XiaoMi-AI文件搜索系统
World File Search Systemvideos
视频监控信息
根据 2016/679 号条例 (EU) 第 13 和 14 条规定的视频监控信息，Sicilbanca Credito Cooperativo Italiano - Società Cooperativa（注册办事处位于卡尔塔尼塞塔 Via Francesco Crispi 25，CF 01438930859 PI 02529020220，卡尔塔尼塞塔公司注册号为 70559）（以下简称“公司”或“所有者”）希望通过本文件（“信息”）向您告知处理您的个人数据的目的和方法，以及 2016/679 号条例 (EU) 关于保护自然人、处理个人数据及其自由流通（“GDPR”）赋予您的权利。 1 与视频监控相关的处理目的 数据控制者可能会处理与场所内进行的视频录制相关的您的个人数据。通过视频监控手段获取的个人数据的处理旨在保护客户、公司人员和访问这些数据的个人的安全，以及保护公司资产免遭可能的侵犯、盗窃、抢劫或破坏行为。使用摄像机的法律基础是合法利益。摄像机的放置位置将拍摄范围限制在可能受到公司组织外部个人的非法或其他有害行为风险的区域。在某些情况下，所检测到的图像会被记录并存储一段时间，以达到上述目的，并且在任何情况下，存储时间不超过一周，除非担保人关于保护个人数据的适用规定允许更长的期限，或者可能需要满足司法机关或司法警察对正在进行的调查活动的具体要求。在预期的保留期结束时，记录的图像将从相关的电子、计算机或磁性媒体中删除。检测和记录是在不拦截通信或对话的情况下进行的，并且不会将图像与可以识别相关方的其他元素交织在一起。进入数据控制者的场所需要强制对相关方进行视频记录。反对执行拍摄将导致公司无法跟进您的合同前/合同中的要求。 2 视频录像传输的对象（接收者） 录制的图像存储在电子或磁性媒体上，只能由公司专门指定的人员和外部公司进行处理，作为数据控制者，他们合作维护系统并开展私人监视活动： - Zabut investigazioni di Gulotta Matteo，总部位于 Sambuca di Sicilia via Mulè c.le Salvato n.6。 - 2858 Security srl，注册办事处位于 Misterbianco (ct) via Carlo Marx 57。 - Secur Point srl，注册办事处位于 S. Cataldo (cl), via E. Tricomi 11。 - OSTI di Vincenzo Uricolo，注册办事处位于 S. Margherita di Belice (ag),partment 156 lot 8。根据司法机关或司法警察的命令，图像还会在数据控制者结构之外进行传达和传播。 3 利益相关方的权利 关于本通知中描述的处理，作为利益相关方，您可以
手术视频中的精细粒度多级多级跟踪
准确的工具跟踪对于计算机辅助干预的成功至关重要。以前的努力通常会严格地对工具轨迹进行建模，从而俯瞰外科手术程序的动态性质，尤其是跟踪诸如身体外和相机外视图之类的场景。在解决此限制时，新的CholectRack20数据集提供了详细的标签，以三个角度说明多个工具轨迹：（1）术中，（2）体内和（3）可见性，代表不同类型的工具轨迹时间。这些细粒标签可增强跟踪灵活性，但也提高了任务复杂性。由于高视觉相似性，尤其是在同一类别的工具中，遮挡或重新插入身体后的工具仍然具有挑战性。这项工作认识到工具操作员在区分工具轨道实例中的关键作用，尤其是属于同一工具类别的工具轨道实例。但是，在手术视频中未明确捕获操作员的信息。因此，我们提出了Surgitrack，这是一种利用Yolov7进行精确工具检测的新型深度学习方法，并采用了注意机制来对工具的起源方向进行建模，作为其操作员的代理，以重新识别工具。为了处理各种工具轨迹的观点，Surgitrack采用了协调的两分匹配图，最大程度地减少冲突并确保准确的工具身份关联。cholectrack20的实验结果证明了外科手术的有效性，优于实时推理能力的最先进方法和最先进的方法。这项工作为手术工具跟踪设定了新的标准，为在微创手术中提供了更适合适应性和精确的帮助。
对以各种自动化级别制作的新闻视频的受众评估：基于人群的调查实验
摘要在新闻内容创建中使用自动化正在从书面介绍到视听媒体，包括路透社（Reuters）转向Wibbitz等公司提供的视频自动服务服务。尽管研究人员已经探讨了受众对基于文本的新闻自动化的看法，但迄今为止，尚无公开的研究研究新闻消费者如何看待自动化新闻视频。我们进行了一个受试者间的在线调查实验，以比较英国在英国在线新闻消费者的社会人口代表性样本（n = 4200）如何感知的人类制造，部分自动化和高度自动化的短效率在线新闻视频，涉及14个不同的故事主题。我们的发现表明，尽管差异并不大，但在某些评估变量上，人制造的视频平均收到了更有利的响应。我们还发现在不同单独故事的自动化和人为新闻视频的相对评估中发现了一些显着差异。对于从业者来说，我们的结果表明，可以很好地接收到自动化的新闻视频，以人为编辑后的自动化新闻视频。对于研究人员，我们的结果表明需要使用
TikTok 上妊娠期糖尿病视频信息质量：横断面研究
