人脸视频伪造检测技术进展与趋势

伪造与伪造检测之间作为动态的攻防关系,一方的进步会促使另一方进行技术上的迭代和升级。然而,随着AIGC技术的快速发展,逼真的伪造人脸视频可以欺骗人类视觉感知,人脸视频伪造检测技术已经落后于人脸视频伪造技术,伪造检测技术难以适应复杂的伪造场景,导致视频内容安全防护受到了重大挑战。因此,对于人脸视频伪造数据的检测,在国家和社会安全等方面具有重要的研究和应用价值,近年来已成为亟待研究的热点问题。在此背景下,通过探索评测基准客观量化、基准数据动态更新、应对新型伪造检测、伪造检测自主进化等方面的技术攻关,可以为人脸视频防伪领域提供新视角和发展方向,促进防伪检测技术的进一步发展。

智能病理诊断技术应用与展望

近年来,中国癌症患病人数与死亡人数不断增多,已成为全球第一“癌症大国”。在癌症临床诊断中,病理诊断被视为“金标准”,对于癌症的诊断、治疗与预后分析均有重要的参考意义。然而,当前依赖医生的病理诊断存在耗时久、主观性强、漏诊误诊等不足。随着人工智能与病理学的快速发展,智能病理诊断技术应运而生,为病理诊断提供了高效、客观、精准的辅助工具。当前,智能病理诊断研究仍处于初级阶段,仍面临着精准性差、可解释性差、泛化性差等诸多挑战。针对上述挑战,通过在精细化、多模态、可解释、统一泛化、大模型等方向进行关键技术攻关,将有效推动智能病理诊断在临床场景的应用,可以有效延长患者生命周期、提高患者生存率,推动“健康中国”的建设进程。

视觉表征学习综述

表征学习是人工智能算法中的重要一环,好的表征能够让后续的下游任务事半功倍。随着深度学习在计算机视觉领域的发展,视觉表征学习变得越来越重要,其目的是将复杂的视觉信息转换为更易于人工智能算法学习的表达。文中主要介绍了目前广泛使用的视觉表征学习的研究工作,根据数据依赖程度和类型的不同,将其划分为预训练视觉表征学习、生成式视觉表征学习、对比式视觉表征学习、解耦式视觉表征学习以及结合语言信息的视觉表征学习。具体而言,预训练视觉表征学习是基于有监督的预训练模型在视觉表征学习上的应用;生成式视觉表征学习利用生成模型学习视觉表征;对比式视觉表征学习主要介绍了利用对比学习思想来学习视觉表征的各类网络框架。此外,还介绍了利用变分自编码器和生成对抗网络在解耦式视觉表征学习中的应用,以及利用语言信息来增强视觉表征学习的各种方法。最后,总结了视觉表征学习的评价准则和未来展望。

基于标签聚类和协同过滤算法的就业推荐系统设计

随着毕业生就业压力的增大,国家和社会持续发力,国家出台多项就业支持政策,社会上的企业招聘也日渐增多。在此背景下,设计了一种个性化的就业推荐系统。系统基于Web应用,主要功能包括用户注册和登录、用户选择感兴趣领域、职位推荐、职位收藏及查看职位详细内容。其中注册和登录功能的实现借用了Django内置的Auth模块;数据库用的是Django框架下的Sqlite3;职位推荐是基于用户信息的协同过滤算法实现的,并且用标签聚类的方式解决了冷启动问题。仿真结果表明,用户可以注册之后登录并选择自己感兴趣的领域,然后就可以查看系统推荐的职位,具有较好的效果。

一种改进的协同过滤的商品推荐方法

传统的电子商务平台无法实现对用户进行个性化优质商品的推荐,大量的商品信息无法被充分应用在帮助客户选择商品上。针对上述问题,提出了改进的协同过滤算法(new Pearson collaborative filtering,NP-CF)为用户进行个性化的电子商品推荐。该算法弱化了活跃用户的对商品相似度的贡献程度并且利用标准差的计算降低电子商品本身质量对相似度的影响,将两者计算获得的系数与皮尔逊关系数相结合,从而计算出更加准确的用户相似度,再利用相似度值计算商品的推荐值并且通过加权评价公式对该值进行加权处理。最后在真实的数据集MovieLens和人工数据集Mobile-Data上对该算法进行实验测试,且与传统的基于用户信息的协同过滤算法(user collaborative filtering,User-CF)进行比对,该算法(NP-CF)整体上优化了推荐结果并且提高了推荐的准确率。

针对唇语识别的上下文相关性蒸馏方法

针对唇语识别模型的性能受到数据集大小限制的问题,提出一种跨模态知识蒸馏方法C2KD.C2KD将语音识别模型的多尺度上下文相关性知识蒸馏到唇语识别模型中.首先,利用Transformer模型的自注意力模块得到上下文相关性知识;其次,使用层映射策略来决定从语音识别模型的哪一层提取知识;最后,使用自适应训练策略来根据唇语识别模型的性能动态地进行知识的传递.C2KD在数据集LRS2和LRS3上取得了优异的表现,词错误率分别比基线方法低2.0%和2.7%.

基于深度学习的3D分子生成模型研究进展

分子生成作为药物设计领域的一个基本问题,旨在以低成本和高效率的方式设计出具有理想生物活性和药代动力学属性的新颖分子.近年来深度生成模型在药物设计中得到了广泛应用,大量的模型结构和优化策略得到探索,其中大多是生成一维或二维的分子结构.随着深度学习在处理几何图形数据上的快速发展,面向3D分子的生成模型被提出,因其在直接生成3D分子构象和基于结构的药物设计上的优势和潜力而越来越受到关注.本文对近年来国内外学者在3D分子生成上取得的成果进行了系统的总结和分析,从3D分子生成算法输入的角度将其分为基于隐变量的生成、基于2D分子图的生成和基于3D分子构象的生成;接着从3D分子生成算法输出的角度将其分类为定向生成和非定向生成;随后总结了相关生成模型在主要的公开数据集上的性能,以探究各种生成模型的优缺点;最后对未来可能的研究方向进行了展望.