关于 图们开病例检查结果证明 微电152<9212<85 的搜索结果,共1189
h****l 2018-07-09
大数据时代下的隐私保护(二)
注意,这里并不能保概率相同,如一样的话,数据就需要完全的随机化,那样 公数据也就没有意义。所以,我需要尽可能接近,保在隐私和可用性之间找到一 个平衡。 ε-差分隐私(ε-differential privacy, ε-DP) 可以用下面的定义来表示: 其中M 是在D 上做任意询操作,对询后的加入一定的随机性,也就是给数据 加噪音,两个datasets 加上同一随机噪音之后为C 的概率比小于一个特定的 数 。这样就能保用户隐私泄露的概率有一个数学的上界,相比传统的k-anonymity, 差分隐私使隐私保护的模型更加清晰。 我用一个子解释差分隐私的定义: 上中D1 和D2 是两个neighboring datasets,他只有一条记录不一致,在攻击 者询“20-30 岁之间有多少人偏好购买子产品”的时候,对于这两个数据库得到的 是100 的概率分别是99% 和98%,他的比值小于某个数。如对于任意 的询,都能满足这样的条件,我就可以说这种随机方法是满足 ε-差分隐私的。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
已发布的0 同时放红绿灯测和识别算法,可以作为视觉感知的典型代表。 红绿灯识别。是根据当前车的位置找高精地,判断前方是否有红绿灯。如有,高精地会返回红绿灯的物理位置,同时采集视频像。如并排很多灯,需要准确判断影响决策的灯。
Z****E 2018-07-09
产品迭代的最后一公里
然后由专门的执行系统解析策略,并自动执行批量机器的变更,如源的Ansible、SaltStack和百度内部的CCS系统。整个执行过程自动进行,用户只需要看执行进度即可。另一方面,执行系统也提供了干预能力,用户可以手动暂停乃至撤销一个部署任务的执行。2给出了自动化部署的示意。 2分级发布 分级发布是指将变更过程以实组为单位划分成多个阶段,每个阶段引入自动化的,只有通过才能执行下个阶段的变更。分级发布不能完全避免变更异常,但是可以有效限制异常影响范围。通过把变更版本管理和历史审计与分级发布合,可以有效增强对变更过程的管控,降低异常影响,加快异常恢复速度。整个分级发布规范的构成可以参考3。 3智能变更策略 采用自动化部署和分级发布之后,用户已经可以获得较好的变更效率,并且能够在相当程度上提升变更安全性,但是使用更高标准来审视,其中仍存在改进的空间:变更模板需要人工配置,使用门槛较高,复用性低;变更效强依赖人的经验,可能出现异常没被及时出来的问题。 得益于在AIOps上的充分实践,我发现通过将智能策略引入到变更流程中,可以进一步提升变更效率和安全。
不****主 2018-07-09
高精地
高精地,是Apollo定位、感知、规划模块的基础。 与普通地不同,高精地主要服务于自动驾驶车辆,通过一套独特的导航体系,帮助自动驾驶解决系统性能问题,扩展传感器测边界。目前 Apollo 内部高精地主要应用在高精定位、环境感知、决策规划、仿真运行四大场景,帮助解决林荫道路GPS信号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。 一、高精地与传统地 当我车时,打导航地通常会给我推荐几条路线,甚至会显示道路是否拥堵以及每条路线将花费多长时间、是否有交通管制,有多少个交通信号灯或限速标志等,我会根据地提供的信息来决定是在行驶中直行、左转还是右转以及对周围驾驶环境的评估。 而无人驾驶车缺乏人类驾驶员固有的视觉和逻辑能力。如我可以利用所看到的东西和GPS来确定自己的位置,还可以轻松准确地识别障碍物、车辆、行人、交通信号灯等,但要想让无人车变得和人类一样聪,可是一项非常艰巨的任务。 这时就需要高精地了,高精地是当前无人驾驶车技术不可或缺的一部分。它包含了大量的驾驶辅助信息,最重要是包含道路网的精确三维表征,如交叉路口布局和路标位置。
x****3 2018-07-10
零基础认识深度学习——猿人的第一次直立行走
