XiaoMi-AI文件搜索系统
World File Search System移动设备
国际旅行指南草案——移动设备
图 1. 前往 OCONUS 旅行时的一般风险缓解措施 ................................................................................ iii 图 2. 可能发生攻击的迹象 ................................................................................................................ 7 图 3. 携带移动 GFE 设备进行国际旅行的最佳实践 ........................................................................ 8 图 4. 国际旅行者的安全预防措施 ................................................................................................ 12 图 5. 国际旅行的最佳实践 ...................................................................................................... 18
检测和定位与移动设备集成的无人机系统 (UAS) 上的物体
I. 引言 无人机系统 (UAS) 领域已扩展到包括民用和军用在内的所有领域，并出现了许多创新用例。这些 UAS 在军事领域的应用正在取得显著进步。执行情报、监视和侦察 (ISR) 任务以及守卫职责等军事任务需要直接且耗时的人力。士兵花费大量时间进行巡逻、驻守检查站和守卫塔以实现这些任务的目标。然而，随着自主技术的进步，UAS 现在在减少人类执行这些劳动密集型任务的需求以及降低直接暴露于危险情况的风险方面发挥着重要作用。四旋翼飞行器具有垂直起降能力以及相对较高的有效载荷，为此类任务提供了绝佳平台。现在有机会整合现有能力并进一步利用潜在的 UAS。四旋翼解决方案的应用还支持国防部 (DoD) 在《2011-2036 财年无人系统集成路线图》[1] 中概述的无人系统目标。要执行 ISR 任务，UAS 需要检测威胁。传感和感知算法的最新进展使得使用基于视觉的传感器适合这项任务。UAS 需要在共享参考框架中定位威胁，并将此信息提供给士兵，以便
从移动设备安排Mychart中的Covid-19疫苗预约
致电（617）381-7266致电健康信息管理（HIM），从8:00 AM-美国东部时间至4：30 PM星期一至星期五给我们发送电子邮件至mycharthelp@challiance.org，请使用我们的在线表格：https：//wwwwww.challiance.org/help-center.help-center/mychart-center/mychart-contact-form
对移动设备进行手工跟踪的深度学习实施的初步调查
摘要 - 手动跟踪是计算机图形和人机交互应用程序的重要组成部分。使用RGB摄像机没有特定的硬件和SENS（例如，深度摄像机）允许为大量设备和平台开发解决方案。尽管提出了各种方法，但由于阻塞，复杂的背景以及各种手势和手势，单个RGB摄像机的手跟踪仍然是一个具有挑战性的研究领域。我们提出了一个移动应用程序，用于从智能手机摄像机捕获的RGB图像中进行2D手跟踪。图像是由深层神经网络处理的，并经过修改，以解决此任务并在移动设备上运行，以寻找性能和计算时间之间的折衷方案。网络输出用于显示用户手上的2D骨架。我们在几种情况下测试了我们的系统，显示了交互式手动跟踪水平，并在变化的亮度和背景和小遮挡的情况下取得了令人鼓舞的结果。索引术语 - 深度学习，人类计算机互动，图像处理，手跟踪
研究文章神经模型在智能医疗平台上窃取对智能移动设备的攻击
