- 综合排序
- 最热优先
- 最新优先
- 来自专栏腾讯技术工程官方号的专栏
“免疫杀手” Deep X-RAY
三、Deep X-RAY窃取你的防护策略 考虑到机器学习强大的学习能力，当提供足够量的数据时，算法完全可以学习到这种经验，将安全专家的安全经验通过数据驱动的方式沉淀起来，从而自动化的批量规则逆向。 六、新的威胁 Deep X-Ray是安平朱雀实验室在AI安全领域的一次尝试，它暴露出了目前主流云厂商防御系统存在的问题，云上安全面临着严重的安全挑战。 Deep X-Ray对抗AI版本的门神这样的场景，会在未来的攻防实践中拉开序幕，AI vs AI才是安全的终极形态！ ?
63630发布于 2021-01-19 - 来自专栏代码复现专区
【人脸伪造 | Face X-ray 代码复现】
前言：这篇文章记录了本人复现Face X-ray代码的过程以及参考的代码。由于这篇文章是笔者在完成复现完编写的，可能会有一些bug或者问题遗漏。 混合人脸 代码参考：AlgoHunt/Face-Xray: The author's unofficial PyTorch re-implementation of Face Xray 在混合人脸Face X-ray
22210编辑于 2025-06-26 - 来自专栏最新医学影像技术
OCT_ChestX-Ray2017——OCT眼底疾病分类和X-Ray疾病分类
今天将分享OCT眼底疾病分类和X-Ray疾病分类完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 二、OCT_ChestX-Ray2017任务 OCT分类：CNV、DME、DRUSEN和NORMAL X-Ray分类：NORMAL和PNEUMONIA 三、OCT_ChestX-Ray2017数据集 OCT ChestX-Ray2017数据包含5856张X-Ray图像，所有图像均标记为疾病类型-患者ID-该患者的图像编号。
48010编辑于 2024-03-21 - 来自专栏机器之心
CVPR 2020 | 给Deepfake 假脸做 X-Ray，新模型把换脸图打回原形
与之前的研究不同，Face X-Ray 希望检测第三阶段产生的误差。 ? 换脸模型的典型过程，之前的研究都在检测换脸带来的误差，而 Face X-Ray 希望检测到融合的边界。 Face X-Ray 会识别换脸图像融合的边界，如果是真实图像，则不反馈边界。 怎样学习换脸边界？ 沿着这种思路，Face X-Ray 只需要采用真实人脸，就能完成训练。 泛化优异的 Face X-Ray 在论文的实验部分，我们可以看到 Face X-Ray 具有非常优秀的泛化性能，不论是什么样的算法生成的换脸图，它都有非常不错的效果。 微软亚洲研究院高级研究员陈栋博士说：「如果图像是整体合成，那么 Face X-Ray 是难以检测出来的；如果针对 Face X-Ray 训练一个新换脸模型，我们的算法也有可能被攻击到。
2K10发布于 2020-03-11 - 来自专栏最新医学影像技术
PENGWIN2024——骨盆骨碎片与损伤分割挑战之X-Ray骨盆碎片分割
今天将分享骨盆骨碎片与损伤分割挑战之X-Ray骨盆碎片分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 数据下载： https://zenodo.org/records/10927452 https://zenodo.org/records/10913196 四、技术路线 任务二、X-Ray骨折分割 阶段
41510编辑于 2024-07-01 - 来自专栏最新医学影像技术
NODE21——肺结节检测和生成挑战赛（三）
挑战赛官方给了基础方法，大体思路是根据对应的CT和X-ray的结节数据，采用DDR技术将CT投影到二维图像，然后根据结节Mask区域的图像与X-ray图像进行叠加得到生成的X-ray结节图像。 但是官方没有提供CT和X-ray相对应的数据，只是提供了独立的CT和独立的X-ray。 所以基础方法就不太适用了，因此这里技术方案是使用GAN网络来生成结节图像，输入图像是没有结节区域的x-ray图像，金标准图像是有结节区域的x-ray图像，通过GAN将没有结节区域的x-ray生成到有结节区域的 x-ray图像。
55520编辑于 2022-08-20 - 来自专栏AI科技评论
古有照妖镜，今有换脸识别机，微软 CVPR 2020力作，让伪造人脸无处遁形
