利益损失

摘要： 案件回放2021年4月9日,“人脸识别第一案”在浙江省杭州市中级人民法院迎来二审判决。从判决结果来看,维持了一审对郭兵合同利益损失的认定和赔偿金额的确定,以及要求杭州野生动物世界删除当初所采集拍摄的面部照片。同时,增判了一项,要求杭州野生动物世界删除当时采集的郭兵的指纹识别信息。郭兵的其他诉讼请求被驳回。

摘要： 救助政策之间相互叠加和衔接不畅引发了福利悬崖。福利悬崖可以被看作贫困家庭利益损失的一种极端情况。文章在分析北京、上海、南京、成都四个城市多项救助政策文本的基础上,对不同家庭类型和政策组合下的利益损失进行研究。结果表明,家庭类型决定救助需求,且匹配不同的救助政策。救助政策类型和受助额度分别影响利益损失的变化方向和幅度。根据救助政策之间准入资格和退出资格的关联,可识别出衔接型、叠加型和并列型三种政策类型。衔接型救助政策缩小利益损失,叠加型救助政策放大利益损失,并列型救助政策在多个救助政策退出资格相近时放大利益损失。我国救助政策在实践中采取扩大准入资格,缩小退出资格和使用自由裁量权三种策略抑制较高的利益损失。

摘要： 五是从传统社会主义对经济贫困的关注,发展到生态社会主义对生态贫困的关注。经济贫困与生态贫困的对比,在詹姆斯·奥康纳的对照表里,出现了两次,第一次谈国际比较,第二次谈国内比较。但原理是一样的。经济贫困容易理解,就是以货币衡量的贫困。而生态贫困,则更多指货币标准以外的贫困,包括机会不平等、文化与精神的贫困、社会资本的缺失,乃至自然生态中的利益损失等等。

摘要： “判决杭州野生动物世界删除原告郭兵相关面部信息,并赔偿郭兵合同利益损失及交通费共计1038元……”2020年11月20日,随着浙江省杭州市富阳区人民法院的一审宣判,郭兵的朋友们发来“祝贺胜诉”的短信,但他却对这起被媒体称为“中国人脸识别第一案”的一审判决结果不服,已经向杭州市中级人民法院提起上诉。

摘要： 2020年11月20日,国内第一起人脸识别商业化应用民事纠纷在杭州富阳区人民法院公开开庭宣判,原告浙江理工大学特聘副教授郭兵胜诉。法院判决被告杭州野生动物世界赔偿郭兵合同利益损失及交通费共计1038元,删除郭兵办理指纹年卡时提交的包括照片在内的面部特征信息。案子胜诉了,但郭兵表示不服。2019年10月,杭州野生动物世界强制将年卡用户的入园方式由指纹验证改为人脸识别,郭兵反对无效,也无法退卡,于是将杭州野生动物世界告上法庭。

摘要： 非常巧合,在前段时间,与“人脸”相关的技术频登热搜,“成功出圈”。先是2010年11月20日,备受关注的“中国人脸识别第一案”正式宣判,人脸信息收集方败诉。该案的起因是,2019年10月,杭州--家名为“动物世界”的动物园(以下简称"动物世界")将年卡顾客的入园方式从指纹识别改成了人脸识别,一位对此不满的市民随后对“动物世界”发起了诉讼。杭州富阳法院在一审中,判决“动物世界”对人脸信息的收集不具正当性,要求其删除顾客面部特征信息,并赔偿顾客合同利益损失及交通费1038元。

摘要： 真正威胁到个人信息安全的,是对于人脸信息的滥用。人脸识别技术的本质是存储人类面部信息,从而进行精准有效的身份验证,新技术的使用能提高整个社会运行的效率。近日,备受关注的"人脸识别第一案"一审公开宣判——杭州市民郭兵诉杭州野生动物世界一案中,法院判决杭州野生动物世界赔偿郭兵合同利益损失及交通费,删除其办理指纹年卡时提交的包括照片在内的面部特征信息。

摘要： 澳大利亚南澳大利亚州阿德莱德山的苹果和梨种植户反对禁止该地区发展转基因作物的主张,认为将来使用转基因品种的权利将帮助其增强竞争力。今年5月,南澳大利亚州议会通过了一项立法,取消了该州长达16年的转基因作物禁令,如果议会与当地社区进行磋商并出现经济利益损失,则议会有6个月的时间申请免除。

