XiaoMi-AI文件搜索系统
World File Search System深击
朝着检测扩散模型深击
摘要：在过去的几年中，扩散模型（DMS）达到了前所未有的视觉质量水平。然而，对DM生成图像的检测几乎没有关注，这对于防止对我们社会的不利影响至关重要。相比之下，从法医角度对生成对抗网络（GAN）进行了广泛的研究。在这项工作中，我们采取自然的下一步来评估是否可以使用以前的方法来检测DMS生成的图像。我们的实验产生了两个关键发现：（1）最新的GAN检测器无法可靠地区分真实图像，但是（2）在DM生成的图像上重新训练它们几乎可以完美地检测，甚至可以显着将其推广到GAN。与特征空间分析一起，我们的结果导致了以下假设：DMS产生的可检测到的伪影较少，因此与gan相比更难检测到。造成这种情况的一个可能原因是在DM生成的图像中没有网格样频率伪像，这是已知的gan弱点。但是，我们做出了有趣的观察结果，即扩散模型倾向于低估高频，这是我们归因于学习目标。
检测具有细粒度不一致的视听深击
现有的视听深击检测方法主要集中于高级效率，以建模音频和视觉数据之间的矛盾。因此，这些副本通常忽略了更精细的视听伪像，这些伪影是深击所固有的。在此，我们提出了引入细粒机制，以检测空间和时间域中的微妙人物。首先，我们引入了一个本地视听模型，该模型能够捕获容易与音频不一致的小空间区域。为此，采用了基于空间本地距离与注意模块的细粒机制。第二，我们引入了一个暂时的伪假增强，以包括在训练集中结合暂时性不一致的样品。在DFDC和FakeAvceleb数据集上进行的实验证明了所提出的方法在泛化方面与在数据库和交叉数据库设置下的最新技术相比，在概括方面具有优越性。
swin-fake：一致性学习变压器的深击视频检测器
摘要：DeepFake已成为一项新兴技术，近年来影响网络安全的非法应用。大多数DeepFake检测器都利用基于CNN的模型（例如Xception Network）来区分真实或假媒体；但是，它们在交叉数据集中的表现并不理想，因为它们在当前阶段遭受过度的苦难。因此，本文提出了一种空间一致性学习方法，以三个方面缓解此问题。首先，我们将数据增强方法的选择提高到5，这比我们以前的研究的数据增强方法还多。具体来说，我们捕获了一个视频的几个相等的视频帧，并随机选择了五个不同的数据增强，以获取不同的数据视图以丰富输入品种。其次，我们选择了Swin Transformer作为特征提取器，而不是基于CNN的主链，这意味着我们的方法并未将其用于下游任务，并且可以使用端到端的SWIN变压器对这些数据进行编码，旨在了解不同图像补丁之间的相关性。最后，这与我们的研究中的一致性学习结合在一起，一致性学习能够比监督分类确定更多的数据关系。我们通过计算其余弦距离并应用传统的跨膜损失来调节这种分类损失，从而探索了视频框架特征的一致性。广泛的数据库和跨数据库实验表明，弹药效果可能会在某些开源的深层数据集中产生相对良好的结果，包括FaceForensics ++，DFDC，Celeb-DF和FaceShifter。通过将我们的模型与多种基准模型进行比较，我们的方法在检测深冰媒体时表现出相对强大的鲁棒性。
深度学习与人工智能
不受位置变化的影响。生物控制论，36（4），193-202。 https://doi.org/10.1007/BF 00344251 Goodfellow, I.、Bengio, Y. 和 Courville, A. (2016)。深度学习。麻省理工学院出版社。 （Schmidt、I. Schiffman、Y. Schaefer、A. 化学工程师和仪器仪表（2018）Graves、A.、Wayne、G. 和 Danihelka、I.（2014）。神经图灵机。 arXiv。 Ha, D. 和 Schmidhuber, J. (2018)。世界模特。 arXiv。 https://arxiv.org/abs/1803.10122 Han, K., Wang, Y., Chen, H., Chen, X., Guo, J., Liu, Z., Tang, Y., Xiao, A., Xu, C., Xu, Y., Yang, Z., Zhang, Y., & Tao, D. (2020 年)。关于视觉变压器的调查。 arXiv。 https://arxiv.org/abs/2012.12556 Higgins, I., Amos, D., Pfau, D., Racaniere, S., Matthey, L., Rezende, D., 和 Lerchner, A. (2018)。迈向解开表征的定义。 arXiv。 https://archiv. org/abs/1812.02230 美国国立卫生研究院（AI）（2020 年）。 2020 年人工智能市场：5 年历史的人工智能创新和 5 年历史的临床试验 LeCun, Y., Bengio, Y., & Hinton, G. (2015 年)。深度学习。自然，521，436-444。 http://dx.doi.org/10.1038/nature 14539 Mansimov, E., Parisotto, E., Ba, JL 和 Salakhutdinov, R. (2015)。利用注意力机制根据标题生成图像。 arXiv。 https://archiv.org/abs/1511.02793 纽约（2015 年）。 我的一位朋友是角川家族的成员（2016年）（2016年）。 http://dx.doi.org/10.1037/0033-295X.101.1.13 McCulloch, WS 和 Pitts, W. (1943)。神经活动中蕴含的观念的逻辑演算。数学生物物理公报，5（4），115-133。 https://doi.org/10.1007/BF02478259 Nakkiran, P.、Kaplun, G.、Bansal, Y.、Yang, T.、Barak, B. 和 Sutskever, I. (2019)。深度双重下降：更大的模型和更多的数据会带来危害。 arXiv。 https://arxiv.org/abs/ 1912.02292 Perez, J.、Marinkovic, J. 和 Barcelo, P.（2019 年 5 月 6-9 日）。论现代神经网络架构的图灵完备性。 ICLR 2019：第七届学习表征国际会议。路易斯安那州新奥尔良。美国。 Radford , A.、Kim , JW、Hallacy , C.、Ramesh , A.、Goh , G.、Agarwal , S.、Sastry , G.、Askell , A.、Mishkin , P.、Clark , J.、Krueger , G. 和 Sutskever , I. (2021)。从自然语言监督中学习可转移的视觉模型。 arXiv。 https://arxiv.org/abs/2103.00020 Ramachandran, P., Zoph, B., 和 Le, QV (2017)。寻找激活函数。 arXiv。 https://arxiv.org/abs/ 1710.05941 Razavi, A., van the Word, A. 和 Vinyals, O. (2019)。使用 VQ-VAE-2 生成各种高保真图像arXiv。 https://arxiv.org/abs/1906.00446 Reed, S.、Akata, Z.、Yan, X.、Logeswaran, L.、Schiele, B. 和。
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。
击球后棕榈握把测量装置...
