首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    用于隐私和所有者保管的数字货币架构(CS)

    我们提出了一种数字货币方法,该方法将允许没有银行业务关系的人进行电子和私人交易,包括互联网交易和无现金交易的销售点交易。我们的提案引入了由政府支持的私有数字货币基础架构,以确保每笔交易都由银行或货币服务公司进行注册,并且依赖于由非隐私钱包提供的隐私增强技术(例如零知识证明)确保不披露交易对手。我们还提出了一种数字货币方法,该方法将使系统风险的清算,结算和管理更加有效和透明。我们认为我们的系统可以保留现金的重要特征,包括隐私,所有者保管,可替代性和可及性,同时还保留了部分储备银行和现有的两层银行系统。我们还表明,有可能引入涉及非托管钱包的数字货币交易监管,同时仍然允许非托管钱包保护最终用户的隐私。

    02

    【目标检测】开源 | CVPR2020 | F3Net在5个基准数据集上的6个评估指标上的性能SOTA

    目前大部分的显著性目标检测模型是通过对卷积神经网络中提取的多级特征进行聚类来实现的。然而,由于不同卷积层的接受域不同,这些层产生的特征存在较大差异。常见的特征融合策略(加法或拼接)忽略了这些差异,可能导致次优解。为了解决上述问题,本文提出了F3Net,它主要由交叉特征模块(cross featuremodule, CFM)和通过最小化新像素位置感知损失(PPA)训练的级联反馈解码器(CFD)组成。具体地来说,CFM旨在有选择地聚合多级特性。与加法和拼接不同,CFM能够自适应地在融合前从输入特征中选择互补成分,有效地避免了引入过多的冗余信息而破坏原有特征。CFD采用多级反馈机制,对前一层的输出引入不受监督的特征,对其进行补充,消除特征之间的差异。在生成最终的显著性映射之前,这些细化的特性将经过多次类似的迭代。此外,与binary cross entropy不同的是,PPA loss对像素的处理并不平均,它可以综合像素的局部结构信息,进而引导网络更加关注局部细节。来自边界或易出错部分的硬像素将得到更多的关注,从而强调其重要性。F3Net能够准确地分割出突出的目标区域,并提供清晰的局部细节。在5个基准数据集上进行的综合实验表明,F3Net在6个评估指标上的性能优于最先进的方法。

    04
    领券