最终分析共纳入216个视频，其中健康专业人士上传162个，普通用户上传40个，其余视频由个人科普工作者、盈利组织和新闻机构上传。所有视频的平均DISCERN、JAMA和GQS得分分别为48.87、1.86和2.06。健康专业人士上传的视频在DISCERN得分最高，而个人科普工作者上传的视频在JAMA和GQS得分明显高于其他来源。视频质量与视频特征的相关性分析显示，DISCERN得分、JAMA得分和GQS得分与视频时长呈正相关（P < 0.001），内容得分与评论数（P < 0.05）、分享数（P < 0.001）和视频时长（P < 0.001）呈正相关。
一种基于计算机视觉的航空视频中准确提取车辆轨迹的方法
车辆轨迹数据拥有有价值的信息，用于高级驾驶开发和交通分析。虽然无人机（UAV）提供了更广泛的视角，但视频框架中小规模车辆的检测仍然遭受低精度的折磨，甚至错过了。本研究提出了一个全面的技术框架，以进行准确的车辆轨迹提取，包括六个主要组成部分：视频稳定，车辆检测，车辆跟踪，车道标记检测，坐标转换和数据denosing。为了减轻视频抖动，使用了冲浪和绒布稳定算法。仅一旦使用X（Yolox）进行多目标车辆检测，就只能看一下一个增强的检测器，并在检测头中包含一个浅特征提取模块，以提高低级和小规模特征的性能。有效的通道注意力（ECA）模块在颈部之前集成，以进一步提高表现力。此外，在输入阶段还应用了滑动窗口推理方法，以防止压缩高分辨率的视频帧。Savitzky-Golay过滤器用于轨迹降低。验证结果表明，改进的Yolox的平均平均精度（地图）为88.7％，比原模型的增强5.6％。与Advanced Yolov7和Yolov8模型相比，所提出的方法分别将MAP@50增加到7.63％和1.07％。此外，已经开发了车辆轨迹数据集，并且可以在www.cqskyeyex.com上公开访问。大多数跟踪（MT）轨迹度量达到98.9％，单侧定位的根平方误差约为0.05 m。这些结果证实，所提出的框架是交通研究中高准确性车辆轨迹数据收集的有效工具。
研究深击视频中检测行为特征的研究
人们对出于各种目的的人们的综合视频图像产生了浓厚的兴趣，包括娱乐，交流，培训和广告。随着深层假期模型的开发，合成视频图像很快将在视觉上与自然捕获视频的肉眼无法区分。此外，许多方法正在继续改进，以避免更仔细的法医视觉分析。通过使用面部木偶来制作一些深层的虚假视频，该视频通过演员的动作直接控制合成图像的头部和面部，使演员可以“木偶”的图像“木偶”。在本文中，我们解决了一个问题，即是否可以通过控制扬声器的视觉外观，但要从另一个来源传输行为信号来区分原始说话者的动作。我们通过比较合成图像来进行研究：1）源自另一个人讲不同话语的人，2）起源于同一人说的话不同，而3）源自另一个人说相同话语的人。我们的研究表明，在所有三种情况下，合成视频都比原始源视频不那么真实和吸引力。我们的结果表明，可以从一个人的动作中检测到与视觉外观分开的行为签名，并且可以使用这种行为签名来区分深处的伪造和正确捕获的视频。
在城市林地环境中增加生物多样性会促进人类积极的情感反应吗？使用城市林地的360度视频
绿色空间可以支持减轻人类压力并促进积极的情绪健康。先前的研究表明生物多样性（即在给定位置，各种动植物种类繁多）可以进一步增强压力的恢复。然而，实验证据测试了这一假设，迄今为止的结果已经混合在一起。这项研究旨在通过实验操纵物种的丰富性和压力来进一步了解生物多样性（实际或感知）对人类福祉的作用。参与者（总共372位）参加了一个在线实验，在观看360度视频以恢复之前，他们收到了轻度压力。视频显示了相同的位置，即一个城市林地，但在人工操纵的四个生物多样性中之一。参与者报告了压力诱导前后观看视频之前和之后的积极和负面影响，并在整个实验过程中提供了衡量压力和福祉的量度。参与者还报告了他们对生物多样性的看法（即他们认为位置是多么多样化），并以简短的评论详细阐述了他们的回答。重复的方差分析表明，暴露于所有水平的生物多样性会减少参与者的负面影响，但条件之间没有显着差异。然而，分析表明，在将环境视为更多生物多样性的那些参与者中的积极影响更高。参与者的评论表明，报告的人在环境中注意到鲜花和树木也显示出更高的积极影响。这表明，感知生物多样性会促进更多积极的情绪，但至关重要的是，人们需要真正注意到（与）生物多样性的组成部分，以引起这些额外的好处。
PADELVIC：在...
计算机视觉和深度学习技术的最新进展为自动标记运动视频开辟了新的可能性。但是，对监督技术的本质要求是准确标记的培训数据集。在本文中，我们介绍了Padelvic，这是一项Ama-Teur Padel匹配的注释数据集，该数据集由多视频视频流组成，估计了法院内所有四个玩家的位置数据（以及其中一位参与者，准确的运动捕获数据的数据捕获数据），以及专门用于训练网络的训练集量的培训量，从培训中估算了培训的培训，该培训量估算了vides的估计。对于记录的数据，通过将最先进的姿势估计技术应用于其中一个视频来估算玩家位置，该视频会产生相对较小的位置误差（M = 16 cm，SD = 13 cm）。对于其中一位玩家，我们使用了一个运动捕获系统，该系统提供了1.5ºRMS的身体部位方向。最高准确性来自我们的合成数据集，该数据集提供了通过运动捕获数据动画的虚拟播放器的基础和姿势数据。作为合成数据集的示例应用程序，我们提出了一个系统，以从比赛的单视频视频中更准确地预测投影到法院平面上的玩家的质量中心。我们还讨论了如何利用玩家的人均位置数据，例如协同分析，集体战术分析和玩家概况生成等任务。