XiaoMi-AI文件搜索系统
World File Search System真伪
2024 年 11 月国际蜂蜜市场报告
2024 年 10 月在哥伦比亚举行的联合国生物多样性峰会认识到了全球传粉媒介所面临的压力的严重性。全球蜂蜜供应的充足性不能脱离蜂蜜的真实性。多维度的方法可以将关注生态和预防各种形式的食品欺诈的养蜂人和零售商聚集在一起。最近，各国政府、学术组织和日益壮大的真伪联盟之间进行了合作。反倾销案件的持续审查将改变受裁决影响国家的蜂蜜出口商的竞争环境。新的测试方法正在开发和实施。当潮流回归时，我们预计它将在蜂蜜真伪的探索中取得进展。
密苏里中部平原年表... - 分析集邮
摘要 Lera, Thomas, John H. Barwis 和 David L. Herendeen。第一届集邮分析方法国际研讨会论文集。《史密森尼历史与技术贡献》，第 57 期，x + 122 页，111 幅图，22 表，2013 年。— 本出版物包含在 2012 年 11 月由国家邮政博物馆主办的第一届集邮分析方法国际研讨会上发表的论文。读者将深入了解整个集邮领域使用的研究方法，从纸张的成分和物理特性，到印刷油墨的化学和矿物学，再到确定邮票的真伪、套印和封面上粘合剂的使用。其中一些项目由分析集邮研究所和国家邮政博物馆部分资助。
研究提案 DG-01-02
正如 Nguyen 等人 (2022) 在文章中所描述的那样，“Deepfakes” 一词是两个词的组合：“深度学习”和“假冒”，人们利用人工智能技术将名人或政客的脸换成非法图像和视频中的身体。Deepfake 技术将有助于生成一个人在未经本人同意的情况下说任何话的幽默或政治视频，其外表和声音都与此有关 (Westerlund, 2019)。例如，在特朗普总统的竞选活动中，他的竞争对手使用 Deepfake 制造了一些关于他的桃色新闻，这些新闻曾经抹黑了他，让人们不信任他。根据 Köbis 等人 (2021) 谈论人们对 Deepfakes 的看法，他们的研究结果表明，人们不再能够检测到 Deepfakes，因为他们中的许多人对自己的检测能力过于自信。最近与 Deepfake 相关的研究大多依赖于技术表面，专注于如何制作 Deepfake 视频，但忽略了人性部分。在这项研究中，我们的主要目标是分析影响人们感知 Deepfake 视频的根本原因。此外，我们将提供未来帮助人们验证 Deepfake 视频真伪的策略。
胎儿脑部 MRI 的回顾性运动估计
自 20 世纪 80 年代以来，磁共振成像 (MRI) 就已用于研究发育中的胎儿大脑。然而，运动 (母亲和胎儿的) 一直是一个真正的挑战，限制了所获取图像的探索能力。在产前成像中，大脑的完整图像实际上是一堆 2D 切片。这些采集通常沿空间的三个轴进行，以便为放射科医生提供大脑的 3D“视觉”。切片的采集时间通常足够短 (少于 1 秒) 以“冻结”运动。因此，受试者的运动主要会引起几何失真伪影，即 2D 切片的堆叠不能直接反映大脑的 3D 几何形状。因此，有必要回顾性地估计运动以重建胎儿大脑的 3D 图像 [1]。胎儿数据重建的主要方法称为“切片到体积配准”的 SVR，该方法基于两个步骤：估计相对运动，然后融合数据 [2–4]。在产前成像的情况下，配准问题属于 2D-3D 类型，即我们必须估计切片和参考体积之间的运动。此参考体积也是我们想要重建的图像，因此是未知的。从对参考体积的首次估计，通过最小化当前切片和参考体积之间的对齐标准来估计每个切片的对齐。然后根据为每个切片估计的变换集重新计算后者。重建体积的质量在很大程度上取决于切片配准的质量。该过程以迭代方式重复，直到算法收敛。为了使这些方法对受试者的运动更具鲁棒性，已经开发了深度学习方法 [5,6]。然而，基于迭代重建的方法对于分析临床常规获取的大型图像数据库仍然不够稳健。因此，有必要检测出未对准的切片，以便不将它们包括在重建步骤中[7,8]或减少它们对重建的影响[9]。为了解决这个问题，一种解决方案是通过使用正交切片的交点并将它们的对应关系强加到 3D 交点 [10]，将切片的运动校正与重建步骤完全分开。这种方法可以独立解决切片运动校正和 3D 体积重建的问题。在本文中，我们开发了一种使用机器学习方法来估计与未对准切片检测相关的切片运动的方法。所提出的方法称为 ROSI，即“基于正交切片交点的配准”。对合成和真实数据进行的评估表明，与 SVR 方法相比，所提出的方法更有吸引力。