XiaoMi-AI文件搜索系统
World File Search System反监视
将简历发送至 Daniel.wieczorek@caci.com 超过 185K ...
• 协调和同步广泛的 CI 行动活动，包括对这些行动的分析。审查、评估并提供对 CI 行动计划和活动的深刻分析，以支持服务、作战司令部、机构和其他特殊客户。 • 为制定、执行和评估综合作战计划做出贡献。 • 使用专门的设备和技术开展特殊收集活动。 • 执行有效的 CI 收集和现场行动，以应对对美国敏感技术、计划、活动和设施的威胁。 • 计划和执行离散物理观察；进行反监视和检测操作；提供独特、尖端的生物特征收集能力。 • 可以独立制定计划，以增强对 CI 作战能力的分析和分析支持。 • 可以准备并向高层领导提供有关 CI 作战计划和活动的简报。 • 可以为客户提供对 CI 行动政策和方法的更深入了解。 您将具备以下资格：
艺术的关爱作用
数字技术会产生有害的社会技术条件，导致我们将自主、个体和负责任的思想和行动委托给外部技术系统，从而引发有组织的不成熟。为了超越对数字化毒性的诊断性批判性解读，我们将伯纳德·斯蒂格勒对技术的药理学分析与关怀伦理进行对话，推测性地探索社会参与艺术（一种强调观众共同创作和对社会挑战的过程性集体反应的艺术实践）如何发挥关怀作用，帮助对抗技术引起的有组织的不成熟。我们概述并说明了社会参与艺术发挥这一作用的两种模式：1）通过艺术行动主义（最显著的是反监视艺术）来瓦解不成熟，它传授生活智慧，即共享知识和意义，以对抗技术的有害一面，同时使人们能够想象人类与数字技术和谐共存的替代世界；2）通过基于艺术的黑客行为来组织成熟，传授生活智慧，即用于实验创造和实际制定更好的技术世界的实践知识。
研讨会及博览会
更容易/更快地更换刹车和更长的更换周期 任务操作虚拟助手 (VAMO) • 战术语音和文本丰富 AI 服务，用于处理音频和非结构化文本，以减少 CPCE 中战士的认知负荷 虚拟多域指挥和控制 (VMDC2) 工具 • 虚拟现实/桌面实时协作多域 COP Stratolite 多功能 RF 的创新日合同 • 支持持续 ISR 屋顶护罩的多用途 SDR/RF 系统的创新日合同 • 陆军地面部队低 SWaPC 战术反监视的创新日合同 边缘处理器辅助目标识别 (ATR) • 陆军战略快速采购 (AStRA)/创新日合同，用于在 SWaP 受限设备上制作战术边缘 ATR 的原型 边缘处理器利用和传播 (EdgePED) • AStRA/创新日合同用于制作人工智能/机器学习可定制 ATR 功能的原型 多功能射频光子天线 (MFA) • AStRA/创新日合同为宽带多功能射频光子相控阵天线小尺寸跨域解决方案（小型 CDS）制作原型 • AStRA/创新日合同为超小型士兵可穿戴 CDS 设备制作原型
先进科学 - 2024 年
基于MXene的热隐身材料由于其较低的发射率而受到越来越多的关注，然而较差的抗氧化性能限制了其在复杂环境下的潜在应用。为了克服这一问题，人们开发了各种改性方法和策略，例如添加抗氧化分子和填料，但利用综合性能优异的MXene网络（涂层）实现长期、可靠的热隐身仍然是一个巨大的挑战。在这里，设计并制备了一种基于MXene的混合网络，其与透明质酸（HA）和超支化聚硅氧烷（HSi）分子混合。值得注意的是，HA分子的存在限制了MXene片材的氧化而不改变红外隐身性能，优于其他水溶性聚合物；而HSi分子可以作为有效的交联剂，在MXene片材和HA分子之间产生强相互作用。优化后的 MXene/HA/HSi 复合材料具有优异的机械柔韧性（可折叠成起重机结构）、良好的耐水性/耐溶剂性以及长期稳定的热伪装能力（红外发射率低至 ≈ 0.29）。在各种户外天气条件下的长期热伪装可靠性（≈ 8 个月）以及 MXene 涂层纺织品的可扩展涂层能力使其能够在复杂环境中伪装各种目标的红外信号，表明所实现的材料在热伪装、红外隐身和反监视方面具有巨大的前景。
Mindid：通过基于注意力的复发神经网络从脑波中识别的人识别
人识别技术通过利用其独特的，可测量的生理和行为特征来认可个人。然而，最先进的人识别系统已被证明是脆弱的，例如，反监视的假体口罩可以阻止脸部识别，隐形眼镜可以欺骗虹膜识别，Vocoder可以损害语音识别，而指纹膜可以欺骗指纹传感器。EEG（脑电图）基于识别，它利用用户的脑电波信号进行识别并提供了更具弹性的解决方案，最近引起了很多关注。但是，准确性仍然需要提高，很少的工作集中在识别系统的鲁棒性和适应性上。我们提出了一种基于脑电图的生物特征识别方法Mindid，可实现更高的准确性和更好的特征。首先，分析了脑电图数据模式，结果表明，增量模式包含用于用户识别的最独特信息。然后，分解的三角形模式被送入基于注意力的编码器decoder rnns（反复的神经网络）结构，该结构根据通道的重要性将注意力重量不同于不同的EEG通道。从基于注意的RNN中学到的判别表示形式用于通过增强分类器来识别用户的标识。在3个数据集（两个本地和一个公众）上评估了建议的方法。另一个本地数据集（EID-S）和公共数据集（EEG-S）分别用于演示鲁棒性和适应性。一个本地数据集（EID-M）用于性能评估，结果表明，我们的模型达到了0.982的准确性，该准确性优于基准和最先进的方法。结果表明，所提出的方法有可能在实践环境中大部分部署。