--下是 09始生成模型 -- 10.模型生成完成,我再看一下验正确率很高了,如生产环境正确率太低,可能你要调创建模型的参数。 --下是 10训练完成后的accuracy-- ####调试模型 #### 11.在模型页面往下拖就可以看到下载模型、测试模型等按钮,我选择测试模型,将那个“白底红字2”提交做个测试。 --下是 11测试模型 -- 12.默认是测试Epoch #30,我先跑10次试试。本来想省点服务器费,只有20.3%的几率识别正确。 --下是 12TestA模型10圈 -- 13.我提高测试圈数到25圈,准确率从20.3%提高到了21.9%。 --下是 13TestA模型25圈 -- 14.整个模型的上限是30圈,正确识别也才21.92%。到了这里我插一句,未正确识别可能是因为我的建模数据是28*28的黑白,而我给测试片大小和颜色都不对。
金****洲 2018-07-09
百度安全实验室|机器学习对抗性攻击报告
其中,作者使用谷歌Inception v3 作为目 标像识别模型,并选取ImageNet 中的50,000 个验像针对Inception v3 构 造出相对应的对抗性像。在实验中,他将所有的对抗性片和原始片都打印出来, 并手动用一个Nexus 5 智能手机进行拍照,然后将手机里的像输入Inception v3 模 型进行识别。现场,87%的对抗性像在经过外界环境转化后仍能成功欺骗机 器,从而了物理对抗性子在真实世界的可能性。 在他的论文中,作者还测试了物理世界造成的像转化对使用不同方法构造的对 抗性片的毁坏程度。有意思的论是迭代方法受像转化的影响更大。这是因为迭代 方法对原像使用了更妙的调整,而这些调整在外界像转化过程中更容易被毁坏。 作者还分别测试了亮度、对比度、高斯模糊转化、高斯噪音转化和JPEG 编码转化量度, 对各个对抗性像方法的毁坏程度。具体实验请参见他的论文[1]。
h****e 2018-07-10
程序:我从哪里来?
Naming Agent与Cache层的数据交互,采用推拉合的方式,Naming Agent主动拉取数据和Cache模块推送变更数据,同时Naming Agent客户端会将询过的数据置于本地缓存中,以此降低Cache层的询压力。 Check Agent:提供BNS实的健康功能,用户通过在Web页面对每一个实配置健康的方式,机器上的Check Agent会主动探测所有实的运行状况,并将健康上报给Cache层,同时更新数据库内容。 总 BNS系统满足服务间交互中常见的的资源定位、IP白名单维护等需求,也可以用于机器列表询,使用场景包括机器列表询、服务定位、白名单维护、数据库智能授权等,解决了程序“我是谁?我从哪里来?该往哪里去?”的问题。 今天我一起聊了百度云Noah智能运维产品中的BNS系统,目前系统还在持续迭代和优化中,若您想进一步了解BNS问题,欢迎大家积极留言。
j****2 2018-07-10
百度大脑放日来袭 24种全新AI能力呈现
在深度学习基础之上,百度大脑通用AI能力放涵盖语音、视觉、自然语言处理、知识谱等全面AI技术。 语音方向:语音方面推出了语音识别极速版,首次对外放搭载国际领先的注意力(attention)模型的语音能力,拥有更快的响应速度,相对识别准确度提升15%,为发者带来更极致的识别体验。此外,语音识别预置语义解析全新升级,预置场景由35个升级为51个,从影视娱乐到外卖打车,语义解析效全面提升。另外,还预告了即将推出的几款新产品,包括语音识别自训练平台、远场语音发套件和语音离线合成等产品。 视觉方向:OCR、车辆分析、人脸人体、像识别都有重磅升级。比如卡OCR新增了户口本、出生医学、港澳通行和台湾通行四类新能力,可识别卡总数达到9种。只需对着你的户口本拍一张照片,系统就能字段进行构化识别,然后反馈出信息页的出生地、出生日期、姓名、民族、与户主关系、性别、身份号码。而票据OCR和汽车场景OCR也分别新增了行程单、保单、通用机打发票、定额发票、车辆VIN码、机动车销售发票、车辆合格等识别能力。
C****X 2018-07-10
群雄逐“”,百度缘何备受关注?