近日，微软亚洲研究院提出了一种检测换脸图像的方法 Face X-Ray。 其中输入为图像，输出为Face X-Ray，然后基于预测的Face X-Ray，输出一个图像是否真实的混合概率。 另外，对预测采用的是广泛使用的损失函数。 对于Face X-Ray，采用交叉熵损失来衡量预测的准确性。 在测试部分评估了Face X-Ray使用四个数据集的泛化能力。 进过比较Face X-ray有超过了现有的SOTA。
1.9K20发布于 2020-02-26 - 来自专栏新智元
微软北大提出AI换脸工具FaceShifter和假脸检测工具Face X-Ray
最近，微软研究院和北京大学的研究团队就同时造出了一对“利矛”和“坚盾”，他们发表的两篇论文分别提出了FaceShifter和Face X-Ray——前者是一种高保真度、可识别遮挡的换脸工具，后者则是能够检测伪造人脸图像的工具 与现有其他换脸模型的性能效果对比 坚盾：面部假图像检测工具Face X-ray ? 典型的换脸合成方法包括三个阶段：1）检测面部区域；2）合成期望的目标面部 3）将目标面部融合到原始图像中。 与现有方法不同的是，Face X-Ray不需要事先知道操作方法或人工监督，而是生成灰度图像，显示给定的输入图像是否可以分解为来自不同来源的两个图像的混合。 Face X-Ray不需要依赖于与特定人脸操作技术相关的伪影知识，并且支持它的算法可以在不使用任何方法生成假图像的情况下进行训练。 研究结果表明，Face X-Ray 能有效地识别出未被发现的假图像，并能可靠地预测混合区域。研究人员指出，这个方法依赖于一个混合步骤，因此可能不适用于完全合成图像，可能被对抗性样本骗过。
2.9K20发布于 2020-02-13 - 来自专栏AI科技大本营的专栏
“一网打尽”Deepfake等换脸图像，微软提出升级版鉴别技术Face X-Ray
微软亚洲研究院团队近期提出的Face X-Ray算法或将改变这种局面。微软亚洲研究院常务副院长郭百宁称，“Face X-Ray技术像医院的X光一样。 微软亚洲研究院的 Face X-Ray 换脸鉴别算法则主要针对换脸算法的第三步：图像融合过程。 因此，Face X-Ray 通过确定图像是否包含两种不同的噪声，就能判定一张人脸图像为合成图像的几率。 Face X-Ray则把换脸鉴别技术推到了更高层次。首先具有通用性，Face X-Ray背后的算法是“类自监督学习”的一种方法，“我们不需要这些（换脸图片）数据，也不用知道是哪个换脸算法，就能鉴别。” Face X-Ray鉴别算法基于FaceForensics数据集进行了测试，测试的平均识别率达到95%以上。 ? 其次，Face X-Ray具有可解释性。
3.5K20发布于 2020-03-10 - 来自专栏软件测试那些事
Allure整合JIRA XRAY实现自动化用例管理
使用Xray-Maven-Plugin实现JUnit与JIRA X-RAY整合 为了实现对于自动化用例的管理，我们通过找寻，发现X-RAY官方其实提供了一个Xray-Maven-Plugin插件，这个插件能够实现 JUnit和JIRA X-RAY用例管理之间的联动。 也就是说这个方案的一个不足之处，或者是一个局限性是说，该方案并没有充分地发挥X-RAY的功能。 那比较遗憾的是说X-RAY的这个插件，它并没有去解析和获取这些数据，然后向JIRA进行申报。 就之前介绍的，由于X-RAY的插件只能读取用例的基本信息，Allure的用例注解中关于Story、Bug等信息只能由Allure服务端自行解析并展示，没有通过X-RAY的插件向JIRA进行报告。
2.9K20编辑于 2022-01-12 - 来自专栏机器之心
首个X光下的小样本检测基准和弱特征增强网络，北航、讯飞新研究入选ACM MM 2022
机器之心专栏 机器之心编辑部 本文中，北航、讯飞的研究者们构建了首个 X 光场景下的小样本检测数据集 ——X-ray FSOD 数据集。同时又提出了微弱特征增强网络，为小样本检测带来新的思考。 本文针对 X 光安检场景下的小样本检测任务，提出了首个工业场景下的小样本检测任务评估基准，X-ray FSOD 数据集。 X-ray FSOD 数据集中各个类别在自然光和 X 光下的对照图如图 1 所示。 图 1 X-ray FSOD 数据集中不同类别的自然光和 X 光样例示意图. 对比试验 （1）X-ray FSOD 数据集 表 2：在 X-ray FSOD 上新类 mAP50 精度的对比结果 （2）VOC 轮廓数据集 表 3：在 VOC 轮廓数据集上新类 mAP50 精度的对比结果 为了给上述重要问题的研究提供支持，来自北航、讯飞的研究人员构建了首个 X 光场景下的小样本检测数据集 ——X-ray FSOD 数据集。
52020编辑于 2022-07-19 - 来自专栏机器之心
