中国最大字幕组“人人影视”凉了!警方通报:因盗版视频14人被抓

Python实战社群

Java实战社群

长按识别下方二维码,按需求添加

扫码关注添加客服

进Python社群▲

扫码关注添加客服

进Java社群

本文转载自公号:扩展迷EXTFANS

2月3日,上海市公安局召开新闻发布会,主要通报了“除隐患铸平安”专项行动中,近期侦破的2起案件。

据“警民直通车上海”微信公众号消息,1月1日至今,上海市公安机关累计破获侵权假冒类案件110余起,涉案金额4亿余元,保护了160余个中外品牌的合法权益。

破获案件中,“人人影视字幕组”网站引起了网络热议,其涉案金额1600余万元。

通报提到,2020年9月,上海警方在工作中发现,有人通过“人人影视字幕组”网站和客户端提供疑似侵权影视作品的在线观看和离线下载。

经与相关著作权权利人联系,上述影视作品未取得著作权权利人的授权或许可。

对此,上海市公安局经侦总队会同虹口公安分局开展侦查。

以涉案网站和客户端所留会员付款、周边产品销售付款两个二维码作为突破口,警方锁定了位于山东的梁某、丛某,以及位于湖北的王某,并很快摸清了整个犯罪团伙的组织架构。

经查,自2018年起,犯罪嫌疑人梁某等人先后成立多家公司,在境内外分散架设、租用服务器,开发、运行、维护“人人影视字幕组”APP及相关网站。

在未经著作权人授权的情况下,通过境外盗版论坛网站下载获取片源,以约400元/部(集)的报酬雇人翻译、压片后,上传至APP服务器向公众传播,通过收取网站会员费、广告费和出售刻录侵权影视作品移动硬盘等手段非法牟利。

现初步查证,各端口应用软件刊载影视作品20000余部(集),注册会员数量800余万。

历经三个月缜密侦查,上海警方在山东、湖北、广西等地警方的大力配合下,侦破国家版权局、全国“扫黄打非”办公室、公安部、最高检四部委联合督办的“9.8”特大跨省侵犯影视作品著作权案。

最终抓获以梁某为首的犯罪嫌疑人14名,查处涉案公司3家,查获作案用手机20部和电脑主机、服务器12台,涉案金额1600余万元。

目前,警方已对上述犯罪嫌疑人依法采取刑事强制措施,案件正在进一步侦办中。

据扩展迷了解,有网友反映,自从今年1月初开始就发现“人人影视字幕组”APP已无法使用,许多资源均显示下架。

PC版网页则于1月4日发布公告称:“我们正在清理内容!所有客户端均无法正常使用”。

同时,各大社交平台上也有诸多匿名人士爆料称,“人人影视要凉了”。

今年1月9日,一篇名为《人人影视字幕组真的凉了》网帖,再度印证了这个说法。

这篇发布在豆瓣“鹅组”的帖子,内容只有寥寥几句,却极具“杀伤力”:“QQ群管理员挂的通告,说要大家记住今天,以后人人也不会有了。有点想哭了。”

贴文一出,大量网友对这个中国最大字幕组的前景表示关切。

可以这么说,只要追过海外剧的朋友,几乎每个人都看过人人影视字幕组翻译的视频。

截止目前,人人影视字幕组的官方微博粉丝数已达770余万,受众广泛可见一斑。

因此,2月3日“人人影视字幕组”网站被捣毁一事通报后,迅速登上微博热搜,众多网友在评论中表示惋惜。

字幕组,在我国是一个神奇的存在。

此前在某篇采访中提到,人人影视字幕组创立至今的近 20 年里,翻译了上千部剧作,近亿的台词量。

21世纪的人们,或多或少都享受过人人字幕组的劳动成果。他们试图打破语言的界限,给我们带来一些不一样的生活,也让更多人的了解整个世界。

利益至上的当代社会,一群人对着电脑每天工作个把小时还不拿时薪的人,实在是太少了。

虽然很无奈,但现实是,“字幕组”从一开始就注定了是游离在法律边缘的角色,版权早晚都是绕不开的问题。

即使是中国最大的字幕组,终归还是没能逃出一劫。

程序员专栏 扫码关注填加客服 长按识别下方二维码进群

近期精彩内容推荐:  

 几句话,离职了

 中国男性的私密数据大赏,女生勿入!

 为什么很多人用“ji32k7au4a83”作密码?

 一个月薪 12000 的北京程序员的真实生活 !

在看点这里好文分享给更多人↓↓

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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