全球最大在线盗版影视网站关闭

因公众号更改推送规则,请点“在看”并加“星标”第一时间获取精彩技术分享

点击关注#互联网架构师公众号,领取架构师全套资料 都在这里c9518d65309a3f6aee6a6393e10c8582.png

0、2T架构师学习资料干货分

上一篇:2T架构师学习资料干货分享

大家好,我是互联网架构师!

近年,多个受网友欢迎的、被用来下载免费影音、观看电影电视剧和动漫的热门盗版网站突然纷纷宣布关闭,并且其中部分网站所有者态度大转变,开始鼓励用户为内容付费。

2023年6月1日,全球最有影响力的免费下载网站之一“RARBG”宣布,无限期关闭网站。

6d4cc50815f3f651d4d68c4784108f7f.png

该网站已成立15年,在这里可以找到大量的免费影音文件、软件、游戏和电子书,且完全不设门槛。RARBG 以其高质量的资源和干净清爽的页面设计而享有极高的声誉,流量一直位于同类网站的前列,也养活了国内一大部分资源站和字幕组。

在关停通知中提到了促使网站关停的原因,包括疫情、战争、成本等问题。虽然没有提及版权方等的外部打压,但就在网站宣布关停的前一天,保加利亚索菲亚市法院刚刚宣布了一份判决,要求保加利亚的三个网络业务提供商禁止提供对“海盗湾”、Zamunda这两个BT种子网站的访问,而这个案子,正是国际唱片业协会等联合提起诉讼的。

在外界看来,RARBG大本营在保加利亚,可能是出于外部压力,在随时遭遇关停的情况下,网站选择“自行了断”。

2024年7月5日,动漫流媒体网站“Animeflix”在没有事先通知的情况下突然宣布下线。

5048cab41d315f51663727fd0fbf2590.png

这是访问量最大的动漫盗版网站之一,数据显示,仅5月份,其用户访问次数就超过 1300 万次。该网站还建立了一个由3.5万人组成的活跃社区,提供免费在线流媒体服务。

网站管理员并未透露突然关闭的原因,仅表示是在“深思熟虑”之后的决定。

而此前有报道称,该网站在关闭前几个月一直面临巨大的法律压力,猜测这是网站关闭的一个重要因素。

不仅如此,据媒体报道,包括 Fmovies、Fboxz.to、Aniwave.to、Anix.to、AnimeSuge 和 Zoroxtv 在内的知名盗版网站近期已陆续关闭。

其中,数据显示,Fmovies 每年拥有超过 10 亿访问量,该网站提供各类电影和电视节目的在线免费观看以及高清资源下载,集合了最新上映的大片、经典影片以及热门电视剧集。

ceddf9c4efab5c25779d93c733d7ded9.png

值得一提的是,上述多数关闭的网站都鼓励用户为正版付费,通过合法途径观看内容,而这些网站此前一直以免费提供付费内容而闻名。

232f1833b0b870da92b274ab81398463.jpeg

译为:如果可能,请使用合法的付费服务,这是我们应该做的事情,以表示我们对创作者和内容制作者的尊重。

关于此次大规模关停背后的原因,很难不怀疑和版权方的施压有关,国际上针对盗版行为的打击行动正在持续升级。据TorrentFreak报道,美国电影协会创立的反盗版联盟(以下简称:ACE)等组织可能扮演了关键角色。

ACE 成立于2017年,目前已有Netflix 、亚马逊、迪士尼、环球、索尼、华纳兄弟、BBC等数十家电影和内容工作室加入。

b3130d002837433c800e49b8ad795301.jpeg

自成立以来,ACE 已经针对非法流媒体服务和未经授权的内容来源 " 取得了许多成功的全球执法行动 ",此次甚至还直接参与到与盗版高发地区的交涉中,力求从源头上打击盗版传播。

关停,可能是这类网站躲不开的结局,因为自诞生之日起,这些网站就游走在道德和法律的灰色地带,也一直活在被剿灭的阴影里。很多网站从崭露头角、红极一时,到突然关停,跌落只在一瞬间。

而今,随着正版意识的增强,以及各国政府和企业对盗版打击力度的增加,盗版渠道走向没落也是情理之中。

当然,盗版网站可不是无辜的,将付费的资源变成免费提供给广大用户,不仅是对创作者心血的漠视,严重打击创作者积极性,更是对知识产权法律的公然挑战。

不过部分国家规定,版权人身权利的保护期仅为作者有生之年,作者去世后,保护期届满,版权失效,作品进入公有领域,任何人得自由使用之。比如,今年1月,1928 年《威利号汽船》(Steamboat Willie)的黑白船长特定版本进入公共领域,意味着任何人可以不用担心收到任何版权索赔的情况下,自由使用这些内容,此后黑白版米老鼠角色可以改编成图像小说或电影等。

806a73230f9d8763820ffac6817983fb.jpeg

然而,有从事版权、专利方面等研究的专家指出,一些作为版权持有者的大企业一直在过度保护他们的内容,希望延长手中作品的保护期限。该专家认为,这种版权扩张主义,在不合理的程序上限制了公众获取知识、使用版权材料的权利。

可以断定的是,前述网站不会是最后几家倒下的免费分享网站,毕竟互联网共享精神的核心是“人”,是那群喜欢分享的“老司机”,而不是特定的某个网站,所以注定还会出现更多可替代的网站或资源分享的方式,在大环境收紧的当下,或许分享的方式会比之前更隐蔽。

—  —

如喜欢本文,请点击右上角,把文章分享到朋友圈

1、2T架构师学习资料干货分享

2、10000+TB 资源,阿里云盘,牛逼!!

3、基本涵盖了Spring所有核心知识点总结

  · END ·

最后,关注公众号互联网架构师,在后台回复:2T,可以获取我整理的 Java 系列面试题和答案,非常齐全。

如果这篇文章对您有所帮助,或者有所启发的话,帮忙扫描上方二维码关注一下,您的支持是我坚持写作最大的动力。

求一键三连点赞、转发、在看

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值