光子 - 光子相互作用和超低损耗超材料来操纵单个光子的属性,这个领域探索了凝聚态物理和量子光学的接口,同时生产用于操纵光的设备 13,14。最新研究成果表明,光子在具有拓扑特性15的光子中会经历圆形时间反转破缺轨道,这为探索诸如(分数)量子霍尔效应2、3、Abrikosov晶格16和拓扑绝缘体4等固态现象的光子类似物提供了机会。在电子材料中,圆形电子轨道是由磁或自旋轨道耦合4产生的。与电子不同,光子是电中性物体,因此不会直接与磁场耦合。因此,人们正在努力为光子生成合成磁场,并更广泛地探索在合成光子平台中拓扑量子物质的概念。光学和微波拓扑光子学都在这一领域取得了重大进展。在硅光子学 17、18 和光学 19、20 中,通过在偏振或空间模式中编码伪自旋,已经实现了合成规范场,同时保持了时间反转对称性。在射频和微波超材料中,已经探索了具有时间反转对称性 21、22 和破缺时间反转对称性的模型,其中时间反转对称性破缺由以下因素引起: