查看“WikiEdge:ArXiv速递/2025-03-16”的源代码

== 摘要 ==
* '''原文标题'''：A quantitative analysis of Galilei's observations of Jupiter satellites from the Sidereus Nuncius
* '''中文标题'''：对《星际信使》中伽利略观测木星卫星的定量分析
* '''发布日期'''：2025-03-16 15:24:46+00:00
* '''作者'''：Andrea Longhin
* '''分类'''：physics.hist-ph, astro-ph.EP
*'''原文链接'''：http://arxiv.org/abs/2503.12543v1
'''中文摘要'''：我们分析了《[[星际信使]]》（1610年1月7日至3月1日）中关于[[木星卫星]]的观测数据，并将其与使用现代[[天空模拟器]]获得的预测结果逐一进行对比验证。通过对64幅可用草图的数据进行[[正弦拟合]]，我们能够以2-4%和0.1-0.3%的统计精度分别测量卫星轨道的相对[[半长轴]]及其[[周期]]。周期基本无偏差，而[[卡利斯托]]的轨道则被低估了约12%。后验拟合误差表明，卫星位置的确定分辨率在[[伽利略]]的表示法中为0.4-0.6个[[木星直径]]，相当于约40-70[[角秒]]，即与当时木星的真实[[角直径]]相似。我们展示了如何通过这些数据以令人信服的方式推断出[[木星系统]]的[[开普勒第三定律]]。[[木卫一]]与[[木卫二]]/[[木卫三]]之间的1:2和1:4[[轨道共振]]可以以%的精度确定。为了获得这些结果，分离四个数据集非常重要。这一操作如今使用天空模拟器非常简单，并在本工作中完整记录，但对伽利略来说却是一项极其困难的任务，正如分析所表明的那样。尽管如此，我们展示了如何利用现代[[Lomb-Scargle技术]]提取四个周期，而无需分离四个数据集，仅使用这些早期观测数据即可。我们还对[[昴星团]]及其他[[星团]]以及[[月球]]的观测精度进行了批判性评估。

== 摘要 ==
* '''原文标题'''：Deepfake Detection with Optimized Hybrid Model: EAR Biometric Descriptor via Improved RCNN
* '''中文标题'''：基于优化混合模型的深度伪造检测：通过改进的RCNN生成耳部生物特征描述符
* '''发布日期'''：2025-03-16 07:01:29+00:00
* '''作者'''：Ruchika Sharma, Rudresh Dwivedi
* '''分类'''：cs.CV, cs.MM
*'''原文链接'''：http://arxiv.org/abs/2503.12381v1
'''中文摘要'''：[[深度伪造]]是一种近年来广泛使用的技术，通过修改和替换来自不同来源的面部信息，用于创建有害内容，如[[假新闻]]、[[电影]]和[[谣言]]。鉴于[[深度伪造]]的持续演变，对其进行持续识别和预防的研究至关重要。由于[[人工智能]]（[[AI]]）领域的最新技术进步，区分[[深度伪造]]和人工修改的图像变得具有挑战性。本文提出了一种通过检测细微的耳朵运动和形状变化来生成耳朵描述符的鲁棒检测方法。此外，我们还提出了一种新颖的优化混合[[深度伪造检测]]模型，该模型通过增强的[[RCNN]]（基于区域的[[卷积神经网络]]）考虑耳朵生物特征描述符。首先，输入视频被转换为帧，并通过调整大小、归一化、灰度转换和滤波过程进行预处理，随后使用[[Viola-Jones]]技术进行面部检测。接下来，利用由[[DBN]]（[[深度信念网络]]）和[[Bi-GRU]]（[[双向门控循环单元]]）组成的混合模型，基于耳朵描述符进行[[深度伪造检测]]。检测阶段的输出通过改进的分数级融合确定。为了提升性能，使用[[SU-JFO]]（[[自升级水母优化方法]]）对两个检测模型的权重进行优化调整。实验基于四种场景进行：[[压缩]]、[[噪声]]、[[旋转]]、[[姿态]]和[[光照]]，并在三个不同的数据集上进行。性能结果表明，我们提出的方法在[[准确性]]、[[特异性]]和[[精确度]]等各种性能指标上优于传统模型，如[[CNN]]（[[卷积神经网络]]）、[[SqueezeNet]]、[[LeNet]]、[[LinkNet]]、[[LSTM]]（[[长短期记忆]]）、[[DFP]]（[[深度伪造预测器]]）[1]和[[ResNext]]+[[CNN]]+[[LSTM]] [2]。