同样是商,四维新也已经宣布与车企宝马合作,为其在我国销售的汽车提供地产品。 我发现,高精地领域的入局者基本上可以分为这样几类,以Google 为代表的互联网企业,包括百度;以丰田、特斯拉为首的车企大厂;以Moblieye(已经被英特尔收购)为主的传感器厂商;以及包括 TomTom、四维新、高德等在内的商。 不过仔细想想,入局归入局,但是要想玩的比别人都好,成为领先的玩家,确实不是一件容易的事儿。 其实对高精度地的研发,除了在技术上需要攻克一些难关之外,更需要站在自动驾驶产业链的角度上思考问题。高精度地是自动驾驶的专属地,了解车的需求或许比“造”本身更重要。 如发者的角度来看,以百度为代表的互联网企业以及传统车企或许在整合产业链资源,全局入手的能力上更占优势。 关于高精度地的一些based问题 地,对于人的日常生活来说很普遍。 通常我了解的都是用于导航、询地理信息的传统子地,这类地主要服务的是人类驾驶员。 传统子地片来源于文章《高精地在无人驾驶中的应用》) 如所示,传统子地是对路网的一种抽象表现,将路网抽象成有向的形式。
c****1 2018-07-10
你的数字签名会被撞破么?——安全 hash 的攻与防
一份公的 CPC 攻击源代码是由 Mark Stevens 编写的 HashClash [2],支持使用 CUDA 来加速 CPC 攻击中的生日攻击部分,然而这份代码目前不能很好工作。一份能 工作的代码在 [11]中可以找到。由于 CUDA 接口的升级,[2,11]中的 CUDA 部分均不能正常编译。在做了一些修正后我把现在可以工作的版本公布在 [12]中,供网友实验。 使用 [12],我构造了两组 hash 碰撞,大小分别为 704 字节和 1048576 字节(1Mb)。 在我双路 E5-2650V3 的服务器上,我使用了 30 个核心和 3 块 K1200 加速卡,运算 6 小时可得到一组碰撞。其中使用加速卡进行生日攻击的时间只有不到十分钟。 A.伪造 CA 书 在 MarcStevens 2009 年的工作中,展示对 CA 书的攻击使用的是选择前缀攻击。 1 展示了伪造 CA 书的原理 [10]。 1 CA 书的伪造过程 1 左侧是合法的网站构,右侧是需要伪造的 CA 构。
1****9 2018-07-11
【强势出击】第二期百度大脑体验师来袭
4月25日,百度大脑放日第二期正式启 与第一期有所不同,第二期百度大脑放日,介绍了多种通用 AI新 能力;除此之外,还推出了两个新的定制训练平台-帮助发者更简单高效地训练出满足细分场景的业务模型。 无论你是资深AI发者,还是AI初体验者,加入“百度大脑新品体验师计划” 分享改进建议、使用技巧/攻略或者有价值有意思的案,与我一起推动百度大脑进化,帮助他人一起成长,探索AI前沿应用。 我将评选出“最佳”的内容和发者,发布获奖公告、颁发百度大脑定制礼品、现金礼品卡等多重奖励! 【征集内容及要求】 产品改进建议或者您对百度大脑AI的新需求:描述清晰、字数不限 使用技巧 攻略:接入流程清晰具体、可读性可参考性强,不少于500字 有价值有意思的案:场景、应用价值确、合,不少于500字 【参与方式】 在百度AI社区“经验交流”版块发帖:http://ai.baidu.com/forum/topic/add?
思****来 2018-07-11
重磅:构建AIOps的MNIST
初始异常识别 在标注以外的时间,我通常不会持续关注一个指标的变化过程,这样,在标注过程中接收到的数据会远多于平时的观察,受到已标注数据潜移默化地影响,标注人员的判断标准会发生一定程度的偏移,影响标注准确性。针对这种问题,在数据初始化阶段我使用异常测算法对数据进行测,确定疑似异常区间,用高亮的方式提示给标注人员,这种标准一致的提醒可以在一定程度上减轻标注人员受到的影响。 同时,由于使用了较宽松的阈值,轻的异常也会被识别出来,这样,标注人员可以重点高亮区域,降低正常数据的消耗,提高标注速度。 异常区间对比 在不能确定一段数据是否异常时,我通常会和已标注为异常的数据进行对比,这种对比由于异常数据占比较小变得非常麻烦,需要先在比较大的尺度上找到异常区间,然后再放缩到与待标注区间相同的比尺才能进行对比。针对这种问题,我提供了异常区间跳转和异常概览两个功能,可以方便得跳转到上一个、下一个异常区间进行对比,也可以在标注束后把所有异常区间放在一起进行对比。
TOP