上交大&上海AI lab研发胸部X-ray疾病诊断基础模型，成果入选Nature子刊
机器之心专栏 专栏：FM4Medicine 上海交通大学与上海人工智能实验室联合团队聚焦医学人工智能，提出了首个基于医学领域知识增强的 Chest X-ray 的基础模型。 在此背景之下，上海交通大学与上海人工智能实验室联合团队探索了基于医学知识增强的基础模型预训练方法，发布了首个胸部 X-ray 的基础模型，即 KAD（Knowledge-enhanced Auto Diagnosis 值得注意的是，该研究提出的基于知识增强的表征学习方法不局限于胸部 X-ray，期待其能够进一步迁移到医疗中不同的器官、模态上，促进医疗基础模型在临床的应用和落地。 -M., de la Iglesia-Vay´a, M.: Padchest: A large chest x-ray image dataset with multi-label annotated ] Wang, X., Peng, Y., Lu, L., Lu, Z., Bagheri, M., Summers, R.M.: Chestx-ray8: Hospital-scale chest x-ray
81610编辑于 2023-08-07 - 来自专栏纳米药物前沿
吉大超分子结构与材料国重实验室刘轶课题组Nanoscale:Z型异质结构在葡萄糖氧化酶致敏放射催化和肿瘤饥饿治疗中的应用
利用半导体放疗增敏剂在X-ray激发下产生的电子与空穴产生活性氧（reactive oxygen species, ROS），为放射治疗的发展提供了新的思路。 X-ray激发产生的电子可以与H2O2反应生成更高毒性的•OH。增大肿瘤细胞内H2O2浓度有助于提高放射催化治疗效果。 图2 (a)和(b)BiOI和BiOI/Bi2S3纳米片的X-ray衍射谱图。(c) BiOI和BiOI/Bi2S3纳米片的吸收光谱，插图为溶液照片。(d) 各样品的红外光谱。 BBFG的CT/PA成像功能主要来自Bi和I的高X-ray吸收能力，以及Bi2S3和PDA的强近红外吸收能力。 BBFG中Z-scheme能级结构不仅有效抑制了X-ray激发产生的电子与空穴的复合，还能够最大限度地保留电子和空穴的氧化还原能力，使其参与到生成•OH的反应当中。
88130编辑于 2022-08-15 - 来自专栏硬件大熊
芯片失效分析，你可以怎么办？
SAM和XRay是一种相互补充的手法，X-Ray对于分层的空气不敏感，所得出的图像是样品厚度的一个合成体，而SAM可以分层展现样品内部一层层的图像，因此对于焊接层、填充层、涂覆层等的完整性检测是SAM的优势 当然，在进行X-Ray、CASM、OBIRCH之前，可以对每个管脚进行逐渐加电压并侦测电流曲线是否异常，由此先大概确认是否该管脚有失效的可能性。 在确认该异常之后，后续使用X-Ray等仪器时可以更快速地锁定缺陷点所在的区域。 在使用X-Ray等手法定位缺陷区域后，最终采用机械剖片、腐蚀液剖片的方法，利用显微镜进行最后一轮的图像物理确认。
83620编辑于 2022-06-23 - 来自专栏AI研习社
微软北大联合提出换脸 AI 和脸部伪造检测器，演绎现实版「矛与盾」？
各种面部操作方法的视觉结果，包括自监督生成的混合图像 【图片来源：Face X-Ray论文（https://arxiv.org/pdf/1912.13458.pdf）】 谈回 Face X-Ray 检测技术 生成训练样本概述（图片来源：Face X-Ray论文） 因此，Face X-Ray 不需要依赖于与特定人脸操作技术相关联的伪影知识，并且支持它的算法可以在不使用任何方法生成假图像的情况下进行训练。 ，研究人员在 FaceForensics++（一个包含 1000 多个用四种最先进的人脸置换方法生成的原始剪辑的大型视频语料库），以及另一个包含由真实图像构建的混合图像的训练数据集上训练了 Face X-Ray 结果表明，Face X-Ray 能有效地识别出未被发现的伪造图像，并能可靠地预测融合区域。
61820发布于 2020-02-12 - 来自专栏视觉求索无尽也
【Research】Explore ChestX-ray Dataset
