摘要：传统网络环境中的身份认证方案是按照自身环境的特点进行设计,难以满足元宇宙环境中的设计需求。为解决元宇宙环境中的身份认证问题,对元宇宙的特征、属性、应用场景特点和面临的主要攻击威胁进行了研究;对元宇宙中的用户、化身、平台、可穿戴设备以及通信相关的身份隐私和安全风险进行了讨论;梳理元宇宙环境下与身份认证相关的工作,并将其归纳为用户与化身、用户与平台服务器、用户与可穿戴设备的认证。最后,讨论了元宇宙环境下身份认证机制的研究方向。

摘要：针对因拍摄的行人图像模糊、遮挡、姿势、视角、颜色、风格和亮度不同等不良因素的影响,行人重识别任务难以提取具有判别力的特征,设计了一种基于IBN-Net和双池通道注意力模块的新颖网络IBNC-Net。以IBN-Net50-a作为骨干网络学习不因图像风格、颜色和亮度等外观变化而变化的特征;在不同的网络层嵌入双池通道注意力模块DPCAM,抑制无关特征,增强具有判别力的特征;引入广义平均池化GeM,通过模型训练自动调整池化尺度。为了验证提出的IBNC-Net方法的有效性,在三个流行的数据集上进行实验,包括Market1501、DukeMTMC-ReID和CUHK03。IBNC-Net模型的Rank-1分别达到了95.6%、91.2%和80.5%,mAP分别达到了89.1%、80.3%和79.4%,实验结果表明,所提方法能够有效提高行人重识别模型的性能。

摘要：针对现有人群定位方法采用伪边界框或预先设计的定位图,需要复杂的预处理和后处理来获得头部位置的问题,提出一种基于弱监督的端到端人群定位网络LocalFormer。在特征提取阶段,将纯Transformer作为骨干网络,并对每个阶段的特征执行全局最大池化操作,提取更加丰富的人头细节信息。在编码器-解码器阶段,将聚合特征嵌入位置信息作为编码器的输入,且每个解码器层采用一组可训练嵌入作为查询,并将编码器最后一层的视觉特征作为键和值,解码后的特征用于预测置信度得分。通过二值化模块自适应优化阈值学习器,从而精确地二值化置信度图。在不同数据环境下对三个数据集进行实验,结果表明该方法实现了最佳定位性能。

摘要：通过对知网上252篇有关新工科的典型教育研究文献进行实体关系人工标注,建立了高等教育领域新工科视角下实验数据集NEDS(New Engineering Data Set),设计了一种层叠指针网络模型。实验结果表明,在高等教育领域NEDS上该模型表现突出,其精确率、召回率和F1值分别达到了83.56、76.25和79.74,很好地解决了关系重叠问题。