XiaoMi-AI文件搜索系统
World File Search System人脸识别
人脸识别
目前，深度学习模型在现实世界的面部识别任务中达到了人类水平。我们回顾了使用基于深度学习的计算方法理解人脸处理的科学进展。这篇综述围绕三个基本进展展开。首先，经过面部识别训练的深度网络会生成一个表示，该表示保留了有关面部（例如身份、人口统计、外观、社交特征、表情）和输入图像（例如视点、照明）的结构化信息。这迫使我们重新思考视觉逆光学问题的可能解决方案。其次，深度学习模型表明，面部的高级视觉表示无法从可解释的特征方面来理解。这对理解高级视觉皮层中的神经调节和群体编码具有重要意义。第三，深度网络中的学习是一个多步骤的过程，迫使人们从理论上考虑各种可以重叠、随时间积累和相互作用的学习类别。需要多种学习类型来模拟人类面部处理技能的发展、跨种族效应以及对个人面孔的熟悉程度。
FortiRecorder 人脸识别 AI 指南
更新日志 4 简介 5 AI 摄像头配置 6 将摄像头连接到 FortiRecorder 6 启用人脸识别 AI 功能 6 人脸群集 8 将新人脸群集链接到用户 8 编辑已知人脸群集 9 人脸时间线 10 用户数据库 11 查看用户记录 11 编辑用户人脸群集 12 创建部门和角色 12 策略 14 创建策略 14 查看事件 15 高级配置选项 16 创建平面图 16 将 AI 摄像头分配到某个位置 17 设置 AI 摄像头的时间表 18
短尾噬菌体识别宿主机制的研究进展
therapy as strategy to face post-antibiotic era: a guide to beginners and experts.Archives of Microbiology , 2021, 203(4): 1271‒1279.[5] Zrelovs N, Dislers A, Kazaks A. Motley crew: overview of the currently available phage diversity.Frontiers in Microbiology , 2020, 11: 579452.[6] 张永雨 , 黄春晓 , 杨军 , 焦念志 .海洋微生物与噬菌 体间的相互关系 .科学通报 , 2011, 56(14): 1071‒1079.Zhang YU, Huang CX, Yang J, Jiao NZ.Interactions between marine microorganisms and their phages.Chinese Science Bulletin , 2011, 56(14): 1071‒1079.(in Chinese) [7] Olszak T, Latka A, Roszniowski B, Valvano MA, Drulis-Kawa Z. Phage life cycles behind bacterial biodiversity.Current Medicinal Chemistry , 2017, 24(36): 3987‒4001.[8] Nobrega FL, Vlot M, De Jonge PA, Dreesens LL, Beaumont HJE, Lavigne R, Dutilh BE, Brouns SJJ.Targeting mechanisms of tailed bacteriophages.Nature Reviews Microbiology , 2018, 16(12): 760‒773.[9] King AM, Lefkowitz E, Adams MJ, Carstens EB.Virus Taxonomy: Ninth Report of the International Committee on Taxonomy of Viruses.St Louis: Elsevier , 2011.[10] Hrebík D, Štveráková D, Škubník K, Füzik T, Pantůček R, Plevka P. Structure and genome ejection mechanism of Staphylococcus aureus phage P68.Science Advances , 2019, 5(10): eaaw7414.[11] Letarov AV, Kulikov EE.Adsorption of bacteriophages on bacterial cells.Biochemistry Biokhimiia , 2017, 82(13): 1632‒1658.