سرویس گیرنده رومیزی Dropbox Mac امنیت OS X را هک می کند تا به Dropbox امکان کنترل کامل کامپیوتر شما را بدهد. آنچه باید بدانید.

philastokes ، نوشتن برای applehelpwriter.com

اگر Dropbox را نصب کرده اید ، به تنظیمات Preferences System> Security & Privacy> Accessibility (نگاه کنید به تصویر بالا مراجعه کنید) ) به چیزی توجه کنید؟ تا به حال به این فکر کرده اید که چگونه آنجا وارد شده است؟ آیا فکر می کنید ممکن است خودتان بعد از اینکه Dropbox از شما اجازه می دهد کامپیوتر را کنترل کنید آن را در آنجا قرار داده اید؟ نه ، می توانم به شما اطمینان دهم که حافظه شما معیوب نیست. شما این کار را به خاطر ندارید زیرا Dropbox هرگز این گفتگو را به شما ارائه نداد ، همانطور که باید در واقع هیچ بهانه ای برای Dropbox وجود ندارد که بر امنیت و ترجیح کاربران ترجیح دهد.

در ماه مه سال جاری ، مادربرد داستانی تحت عنوان "Dropbox می خواهد دسترسی بیشتری به رایانه شما داشته باشد و مردم وحشت زده می شوند" داشت. این چیزی بود که مردم نگران امنیت باید نگران آن باشند. بنابراین یک یادآوری در تقویم من تنظیم کنید تا از این به روزرسانی از Dropbox مطلع شوید. خب همانطور که مشاهده خواهید کرد Dropbox بدون اطلاع کاربران و با هک امنیت داخلی OS به روز رسانی کرد.

من این توییت را در فید توییتر خود در تاریخ 9/9/2016 دیدم

< p> که من را به دو مقاله هدایت کرد که philastokes در applehelperwriter.com نوشت و کار Dropbox را نشان داد. شما می توانید هر دو مقاله را در اینجا بخوانید:

آشکارسازی هک کوچک امنیتی کثیف Dropbox

کشف نحوه هک Dropbox در مک شما

مطمئناً ، من به ترجیحات سیستم نگاهی انداختم > امنیت و حریم خصوصی> برگه قابلیت دسترسی و Dropbox خاموش شد تا Dropbox بتواند کنترل کامل Mac من را انجام دهد. من می دانم که من هرگز این اجازه را ندادم. mac که قبل از تحقیق در مورد Dropbox در مورد آن نمی دانستم. اما بیشتر از همه ، من آموختم که من اصلا به Dropbox اعتماد ندارم. امتیازات غیر ضروری و پشتیبان گیری چیزی است که من آن را رفتار غیرقابل اعتماد و نقض آشکار اعتماد کاربران می نامم. با موضع گیری اخیر اپل در برابر FBI و تعهد آنها در حفظ حریم خصوصی به طور کلی ، من فکر می کنم انتقال به iCloud و کنار گذاشتن Dropbox راه بسیار منطقی تری برای من است. برای کسانی از شما که با Dropbox گیر کرده اید اما نمی خواهید اجازه دسترسی به ویژگی های Accessibility را بدهید ، می توانید با دنبال کردن روش من در اینجا ، هک Dropbox را خنثی کنید.

من تمام اعتماد خود را به Dropbox از دست داده ام. من تمام داده های Dropbox خود را به iCloud منتقل کردم. چه خواهید کرد؟

آب سنج یکپارچه با دستیار خانگی با استفاده از دید کامپیوتر

چند سال پیش ، پس از نصب مانیتور انرژی Sense ، کیلین بیکار تصمیم گرفت که همین کار را برای مصرف آب خود نیز انجام دهد. با این حال ، این امر به خلاقیت بیشتری نیاز داشت ، زیرا نمی توانید چیزی را روی خط آب محکم کنید و برق بخوانید. به طور معمول آب سنجش از طریق وسیله نقلیه ای که در خیابان در حال عبور است به صورت بی سیم خوانده می شود. در حالی که به نظر می رسید این یک روش زیبا برای دستیابی به ردیابی استفاده بوده است ، پروتکل بسته شده است و بیشتر یک ارتباط دو طرفه است تا چیزی که می توان به صورت غیرفعال خوانده شود.