CheXNet: an in-depth review NIH Clinical Center provides one of the largest publicly available chest x-ray ---- 论文：Wang_ChestX-ray8_Hospital-Scale_Chest_CVPR_2017_paper 论文：ChestX-ray8: Hospital-scale Chest X-ray non-medical training used for chest pathology identification ---- Dataset: Random Sample of NIH Chest X-ray github ReferenceCode: Diagnose Lung Disease with VGG16@kaggle ReferenceCode: Predicting Pathologies In X-Ray
4.6K41发布于 2018-09-10 - 来自专栏CNCF
你是否有效地追踪Kubernetes应用程序？
涵盖了各种各样的工具： 成熟的 Zipkin 工具 Jaeger 是对 Zipkin 概念的一种更现代的方法 Grafana Tempo，与前两种相比以一种完全不同的方式存储数据 一个托管服务，AWS X-Ray AWS X-Ray AWS X-Ray 是一种托管服务，旨在对运行在 AWS Cloud 中的服务提供无缝分布式追踪。作为一个特定于供应商的工具，当涉及到外部服务时，它确实有一些限制。 X-Ray 提供了 Go、Java、Node.js、Python、Ruby 和.Net 的库。与 Jaeger 一样，X-Ray 使用一个侧面加载的代理来连接并将追踪数据推送到后端。 在 Kubernetes 中使用 X-Ray 非常简单，因为你不需要部署任何额外的后端服务或存储解决方案。 Jaeger 为使用 Kubernetes 提供了一些非常可靠的工具，AWS X-Ray 可以很容易地与 AWS 服务集成。
1K30发布于 2021-05-27 - 来自专栏AI科技评论
今日 Paper | 物体渲染；图像和谐化；无偏数据处理方法；面部伪造检测等
面部X射线，可进行更一般的面部伪造检测 论文名称：Face X-ray for More General Face Forgery Detection 作者：Lingzhi Li1 发表时间：2019/ 在本文中，作者提出了一个方法---面部X射线，它既不需要了解换脸后的图像数据，也不需要知道换脸算法，就能对图像做『X-Ray』，鉴别出是否换脸，以及指出换脸的边界。 本文的创新点： 作者提出的新模型 Face X-Ray 具有两大属性：能泛化到未知换脸算法、能提供可解释的换脸边界。要获得这样的优良属性，诀窍就藏在换脸算法的一般过程中。 而本文标新立异之处在于，该新模型Face X-Ray是通过检测第三阶段产生的误差来进行实验的。 ? ?
70820发布于 2020-03-24 - 来自专栏DrugOne
Nat. Biotechnol. | 通过对抗训练和双批次正则化提高神经网络的诊断性能和临床可用性
该工作在X-ray、CT和MRI图像数据集中进行了实验，实验结果表明提出的双批次正则化对抗训练方法可以获得较高的鲁棒性和准确性，并为预测结果提供了一定的可解释性。 主要贡献 （1）为了提高医学图像领域模型的鲁棒性，引入了对抗训练的方法； （2）为了缓解对抗训练方法带来的分类效果下降的问题，提出了双批次正则化技术来优化对抗训练，从而达到鲁棒性和预测效果的双赢，并在X-ray 根据X-ray、MRI和CT图片的输入像素绘制三种模型的损失梯度，其中根据X-ray图片的输入像素绘制模型的损失梯度如图（5）所示。 （5）根据X-ray图片的输入像素绘制模型的损失梯度 5 总结 该工作主要目的是探讨基于对抗训练的鲁棒模型在医学影像领域的适用性和潜在优势。
70430发布于 2021-08-24 - 来自专栏云深之无迹
来自瑞萨的 FGA 基准源（ISL21009）
等效理解： Vref ≈ 存储电荷 / 栅电容 优点是极低漂移（几乎不依赖温度），拥有超低静态电流，可任意电压定制，缺点是MOS 输出级 → 驱动能力有限，以及对 X-ray 敏感（会改变浮栅电荷）。 ADC 参考引脚（通常 <100 µA）影响极小；但如果外接运放 buffer建议 Kelvin sense（图61） 这个芯片有一个非常少见的警告：Pb-free 回流后会漂移 100µV–1mV，X-ray 会永久改变输出；原因是： 浮栅电荷会被 X-ray 改变 如果设备会过机场安检：要屏蔽。 它甚至建议： 两层 1/2oz 铜平面可降低 90% X-ray 剂量 这个在精密设备设计里是非常罕见的注意点。 因为X-ray 会：激发氧化层中的电子，改变浮栅电荷；那电荷改变 → Vref 改变这在数据手册第16页有专门说明这是 FGA 独有的问题。
8910编辑于 2026-03-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号