[12] Knirel YA, Valvano MA.Vienna: Springer-Verlag , 2011.[13] Casjens SR, Molineux IJ.细菌脂多糖：结构，化学合成，生物发生和与宿主细胞的相互作用。短的非收集尾巴机：podoviruses的吸附和DNA递送。病毒分子机器，2012：143-179。[14] Latka A，Leiman PG，Drulis-Kawa Z，BriersY。在克雷伯氏菌噬菌体中建模含有解聚酶的受体结合蛋白的结构。微生物学的前沿，2019，10：2649。[15] Brown L，Wolf JM，Prados-Rosales R，Casadevall A.通过墙壁：革兰氏阳性细菌，分枝杆菌和真菌中的细胞外囊泡。自然评论微生物学，2015，13（10）：620-630。
可见光和红外图像在人脸识别中的应用
本文介绍了一项研究的初步结果，该研究比较了可见光和红外 (IR) 图像在人员识别至关重要的区域（例如机场和安全建筑）中检测和识别人脸的有效性。我们通过在本研究收集的图像数据库上运行三种人脸识别算法来比较可见光和红外图像的有效性。使用相同场景收集的数据库中的每个人都有红外和可见图像。我们在研究中使用了三种非常不同的特征提取和决策算法，以确保比较不会依赖于特定的处理技术。我们还展示了可见光和红外决策指标融合时的识别结果。识别结果表明，可见光和红外图像在算法中的表现相似，并且红外和可见光图像的融合是一种可行的增强性能的方法，而不仅仅是单独使用其中一种。我们研究了面部不同区域对识别的相对重要性。我们还讨论了实施的实际问题，以及研究下一阶段的计划，即在不受控制的环境中进行人脸检测。给出了初步的人脸检测结果。
人脸识别示范法报告.pdf
为什么需要改革？FRT 和其他远程生物识别技术的开发和部署正在以几乎指数级的速度快速增长。这些技术可以识别和提取个人的大量敏感个人信息，通常无需个人知情，更不用说同意了。与世界上大多数司法管辖区的法律一样，澳大利亚法律的制定并未考虑到 FRT 的广泛使用前景。特别是，我们的法律并非为应对 FRT 对隐私权、集会和结社自由、言论和行动自由等人权提出的挑战而制定的。
NISTIR 8381 人脸识别供应商测试 (FRVT)
表 1：无错误完成的模拟次数（共 567 次）。第二行 N 值给出每个图库中登记的人数。420 人的图库代表登机；42000 人的案例代表机场安检线，预计会有更多人。第三行 k 值给出每个图库中每个登记者的图像数量。第二列和第三列标识算法及其提交给 NIST 的日期。其余列给出 567 次模拟中的次数，其中所有 420 名旅客都登机（列第 4、5 列）或通过检查点（列 6），没有遇到假阴性。值越高越好，表格按第一个结果列排序。阈值设置为只有一小部分（0.0003）的非匹配搜索会返回任何匹配。阴影单元格表示该试验最准确的三种算法。
人脸识别供应商测试 (FRVT) 第 2 部分... - NIST 页面
1 例如，NEC-0 准备模板的速度比 NEC-2 快得多，但错误率也高出二十倍。Dermalog-5 执行模板搜索的速度比 Dermalog-6 快得多，但准确率也低得多。2 在正面识别应用（如已注册旅行者系统）中，用户隐含地声称已在系统中注册 - 大多数用户都会注册。在负面应用中（如被驱逐者），隐含的声明是该对象未注册 - 大多数不会注册。3 此处的图库大小为 1200 万人，每人一张图片。给定 331 201 个非匹配搜索，一对多搜索的详尽实施将执行近 4 万亿次比较。当误报率为 0.0025 时，误报数量首先为 828，这相当于单次比较错误匹配率为 828 / 4 万亿 = 2.1 10 − 10，即约 50 亿分之一。严格来说，此 FMR 计算仅对使用 N 1:1 比较实现 1:N 搜索的算法有意义，但情况并非总是如此。
人脸识别供应商测试 (FRVT) 第 2 部分... - NIST 页面
1 例如，NEC-0 准备模板的速度比 NEC-2 快得多，但错误率也高出二十倍。Dermalog-5 执行模板搜索的速度比 Dermalog-6 快得多，但准确率也低得多。2 在正面识别应用（如已注册旅行者系统）中，用户隐含地声称已在系统中注册 - 大多数用户都会注册。在负面应用中（如被驱逐者），隐含的声明是该对象未注册 - 大多数不会注册。3 此处的图库大小为 1200 万人，每人一张图片。给定 331 201 个非匹配搜索，一对多搜索的详尽实施将执行近 4 万亿次比较。当误报率为 0.0025 时，误报数量首先为 828，这相当于单次比较错误匹配率为 828 / 4 万亿 = 2.1 10 − 10，即约 50 亿分之一。严格来说，此 FMR 计算仅对使用 N 1:1 比较实现 1:N 搜索的算法有意义，但情况并非总是如此。