摘要： 随着我国法律法规的不断完善,我国在不断健全侵权法的同时,也给我们的生活带来了实际的帮助.根据我们的损伤程度来说,当我们的利益损失严重时,原告不需要举例证明自己所受的损害力度.如果我们自身所得利益的损失程度超过固有的预定值时,这就需要法官进行深一步的确认,明确事情发生的准确标准.因为我们所得的利益损失有着难以预料的未知性,当法官认定事实的损失程度与现实发生的规律可能有不同时,这就需要做出合理的确定性.

摘要： 2019年的世界是喧嚣的。喧嚣起源于太平洋彼岸,一位非常特别的美国总统,四处挥舞着关税大棒,让全球市场上几乎没有一个安静的角落。中国在其中承受着最大的压力。贸易双赢,贸易战则双输,所以在此过程中,除了无形的压力,也必然会带来有形的利益损失。然而中国也不是没有收获。

摘要： 本发明公开了一种减少窑筒体表面热损失和无窑头余风热焓损失的水泥生产系统，该系统去除了窑头烟囱，还包括连接窑头引风机和篦冷机冷却风机的窑头余风循环单元、和设置在回转窑筒体上的筒体余热回收装置；窑头余风循环单元由窑头余风循环管道、风量分配器和若干个出风管道组成，窑头余风循环管道一端与窑头引风机出风口连接，窑头余风循环管道另一端与风量分配器进风口连接，风量分配器出风口与对应出风管道一端连接，出风管道另一端连接对应篦冷机中部风室下方冷却风机，将窑头余风送入篦冷机中部风室；筒体余热回收装置进水口与冷水水箱相连，出水口与AQC炉相连。本发明达到窑头余风热焓全部利用，同时减少窑筒体表面热损失，提高了全系统热效率。

摘要： 一种方法包括获得(504)与工业过程控制器(106)的操作相关联的数据并且识别(506)工业过程控制器的操作问题的影响。该方法还包括为用户生成(510)图形显示(400)，其中该图形显示呈现一个或多个推荐动作以减少或消除至少一个该操作问题的至少一个该影响。该方法还包括基于来自该用户的输入来触发(512)该一个或多个推荐动作中的至少一个。该方法还可包括执行一个或多个分析算法(314)以处理所获得的数据并且识别该工业过程控制器的该操作问题。可将该一个或多个分析算法中的每一个实例化为容器(318)，并且可根据需要实例化和执行多个容器。可将执行该一个或多个分析算法的结果转换(608)为标准格式。

摘要： 劳动生产率损失成本计算系统包括：就业信息存储部(21)，存储关于每个从业者的就业信息的数据；健康诊断结果存储部(22)，存储关于每个从业者的健康诊断的数据；压力检查结果存储部(23)，存储关于每个从业者的压力检查的数据；设定数据存储部(300)，存储设定数据；劳动生产率损失成本计算部(40)，根据就业信息存储部(21)存储的项目数据、健康诊断结果存储部(22)存储的项目数据以及压力检查结果存储部(23)存储的项目数据计算劳动生产率损失成本；以及输出部(50)，将已计算出的劳动生产率损失成本输出。

摘要： 压力损失决定装置(1)具有路径跟踪部(30)、配管信息管理部(50)和损失决定部(40)。路径跟踪部(30)从三维建筑物信息中提取应该配置配管的平面，对平面进行网格分割而分割成多个单元，设定作为配管的始点的始点单元和作为终点的终点单元。配管信息管理部(50)存储有表示流体在单元之间的压力损失值的损失信息(51)。损失决定部(40)检索通过从始点单元到终点单元的单元的连接而形成的多个配管路径，针对多个配管路径的各配管路径，使用损失信息(51)决定从始点单元到终点单元的压力损失值。