خوشبختانه مترها همچنین دارای یک صفحه نمایش بصری هستند ، به این معنی که از لحاظ تئوری می توان آن را خواند یک دوربین/دید رایانه ای ، که بیکار از آن در اینجا استفاده کرد. برای مرتب کردن همه چیز ، او یک صفحه نصب را چاپ کرد که دارای یک دوربین هوشمند باز VC0706 در بالای متر و همچنین نوارهای LED برای روشنایی است. این نوارها از اهمیت ویژه ای برخوردارند ، زیرا مصرف آب در LCD نمایش داده نمی شود مگر اینکه نور ببیند - احتمالاً صرفه جویی در مصرف برق به عنوان خواندن دستی یک رویداد بسیار نادر است.

پس از نوردهی مناسب ، تصویری از LCD گرفته شده و با وضوح 160x120 به Wemos ارسال می شود D1 Mini Lite برای پردازش. سپس اعداد تنظیم شده و با استفاده از MQTT به Home Assistant ارسال می شوند. اگر می خواهید چیزی مشابه را امتحان کنید ، کد ساخت در GitHub در دسترس است ، اگرچه فقط می توان تعجب کرد که وقتی در سالهای آینده چنین چیزی پیدا می شود ، فرد مفید فکر خواهد کرد!

جایزه تورینگ 2019 افتخار پیشگامان گرافیک کامپیوتری هانراهان و Catmull

انجمن ماشینهای محاسباتی (ACM) صبح امروز پاتریک ام. (پت) هانراهان و ادوین ای. (اد) کاتمول را به عنوان برندگان جایزه تورینگ 2019 خود اعلام کرد. بالاترین تمایز در علوم کامپیوتر به این دو نفر مربوط شد: "مشارکت اساسی در گرافیک کامپیوتری سه بعدی ، و تأثیر انقلابی این تکنیک ها بر تصاویر رایانه ای (CGI) در فیلمسازی و سایر برنامه ها."

"نباید بگذری!" اگر هنگام برخورد گاندالف با بالروگ در فیلم ارباب حلقه ها کف دست شما عرق می کند ؛ اگر Buzz Lightyear "تا بی نهایت ... و فراتر از آن!" در خاطرات کودکی شما طنین انداز است ؛ اگر سرعت گیر پارک ژوراسیک هنوز هم به شما لرز می زند ؛ سپس شما آن لحظات نمادین فانتزی را مدیون نوآوری های گرافیکی رایانه ای سه بعدی هنرهان و Catmull هستید که همچنان تکنیک های CGI مورد استفاده در صنعت فیلم را امروز آگاه می کند.

کاتمول دکترای خود را در رشته علوم کامپیوتر از دانشگاه یوتا در سال 1974 دریافت کرد. او رئیس جمهور سابق است از استودیوهای انیمیشن پیکسار و دیزنی. هانراهان ، یکی از کارکنان اولیه پیکسار ، دکترای خود را در زمینه بیوفیزیک از دانشگاه ویسکانسین مدیسون دریافت کرد و استاد آزمایشگاه گرافیک رایانه ای در دانشگاه استنفورد است. فیلم های سینمایی متحرک کامپیوتری با اولین فیلم بلند متحرک کامپیوتری جهان ، داستان اسباب بازی در سال 1995. گرافیک برای تصمیم گیری اینکه کدام قسمت های یک شی باید روی صفحه قابل مشاهده باشد. تکنیک مهم دیگری که وی معرفی کرد ، نگاشت بافت است که بافت های دو بعدی را در اطراف اشیاء سه بعدی می پیچد تا گرافیک تولید شده توسط کامپیوتر واقعی تر شود.

هانراهان در سال 1986 به پیکسار پیوست و معمار اصلی سیستم گرافیکی جدید این شرکت بود. در سال 1990 مقاله ای را معرفی کرد که تحقیقات RenderMan خود را در ACM SIGGRAPH معرفی می کرد. RenderMan رفتار بازتاب نور را از اشکال هندسی جدا می کند و رنگ ، شفافیت و بافت تصاویر ایجاد شده را محاسبه می کند و به فیلمسازان اجازه می دهد تا انیمیشن های واقعی را با جزئیات واضح به صحنه های واقعی تبدیل کنند.

