由于Covid-19已经不断变异，并且在三到四个月内，一个新的变体引入了我们，它具有更致命的问题。阻止我们获得Covid的事情正在接种疫苗并戴上面膜。在本文中，我们已经实现了一种新的面部掩模检测和人识别模型，名为Indight Face，基于SoftMax丢失分类算法ARC面部损耗并将其命名为RFMPI-DNN（基于深神经网络的快速面部检测和PERON识别模型）与可用的其他模型相比，迅速检测面部掩模和人身份。要比较我们的新模型，我们使用的MobileNet_v2型号和面部识别模块是根据时间的有效比较。在每个方面，系统中实施的建议模型在本文中相比表现优于模型

This paper presents our solutions for the MediaEval 2022 task on DisasterMM. The task is composed of two subtasks, namely (i) Relevance Classification of Twitter Posts (RCTP), and (ii) Location Extraction from Twitter Texts (LETT). The RCTP subtask aims at differentiating flood-related and non-relevant social posts while LETT is a Named Entity Recognition (NER) task and aims at the extraction of location information from the text. For RCTP, we proposed four different solutions based on BERT, RoBERTa, Distil BERT, and ALBERT obtaining an F1-score of 0.7934, 0.7970, 0.7613, and 0.7924, respectively. For LETT, we used three models namely BERT, RoBERTa, and Distil BERTA obtaining an F1-score of 0.6256, 0.6744, and 0.6723, respectively.

Split Learning (SL) and Federated Learning (FL) are two prominent distributed collaborative learning techniques that maintain data privacy by allowing clients to never share their private data with other clients and servers, and fined extensive IoT applications in smart healthcare, smart cities, and smart industry. Prior work has extensively explored the security vulnerabilities of FL in the form of poisoning attacks. To mitigate the effect of these attacks, several defenses have also been proposed. Recently, a hybrid of both learning techniques has emerged (commonly known as SplitFed) that capitalizes on their advantages (fast training) and eliminates their intrinsic disadvantages (centralized model updates). In this paper, we perform the first ever empirical analysis of SplitFed's robustness to strong model poisoning attacks. We observe that the model updates in SplitFed have significantly smaller dimensionality as compared to FL that is known to have the curse of dimensionality. We show that large models that have higher dimensionality are more susceptible to privacy and security attacks, whereas the clients in SplitFed do not have the complete model and have lower dimensionality, making them more robust to existing model poisoning attacks. Our results show that the accuracy reduction due to the model poisoning attack is 5x lower for SplitFed compared to FL.

随着技术的快速进步，由于恶意软件活动的增加，安全性已成为一个主要问题，这对计算机系统和利益相关者的安全性和安全性构成了严重威胁。为了维持利益相关者，特别是最终用户的安全，保护数据免受欺诈性努力是最紧迫的问题之一。旨在破坏预期的计算机系统和程序或移动和Web应用程序的一组恶意编程代码，脚本，活动内容或侵入性软件称为恶意软件。根据一项研究，幼稚的用户无法区分恶意和良性应用程序。因此，应设计计算机系统和移动应用程序，以检测恶意活动以保护利益相关者。通过利用包括人工智能，机器学习和深度学习在内的新颖概念，可以使用许多算法来检测恶意软件活动。在这项研究中，我们强调了基于人工智能（AI）的技术来检测和防止恶意软件活动。我们详细介绍了当前的恶意软件检测技术，其缺点以及提高效率的方法。我们的研究表明，采用未来派的方法来开发恶意软件检测应用程序应具有很大的优势。对该综合的理解应帮助研究人员使用AI进行进一步研究恶意软件检测和预防。

5G无线技术和社会经济转型的最新进展带来了传感器应用的范式转移。 Wi-Fi信号表明其时间变化与身体运动之间存在很强的相关性，可以利用这些变化来识别人类活动。在本文中，我们证明了基于时间尺度Wi-Fi通道状态信息的自由互助人与人类相互作用识别方法的认知能力。所检查的共同活动是稳定的，接近，离职的，握手的，高五，拥抱，踢（左腿），踢（右腿），指向（左手），指向（右手），拳打（左手），打孔（右手）和推动。我们探索并提出了一个自我发项的双向封盖复发性神经网络模型，以从时间序列数据中对13种人类到人类的相互作用类型进行分类。我们提出的模型可以识别两个主题对相互作用，最大基准精度为94％。这已经扩展了十对对象，该对象对围绕交互 - 转变区域的分类得到了改善，从而确保了88％的基准精度。同样，使用PYQT5 Python模块开发了可执行的图形用户界面（GUI），以实时显示总体相互交流识别过程。最后，我们简要地讨论了有关残障的可能解决方案，这些解决方案导致了研究期间观察到的缩减。这种Wi-Fi渠道扰动模式分析被认为是一种有效，经济和隐私友好的方法，可在相互的人际关系识别中用于室内活动监测，监视系统，智能健康监测系统和独立的辅助生活。