摘要： 本发明提供了一种损失分布计算系统，包括：频率分布/规模分布输入部分，用于输入关于频率分布和规模分布的信息；规模分布离散化部分，用于执行针对输入规模分布的上部离散化和下部离散化之一或者两者；子复合分布计算部分，用于在执行对所有事件的划分之后计算针对所有事件之外的部分的损失的累积和的概率值，以便计算上部子复合分布和下部子复合分布之一或者两者，上部子复合分布基于频率分布和上部离散规模分布进行计算，并且下部子复合分布基于频率分布和下部离散规模分布进行计算；精确度计算部分，用于基于上部子复合分布和下部子复合分布之一或者两者计算损失分布函数的上限和下限，基于上部子复合分布和下部子复合分布之一或者两者计算函数作为损失分布函数的近似值，并且计算近似值的精确度；以及损失分布输出部分，用于输出关于具有由关于所计算的精确度的信息表示的保证的精确度的损失分布函数的近似值的信息。

摘要： 本文讨论了用于训练机器学习(ML)模型以基于图像数据确定深度数据的技术。训练可以使用立体图像数据和深度数据(例如，激光雷达数据)。可以将第一图像(例如，左图像)输入到ML模型，该模型可输出预测的视差和/或深度数据。预测的视差数据可与第二图像数据(例如，右图像)一起使用以重建第一图像。第一图像和重建图像之间的差异可用于确定损失。损失可能包括像素、平滑、结构相似性和/或一致性损失。此外，可以确定深度数据和预测深度数据之间的差异和/或预测视差数据和预测深度数据之间的差异，并且可以基于各种损失来训练ML模型。因此，这些技术可以使用自我监督训练和监督训练来训练ML模型。

摘要： 本发明公开了一种基于边缘损失和风格损失的图像卡通化方法、装置、计算机设备及存储介质，其包括：将原始图像输入预设神经网络模型进行训练以获得卡通图像；计算第一训练模型、卡通图像和预设卡通图像的边缘损失值和风格损失值；根据边缘损失值和风格损失值调整预设神经网络模型的参数，并重新对原始图像进行训练以再次获得卡通图像；返回步骤二，并判断当前边缘损失值与上一次边缘损失值之间的第一差值是否在第一预设范围内以及判断当前风格损失值与上一次风格损失值之间的第二差值是否在第二预设范围内；若第一差值在第一预设范围内且第二差值在第二预设范围内，输出卡通图像。本发明可以在保证原图内容信息不丢失的前提下，提高卡通化程度。

摘要： 本发明公开了一种基于深度学习与损失权重分析的涡轮叶片损失模型构建方法，所述方法为了探究如何对现有涡轮叶型损失模模型修正，首先需对叶型损失中的各项损失进行拆分，并与现有模型的预测大小进行对比，分析得到需要修正的系数与项和需要添加的修正项，进而形成具有修正形式的损失预测模型。并通过对比具有不同叶型参数的涡轮叶型损失，找到需要考虑的叶型参数变量。利用人工神经网络模型建立需要考虑的叶型参数变量与需要修正的系数(或项和需要添加的修正项)之间的函数关系，并带入具有修正形式的损失预测模型，进而构建涡轮叶型损失预测模型。该方法能够准确预测具有较大攻角工作范围的涡轮叶型损失。

摘要： 本发明涉及图像深度学习领域，且公开了一种兼顾L2损失与L0损失的对抗攻击方法，包括以下步骤：第一步：首先使用Sign‑OPT攻击产生初始对抗噪声方向θ0和距离λ0；第二步：计算噪声维度不重要度矩阵β；第三步：使用二分搜索寻找一个阈值t，使得将β中高于t的值置0，低于t的值置1后，依然满足f(x0+λ0θ0·β)！＝y0，其中x0表示原始图像，y0表示神经网络对x0的正确分类类别，对初始对抗噪声方向θ0进行维度优化得到最终噪声方向θ'＝β·θ0。该种兼顾L2损失与L0损失的对抗攻击方法，与现有技术比较，不需要重复多次输入多个模型通路，节省了计算资源，受攻击的像素少。

摘要： 在本说明书的一实施例中，可以提供一种对灾害损失区域的损失规模进行评估的服务器的工作方法。此时，服务器的工作方法可以包括：获取至少一个以上的第一灾害图像的步骤；从至少一个以上的第一灾害图像分别推导出损失区域，并以所推导出的损失区域为基础通过贴标获取损失区域相关信息的步骤；以及，使用至少一个以上的第一灾害图像以及损失区域相关信息学习第一学习模型的步骤。