سیستم RenderMan استاندارد شده است. گردش کار برای جلوه های بصری CGI و اولین نرم افزاری است که برنده جایزه اسکار شده است ، در بخش دستاوردهای علمی و فنی. RenderMan در 44 فیلم از 47 فیلم اخیر نامزد اسکار در جلوه های بصری استفاده شده است ، از جمله آواتار ، تایتانیک ، زیبایی و جانور ، سه گانه ارباب حلقه ها و پیش درآمد جنگ ستارگان و غیره. "

هانراهان در سال 1989 از پیکسار به دانشگاه رفت و در دانشگاه های پرینستون و استنفورد پست داشت. در دهه 1990 ، او و دانش آموزانش زبان های برنامه نویسی برای پردازنده های گرافیکی توسعه دادند که انقلابی در نوشتن بازی های ویدئویی ایجاد کرد و در نهایت منجر به CUDA NVIDIA شد. به صنعت کامپیوتر این جایزه معتبر به طور گسترده به "جایزه نوبل صنعت کامپیوتر" اشاره می کند و 1 میلیون دلار از طرف Google تقدیم می شود. این جایزه به نام ریاضیدان بریتانیایی آلن تورینگ نامگذاری شده است ، که کار او پایه و اساس علم کامپیوتر و هوش مصنوعی را ایجاد کرد.

ارائه جایزه تورینگ 2019 برای برنامه ریزی شده استضیافت سالانه جوایز ACM در 20 ژوئن در سان فرانسیسکو ، کالیفرنیا. هنوز هیچ بیانیه رسمی از سوی برگزارکنندگان در مورد این رویداد در مورد شیوع کووید -19 منتشر نشده است. با دسترسی به اطلاعات ، خوانندگان به روز می شوند.

روزنامه نگار: Fangyu Cai | ویرایشگر: مایکل سارازن

برای برجسته کردن مشارکت زنان در صنعت هوش مصنوعی ، Synced پروژه ویژه زنان در AI را در این ماه معرفی می کند و از محققان زن در این زمینه دعوت می کند تا کارهای تحقیقاتی اخیر خود و داستانهای پشت اندیشه. با کلیک کردن اینجا به گفتگوی ما بپیوندید.

فکر کردن به در Synced Review مشارکت می کنید؟ ستون جدید Synced Share My Research از محققان استقبال می کند تا پیشرفت های پژوهشی خود را با علاقه مندان به هوش مصنوعی جهانی به اشتراک بگذارند.

ما می دانیم که شما نمی خواهید هیچ داستانی را از دست بدهید. برای دریافت به روزرسانی های هفتگی AI ، مشترک هفته نامه محبوب Synced Global AI ما شوید.

آیا نیاز به مرور جامع گذشته ، حال و آینده توسعه تحقیقات مدرن هوش مصنوعی دارید؟ گزارش توسعه فناوری AI منتشر شد!

گزارش تطبیق پذیری هوش مصنوعی شرکت Fortune Global 500 2018 منتشر شد! یک گزارش فرمت Kindle در آمازون خریداری کنید. برای دریافت گزارش PDF کامل از Insight Partner برنامه درخواست کنید.

< /img>

Frieze London 2018 (قسمت 3): چشم انداز کامپیوتری

قسمت 3: تجزیه و تحلیل تصاویر 9k رسانه های اجتماعی با استفاده از بینایی رایانه

مقدمه

در این پست وبلاگ نهایی این سری ، از تکنیک های بینایی رایانه ای برای درک 9000 تصویر استفاده می کنم درباره نمایشگاه هنری فریز لندن ، که از 4 تا 7 اکتبر 2018 اتفاق افتاد.

فریز یک نمایشگاه بزرگ هنرهای معاصر است که هر ماه در اکتبر در وسط پارک رجنتز در لندن برگزار می شود و هزاران نفر را به خود جلب می کند. بیش از 150 گالری از 20+ کشور در یک نمایشگاه هنری انتفاعی شرکت می کنند. در طول دو سال گذشته ، فریز همچنین پیشگام نمایش مجسمه در پارک بوده است. در مورد نمایشگاه هدف این مقاله استفاده از تجزیه و تحلیل بینایی رایانه ای برای درک و زمینه سازی 9000 تصویر درباره Frieze London 2018 است.

