随着我们对社交媒体平台和Web服务的依赖日益增加，剥削者将这些平台视为操纵我们的思想广告行动的机会。这些平台已成为社交机器人账户的开放游乐场。社交机器人不仅学习人类谈话，方式和存在，还可以操纵舆论，充当诈骗者，操纵股票市场等。有证据表明，人们的意见和思想可能是对民主的巨大威胁。识别和预防释放或创建这些机器人的竞选活动已经变得至关重要。我们本文的目标是利用网络挖掘技术来帮助检测在诸如Twitter等社交媒体平台上的假机器人，从而减轻了不奉献的传播。
translated by 谷歌翻译
印度车辆板在尺寸，字体，脚本和形状方面的种类繁多。因此，自动数板识别（ANPR）解决方案的开发是具有挑战性的，因此需要一个多样化的数据集作为示例集合。但是，缺少印度情景的全面数据集，从而阻碍了在公开可用和可重现的ANPR解决方案方面的进展。许多国家已经投入了努力，为中国和面向应用程序的车牌（AOLP）数据集开发诸如中国城市停车数据集（CCPD）等全面的ANPR数据集为我们提供了努力。在这项工作中，我们发布了一个扩展的数据集，该数据集目前由1.5K图像组成，以及可扩展且可重复的程序，以增强该数据集以开发印度条件的ANPR解决方案。我们利用此数据集探索了印度场景的端到端（E2E）ANPR体系结构，该架构最初是根据CCPD数据集为中国车辆号码板识别的。当我们为数据集定制体系结构时，我们遇到了见解，我们在本文中讨论了这一点。我们报告了CCPD作者提供的模型直接可重复使用性的障碍，因为印度数字板的极端多样性以及相对于CCPD数据集的分布差异。在将印度数据集的特性与中国数据集对齐后，在LP检测中观察到了42.86％的改善。在这项工作中，我们还将E2E数板检测模型的性能与Yolov5模型进行了比较，并在可可数据集上进行了预训练，并在印度车辆图像上进行了微调。鉴于用于微调检测模块和Yolov5的数量印度车辆图像是相同的，我们得出的结论是，基于COCO数据集而不是CCPD数据集开发针对印度条件的ANPR解决方案更有效。
translated by 谷歌翻译
2022-06-09
由于严重的自我闭合体和Fish-eye视图从头部安装的摄像头引起的强烈失真，图像中的Egentric 3D人类姿势估计（HPE）具有挑战性。尽管现有作品使用中间热图的表示来抵消扭曲，但解决自我封锁仍然是一个空旷的问题。在这项工作中，我们利用过去框架的信息来指导我们基于自我注意的3D HPE估计程序-Ego-Stan。具体而言，我们构建了一个时空变压器模型，该模型可用于基于语义上丰富的卷积神经网络特征图。我们还提出了功能地图令牌：一组新的可学习参数，可以参与这些特征地图。最后，我们证明了自我Stan在XR-Egopose数据集上的出色表现，在该数据集中，它在总体平均每个接头位置误差方面取得了30.6％的提高，而与最新的最新参数相比，参数下降了22％。艺术。
translated by 谷歌翻译