迄今为止，由于其便利性和实用性，已经认可并广泛使用了物联网（MIOT）技术。MIOT使机器学习能够自动准确地预测各种疾病，从而有助于和促进有效和有效的医疗治疗。但是，MIOT容易受到一直在不断发展的网络攻击。在本文中，我们建立了一个Miot平台，并展示了一种场景，其中训练有素的卷积神经网络（CNN）模型可以攻击肺癌与肺栓塞复杂化的肺癌。首先，我们使用CNN构建模型来预测肺癌与肺栓塞复杂化并获得高检测精度。然后，我们仅使用目标网络标记的少量数据构建模型模型，旨在窃取已建立的预测模型。实验结果证明，被盗模型还可以实现相对较高的预测结果，表明模仿网络可以在很大程度上成功将预测性能从目标网络复制。这还表明，部署在MIOT设备上的这种预测模型可能会被攻击者偷走，而有效的预防策略是研究人员的开放问题。
低功耗手持移动设备的自由空间光学通信
本研究展示了一种使用移动设备进行基于阵列的自由空间光 (FSO) 通信的机器学习 (ML) 方法。现代作战人员需要非射频 (RF) 通信方法来消除与 RF 通信相关的风险，例如检测、窃听和干扰。FSO 通信有望实现巨大的吞吐量，并具有其他优势，例如低拦截/检测概率和抗干扰性。然而，大气条件会通过在信道上引入衰落和噪声，从而显著降低实现的性能。为了提高信道弹性和吞吐量，我们在发射器处使用激光阵列采用空间代码，并在信道字母表上训练多个 ML 模型以在接收器处提供高效解码。我们在训练过程中比较了单次检测 (SSD) MobileNet 模型与 You-Only-Look-Once 模型的性能，并使用训练后的 SSD MobileNet 模型演示了通过概念验证系统进行的数据传输。我们详细介绍了概念验证的硬件和软件实现，它使用手持移动设备和一系列低成本、低功耗激光器。未来的实验计划将结合前向误差校正和在现实条件下进行更远距离的测试。
在移动设备上为有运动障碍的人提供眼睑手势
针对运动障碍者的基于眼睛的互动经常使用笨拙或专业的设备（例如，具有非移动计算机的眼球射击器），主要专注于凝视和眨眼。然而，两个眼睑可以在不同的命令中打开并关闭不同的持续时间，以形成各种眼睑手势。我们迈出了第一步，以设计，检测和评估一组手势在移动设备上有运动障碍的人的眼睑手势。我们提出了一种算法，可以实时检测智能手机上的九种眼睑手势，并在两项研究中与十二个人和四名患有严重运动障碍的人进行评估。与运动障碍患者一起研究的结果表明，该算法可以检测以0.76和.69总体准确性和用户独立评估的总体准确性。此外，我们设计和评估了一种手势映射方案，允许仅使用眼睑手势导航移动应用程序。最后，我们提出了针对运动障碍者设计和使用眼睑手势的建议。
通过脑电图数据处理，根据与移动设备任务相关的认知负荷来表征移动设备任务
与移动设备的交互是与网络世界的纽带，使我们能够描述用户行为。根据人联网的原则，对与智能手机的交互进行深入分析，使我们能够区分正常使用和异常使用。这种分析的众多应用之一将有助于根据交互中的异常情况对轻度认知障碍进行早期诊断。这项工作旨在朝着这一雄心勃勃的目标迈出第一步：确定使用智能手机执行不同典型任务所需的认知负荷。通过正确识别哪些任务需要更高的认知负荷，我们将能够开始研究有助于早期诊断认知病理的指标和指标。认知负荷分析是在对 26 名用户进行实验后进行的，这些用户使用移动设备执行了 12 项典型任务，同时通过脑电图监测他们的大脑活动。结果表明，显然存在具有更高认知需求的任务，其中音频制作和消费最为显著，这已得到实验和统计验证。© 2020 Elsevier BV 保留所有权利。
移动设备上人工智能模型和框架的比较与基准测试
摘要：由于数据量和计算资源的不断增加，深度学习在各个领域取得了许多成功。深度学习在移动和嵌入式设备上的应用越来越受到重视，对移动和嵌入式设备的AI能力进行基准测试和排名成为亟待解决的问题。考虑到模型的多样性和框架的多样性，我们提出了一个基准测试套件AIoTBench，专注于评估移动和嵌入式设备的推理能力。AIoTBench涵盖三种典型的重量级网络：ResNet50，InceptionV3，DenseNet121，以及三种轻量级网络：SqueezeNet，MobileNetV2，MnasNet。每个网络由三个专为移动和嵌入式设备设计的框架实现：Tensorflow Lite，Caffe2，Pytorch Mobile。为了比较和排名设备的AI能力，我们提出了两个统一的指标作为AI分数：每秒有效图像（VIPS）和每秒有效FLOP（VOPS）。目前，我们已经使用基准测试对 5 款移动设备进行了比较和排名。此列表将很快扩展和更新。