لطفاً برای مشاهده تحلیل به پایین بروید!

داده ها و روش ها

هشتگ رسمی این رویداد #frieze بود. من 9000 پست حاوی این هشتگ را در زمان رویداد از طریق API توییتر و API Instagram جمع آوری کردم. قسمت 2 را بیشتر بخوانید.

سپس ، برچسب های هر تصویر با استفاده از Google Cloud’s Vision API استخراج شد. Cloud Vision API از "شبکه گسترده Google در زمینه یادگیری ماشین" (مقاله عالی سارا رابینسون) برای تشخیص ویژگی ها و برچسب ها در مورد تصاویر استفاده می کند. در مجموع ، 1045 برچسب مختلف به 3300 تصویر داده شد.

سپس تکنیک های یادگیری ماشین به نام استخراج ویژگی و جستجوی عکس معکوس با استفاده از کد ژن کوگان برای یافتن تصاویر بر اساس شباهت بصری انجام شد. ابتدا ، از یک شبکه عصبی حرکتی از پیش آموزش دیده برای استخراج "ویژگی ها" برای هر تصویر استفاده شد ، سپس شباهت کسینوس این ویژگیها به عنوان "جستجوی" تعداد انگشت شماری از تصاویر شبیه به یک پرس و جو محاسبه شد.

< p> نقش اصلی ویژگی ها در بینایی رایانه "تبدیل اطلاعات بصری به فضای بردار" است. تصاویر مشابه باید ویژگی های مشابهی را ایجاد کنند ، که می توانیم از آنها برای بازیابی اطلاعات استفاده کنیم. بر اساس این ویژگی ها ، ما همچنین می توانیم تصاویر را بر اساس شباهت با استفاده از روشی به نام t-SNE خوشه بندی کنیم. به در زیر ، سه معیار زیر را گزارش می کنم: تشخیص برچسب برای تصاویر ؛ جستجوی تصویر بر اساس شباهت بصری ؛ خوشه بندی تصاویر بر اساس شباهت بصری.

تشخیص برچسب

برچسب های هر عکس با استفاده از API استفاده از Google Cloud Vision ایجاد شده است. ایده پشت این دسته بندی تصاویر بود تا بتوانم تصاویر مشابه را شناسایی کنم. نمودار میله ای زیر 10 برچسب برتر برای 3300 تصویر را نشان می دهد.

ما می بینیم که "هنر" بیشترین برچسب را در فاصله ای طولانی نشان می دهد و با "مدرن" ، "نقاشی" و "آثار هنری" تکمیل می شود. اما دیدن "درخت" ، "چمن" و "آسمان" نیز جالب است زیرا نشان می دهد که بسیاری از تصاویر مربوط به پارک مجسمه بوده است (بعداً بیشتر در مورد آن خواهیم دید).

با این حال ، این برچسب ها به طور واضح خود آثار هنری را توصیف نمی کنند - من به درک زمینه ای کمی دقیق تر علاقه مند هستم - که نقص برخی از تکنیک های تشخیص برچسب API را برجسته می کند.

جستجوی تصویر - شباهت بصری

به جای استفاده از برچسب ها برای درک تصاویر ، می توانیم برنامه ریزی کنیمکامپیوتر برای یادگیری شباهت های بصری بین تصاویر. تکنیکی به نام استخراج ویژگی و جستجوی عکس معکوس دقیقاً این کار را انجام می دهد.

با استفاده از مدل شبکه عصبی Keras VGG16 که روی پشتیبان TensorFlow اجرا می شود ، ابتدا یک ویژگی برای هر تصویر در مجموعه داده استخراج کردم. یک ویژگی یک آرایه 4096 عنصری برای هر تصویر است. انتظارات ما این است که "این ویژگی بازنمایی بسیار خوبی از تصویر را ایجاد می کند به طوری که تصاویر مشابه دارای ویژگی مشابهی خواهند بود" (Gene Kogan، 2018).

ابعاد ویژگی با استفاده از تجزیه و تحلیل مولفه های اصلی کاهش یافت ( PCA) برای ایجاد جاسازی ، و سپس ، فاصله - فاصله کسینوس - جاسازی PCA یک تصویر به تصویر دیگر محاسبه شد. من سرانجام توانستم یک تصویر پرس و جو تصادفی به رایانه ارسال کنم و پنج تصویر دیگر را در مجموعه داده انتخاب کرد و برگرداند که دارای بردار ویژگی مشابه بودند.