本文着重于重要的环境挑战。也就是说，通过分析社交媒体作为直接反馈来源的潜力，水质。这项工作的主要目的是自动分析和检索与水质相关的社交媒体帖子，并特别注意描述水质不同方面的文章，例如水彩，气味，味觉和相关疾病。为此，我们提出了一个新颖的框架，其中包含不同的预处理，数据增强和分类技术。总共有三个不同的神经网络（NNS）架构，即来自变形金刚（BERT）的双向编码器表示，（ii）可靠优化的BERT预训练方法（XLM-ROBERTA）和（iii）自定义长期短期内存（LSTM）模型用于基于优异的融合方案。对于基于绩效的重量分配到模型，比较了几种优化和搜索技术，包括粒子群优化（PSO），遗传算法（GA），蛮力（BF），Nelder-Mead和Powell的优化方法。我们还提供了单个模型的评估，其中使用BERT模型获得了最高的F1评分为0.81。在基于绩效的融合中，BF以F1得分得分为0.852，可以获得总体更好的结果。我们还提供了与现有方法的比较，在该方法中，我们提出的解决方案得到了重大改进。我们认为对这个相对新主题的严格分析将为未来的研究提供基准。

在过去的二十年中，已经采用了过采样来克服从不平衡数据集中学习的挑战。文献中提出了许多解决这一挑战的方法。另一方面，过采样是一个问题。也就是说，在解决现实世界问题时，经过虚拟数据训练的模型可能会出色地失败。过采样方法的根本困难是，鉴于现实生活中的人群，合成的样本可能并不真正属于少数群体。结果，在假装代表少数群体的同时，在这些样本上训练分类器可能会导致在现实世界中使用该模型时的预测。我们在本文中分析了大量的过采样方法，并根据隐藏了许多多数示例，设计了一种新的过采样评估系统，并将其与通过过采样过程产生的示例进行了比较。根据我们的评估系统，我们根据它们错误生成的示例进行比较对所有这些方法进行了排名。我们使用70多种超采样方法和三种不平衡现实世界数据集的实验表明，所有研究的过采样方法都会生成最有可能是多数人的少数样本。给定数据和方法，我们认为以目前的形式和方法对从类不平衡数据学习不可靠，应在现实世界中避免。

可穿戴电子设备不断发展，正在增加人类与技术的集成。以各种形式提供，这些灵活和可弯曲的设备感觉，可以测量人体的生理和肌肉变化，并可以将这些信号用于机器控制。Myo手势频带，一个这样的设备，使用磁电信号捕获电拍摄数据（EMG）并将其转换为通过一些预定义手势用作输入信号。在多模态环境中使用此设备不仅可以增加可以在此类设备的帮助下实现的可能类型的工作类型，而且还可以帮助提高所执行任务的准确性。本文解决了通过麦克风和肌电信号捕获的输入模态的融合，分别通过麦克风和Myo带，以控制机器人臂。还提出了所获得的实验结果以及它们的性能分析的准确性。

确实，卷积神经网络（CNN）更合适。然而，固定内核大小使传统的CNN太具体，既不灵活也不有利于特征学习，从而影响分类准确性。不同内核大小网络的卷积可以通过捕获更多辨别和相关信息来克服这个问题。鉴于此，所提出的解决方案旨在将3D和2D成立网的核心思想与促进混合方案中的HSIC CNN性能提升。生成的\ Textit {注意融合混合网络}（AFNET）基于三个关注融合的并行混合子网，每个块中的不同内核使用高级功能，以增强最终的地面图。简而言之，AFNET能够选择性地过滤滤除对分类至关重要的辨别特征。与最先进的模型相比，HSI数据集的几次测试为AFNET提供了竞争力的结果。拟议的管道实现，实际上，印度松树的总体准确性为97 \％，博茨瓦纳100 \％，帕尔茨大学，帕维亚中心和萨利纳斯数据集的99 \％。

世界卫生组织（WHO）推荐戴面面罩作为最有效的措施，以防止Covid-19传输。在许多国家，现在必须在公共场所佩戴面部面具。由于手动监测面部面罩通常在人群中间不可行，因此自动检测可能是有益的。为方便，我们探索了许多深度学习模型（即，VGG1，VGG19，Reset50），用于面部掩模检测，并在两个基准数据集中进行评估。在此背景下，我们还评估了转移学习（即，VGG19，Reset50在ImageNet上预先培训）。我们发现，虽然所有型号的表演都非常好，但转移学习模型达到了最佳性能。转移学习将性能提高0.10 \％ - 0.40 \％，培训时间减少30 \％。我们的实验还显示了这些高性能模型对于测试数据集来自不同的分布而不是非常强大。没有任何微调，这些模型的性能在跨域设置中的47 \％下降。