医疗界使用各种设备来衡量握力。但是，尚无定义明确的方法来量化后击患者应用的握力分布。通过定量评估，在整个康复过程中跟踪患者在神经反馈训练中的进展很重要。正在开发一种棕榈握把测量装置，配备了力传感电阻器（FSR）（RP-S40-ST型号）以捕获握力。该设备通过评估握力提供了有价值的康复进度的见解。使用MAP函数将FSR的模拟值从输入范围到输出范围线性插值； 'MAP（AVG_FORCE，0，1023，0，15）'从0到1023的输入范围扩展“ FSRReading”。输入范围转换为条形图0至15比例的得分，以指示测量的力量。Pearson R所显示的精度分别显示出与0.97651和0.98083的类似值和条形图之间的相关趋势。矩阵的矩阵，这表明调整后的R 2对于大对象的最高为0.955，而最低调整后的R 2为0.63672。
Voiceradar：使用Micro- ...
摘要 - 综合语音构成中的进步，包括文本到语音（TTS）和语音转换模型（VC）模型，允许产生令人信服的合成声音，通常称为音频深击。这些深击构成了日益增长的威胁，因为对手可以在社交媒体或绕过语音身份验证系统上使用它们来模仿个人，特别是突出的人物，从而产生广泛的社会影响。最先进的验证系统有效地检测语音深击的能力令人震惊。我们提出了一种新型的音频深击检测方法Voiceradar，它通过物理模型增强了机器学习，以近似音频样品中的频率动力学和振荡。这显着增强了检测能力。Voiceradar利用了两个主要的物理模型：（i）多普勒效应了解音频样品的频率变化和（ii）鼓头振动以将复杂的音频信号分解为组件频率。语音形式通过应用这些模型来识别音频信号中的微妙变化或微频。这些微观频率是聚合以计算观察到的频率的，从而捕获了音频的独特签名。该观察到的频率集成到机器学习算法的损耗函数中，从而使算法能够识别将人类生产的音频与AI生成的音频区分开的不同模式。我们构建了一个新的不同数据集，以全面评估Voiceradar，其中包含来自领先的TTS和VC模型的样本。我们的结果表明，语音的表现优于准确识别AI生成的音频样品的现有方法，展示了其作为音频深击检测的强大工具的潜力。
基因药物直击心脏
首批用于治疗心力衰竭的基因疗法正在临床上取得进展。Rocket Pharmaceuticals 计划很快启动一项关键的 II 期研究，研究一种针对 Danon 病患者的基因疗法。Danon 病是一种 X 连锁显性遗传疾病，会导致成年早期进行性心力衰竭和死亡。如果成功，该试验将鼓励大量基因药物开发者（表 1）相信，在不同的疾病环境下，抑制甚至逆转进行性心力衰竭是可行的。此外，德克萨斯大学西南医学中心 Eric Olson 实验室的三篇具有里程碑意义的论文和哈佛医学院 Christine Seidman 实验室的一项补充研究表明，CRISPR-Cas9 编辑、碱基编辑和主要编辑都可用于纠正小鼠心脏病的遗传模型。现在已经建立了技术概念验证，用于治疗由 MYH7 和 RBM20 基因突变引起的心肌病，以及破坏由钙/钙调蛋白依赖性蛋白激酶 IIδ 慢性过度激活引起的病理信号传导机制，这种机制存在于许多心力衰竭患者中。该领域的一个重要里程碑是 FDA 去年批准百时美施贵宝的口服心脏肌球蛋白抑制剂 Camzyos (mavacamten) 用于治疗阻塞性肥厚性心肌病 (HCM)。Camzyos 是首个针对最常见的遗传性心脏病的潜在病理的疗法。最初由 MyoKardia 公司开发，该公司由 Christine Seidman 和她的丈夫 Jonathan Seidman（也是哈佛医学院的学生）创立，后来被 Bristol Myers Squibb 收购，其工作原理是降低肌动蛋白和肌球蛋白之间过度形成横桥而引起的收缩力升高，肌动蛋白和肌球蛋白是负责产生力量的蛋白质，使肌肉