公共服务身份的未来:区块链

区块链将改变现有的身份管理模式,使公民拥有个人数据的所有权,并使身份管理变得高效便捷。

2017年11月,英国智库Reform发布了由完成的埃森哲(Accenture)研究报告《公共服务身份的未来:区块链》,探讨了区块链技术在未来公共服务的交付中所扮演的角色,展示了区块链技术如何被用于身份管理。

报告认为,政府当前的身份管理模式既低效又不方便。政府部门对公民身份持有不同的、重叠的、有时甚至是矛盾的版本,没有适当的系统来确保某一版本的真实性(即公民身份的统一版本)。在试图获取公共服务时,公民往往会重复他们与政府部门共享的信息,比如他们的地址和国家保险号码,尽管这些信息可能已经获悉了。

区块链技术在帮助提供一个更好的系统来克服这些问题上具备潜力,能够转变身份管理模式。区块链是一个分布式的点对点数据库。它可以被看作是一个互相通信的计算机网络(因此是点对点的)。所有区块链网络的成员都可以通过共享账簿访问数据,确保某一版本的真实性。由于数据对区块链的成员(比如政府部门)来说是可见的,公民不需要只是为了验证他们的身份而重复输入相同的信息来获取公共服务。区块链的分布式特性也会增加数据的安全性,因为当前使用的集中式数据存储系统更容易受到黑客攻击。

由区块链技术驱动的身份管理模式也会将个人数据的所有权从政府转移到个人。这意味着要从政府部门持有不同版本的个人数据模式转变到用户存储的身份模式。与今天的模式不同,个人可以访问他们的个人信息,并且能够授权谁能看到它,以及以什么形式看到它。

尽管区块链的技术细节相当复杂,但报告显示了拟议的身份管理模式对于公民来说有多简单。在缴纳税款、申请福利或通过边境时,个人可以通过智能手机上的应用程序访问和验证他们的身份,这将通过生物识别技术获得保障。

区块链技术有可能改变未来的身份管理模式。通过采用这项技术,英国政府将确保它是一个面向未来的数字化国家。

该报告的其他关键包括:

(1)区块链技术尚未在公共服务领域发挥其潜力,尤其是在身份管理方面。

(2)该报告提出了一个由区块链驱动的新的身份管理模式。区块链可以创建一个安全的公共服务身份,并极大地改善验证身份以获取公共服务的体验。与今天相比,当一个人拥有多个身份证件时,这个新模式将使一个人能够将他们的全部身份放在一个地方——他们的智能手机。

(3)公民通过一个身份应用程序证明自己的身份,只需轻轻滑动手指,就能够同意政府分享他们的数据,例如在卫生服务方面。

(4)政府将把区块链网络的规则编入智能合同。智能合同不仅能确保政府部门遵守数据保护,还能让政府数据库准确、及时地更新。

(5)这个新的身份管理模式将改变公民与政府之间的关系,即公民将成为他们身份的控制者而政府则是验证者。

  • 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
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