چهار مثال در زیر آمده است:

ریچارد وودز ، 'Holiday Home' گالری آلن کریستا (سمت چپ) و کنراد شاوکراس ، 'هزارتوی اپتیک (ترتیب I)' ، ویکتوریا میرو (راست) در پارک مجسمه سازی دیوید شریگلی ، حواس پرتی (2018) و "آثار هنری من وحشتناک است و من شخص بسیار بدی هستم" ، گالری استفان فریدمن در Frieze London Art Fair 2018

این تکنیک هنگام تلاش برای یافتن تصاویر مشابه از یک آلبوم با تصاویر متعدد ، واقعاً مفید خواهد بود ، که در واقع همان کاری بود که من انجام می دادم!

تصویر خوشه بندی-شباهت

اکنون که برای هر تصویر در یک فضای بردار تعبیه شده ایم ، می توانیم از یک الگوریتم تجسم رایج یادگیری ماشین به نام t-SNE برای خوشه بندی استفاده کرده و سپس آن فضای بردار را در دو بعد تجسم کنیم.

"هدف tSNE این است که" محله های "کوچکی از نقاط مشابه را جمع آوری کرده و در عین حال ابعاد کلی داده ها را کاهش دهد تا به آسانی تجسم شود" (Google AI Blog، 2018)

در زیر ما خوشه هایی را مشاهده می کنیم که بر اساس شباهت بصری تشکیل شده اند.

در تصویر زیر ، برخی از آثار هنری نمایشگاه را برجسته می کنم - حواس پرتی های دیوید شریگلی ، شمن اثر تاتیانا تروو و مجسمه های مختلف از پارک مجسمه سازی فریز - و نمای خوشه ای آنها.

< img src = "https://cdn-images-1.medium.com/max/426/1*[e-mail]"> خوشه بندی تصاویر آثار هنری در Frieze London 2018. منبع: اینستاگرام ، توییتر ، Flickr

Conc lusion

پس این را دارید! من واقعاً انگشتان پای خود را در دنیای شگفت انگیز بینایی رایانه فرو برده ام. هنوز چیزهای زیادی وجود دارد که باید یاد بگیرم ، اما این اولین گام بزرگ برای من بود.

یافته های من نشان داد که می توان از تکنیک های یادگیری ماشین و بینایی رایانه برای درک و زمینه سازی تصاویر درباره نمایشگاه هوایی Frieze استفاده کرد. .

یک قدم آشکار بعدی برای من این است که تعداد دفعات نصب هنری در مجموعه داده ها را برای اندازه گیری "محبوبیت" شمارش کنم. من با این مجموعه داده بازی خود را ادامه می دهم.

پایان

این پایان مجموعه وبلاگ من در Frieze London 2018 است! این مجموعه بخشی از بحث طولانی تری است که من در مورد استفاده از علم داده برای درک و اندازه گیری تأثیر فرهنگ در شهرها انجام می دهم.

امسال ، من پروژه های جدیدی را ادامه خواهم داد با جاوا اسکریپت کار کنید با ما همراه باشید!

با تشکر از خواندن شما!

ویشال

ویشال دانشمند و دانشمند اطلاعات فرهنگی در Bartlett در UCL درلندن او به تأثیر اقتصادی و اجتماعی فرهنگ در شهرها علاقه مند است.

پسر 13 ساله ام فقط یک کامپیوتر ساخت

آیا او می تواند بیل گیتس بعدی باشد؟

عکس توسط رابین گلاوزر در Unsplash

وای پسرم. تحت تأثیر قرار گرفته ام واقعاً این کار را کردید. وقتی برای اولین بار دکمه را فشار دادید و دیدیم همه طرفداران شروع به چرخیدن می کنند و LED ها روشن می شوند ، من با خوشحالی فریاد زدم. تمام اجزای مختلفی که در داخل کامپیوتر کنار هم قرار دادید ، در واقع کار کردند و من بسیار افتخار کردم. بدیهی است که شما برای عظمت ، مانند wunderkinds کامپیوتر ...

مقدر شده اید