中国人工智能学会通讯——打造云上视觉智能生态 1.4 视觉智能实例:城市之眼

简介:

1.4 视觉智能实例:城市之眼

视觉之眼,是城市的眼睛。我们要处理的是城市的摄像头,不管是交通、安防、城管,还是个人的,这些摄像头的数据,我们思考怎样把它的价值挖掘出来。里面涉及到的技术仍然是视觉数据的检测、识别、系统、搜索、挖掘等。

这个例子是交通视频的分析,对车辆的检测、车辆的跟踪、车辆的属性,就是将路面上发生的事情了解个底朝天。过去做交通优化时有两个信息源,第一个是地感线圈;但线圈数据不知道这个车的属性、车类型、车多长,这个车到哪里去了,这个信息不全。第二个数据,是GPS的数据,但一般只有少数人开启GPS,所以是采样数据。视频数据不同,是“眼见为实”,摄像头见到的才是真实完整的数据,所以这个数据是不可替代的。

这个例子是另外一种摄像头,高点的摄像头,虽然细节看不清楚,但是数数可以数得出来,而且,你任意画一个区域就知道关于这个区域物体的移动情况。比如经过多少辆车、大概的类型是什么;有的地方不让停车,你可以画个区域不让停,一旦有车停了就报警。这些技术也没有什么特别的地方,也有很多人做类似的工作。但是有一件事情不同,就是如果处理大量这样的数据,几万、几十万这样的数据,你需要在一个平台上进行实时处理,这就不是一个简单的事情,而且处理的效率要足够高,这是很关键的事情。我们有离线和实时两套处理系统,大规模离线视觉分析,这个是阿里的一套系统,对实时性要求不高的大量视频数据,离线比较容易处理。实时的原理也差不多,只不过有延时方面的要求。系统实现上,还有时间上的和空间上的实时协同。比如说,对一个路口的交通灯进行管控,你要看这四个路口,还要看旁边几个路口,你在实时分析时还需要把空间多路信息进行融合。时间和空间的协同问题,是由平台来支撑,而不是算法,这样我们做算法的人员就可以集中在算法的设计和优化上。

还有搜索的功能,刚才讲了电商的搜索,这个量级不小,但是还有一个量更大的就是城市的数据。城市的数据量太大了,里面有车、有人。人是非常难的事情,人脸相对容易,而看不清人脸的人就非常难;车相对容易一点,我们要学习它的结构化特征和它的非结构化特征,也就是用一个向量表示的视觉特征。

image

这里我稍微岔开来讲两个关于视觉数据的特别的例子,其实也是城市视觉识别技术的例子,但又是在数据的量上和我们直观的感受并不太一致的例子。第一个是车牌。数据这件事情是非常有意思的,刚才讲了大数据,但是刚才讲的数据一个是研发算法的原料,第二个是人工智能的原料。对于算法研发而言,往往需要大量的标注数据,但有时这样的数据并不容易获取,或者获取的成本比较高。例如车牌的识别,车牌看起来数据量很大,但双层黄车牌的量就要小很多。有一种思路就是自动生成一些车牌作为车牌识别的训练数据,这两幅图就是例子,是算法生成的以假乱真的车牌。这个车牌产生以后,对识别的准确率有显著性的提升。还有些场景,数据的获取更可怜,比如事故,但是你有大量正常的样本,一样可以用来作数据的模型,把它作为异常检测的问题来做就可以了。这上面是公开测试级上的结果,视频中间有人撒了一点纸,这个异常的检测响应是非常明显的;下面的这个例子是车辆的刮蹭,是个真实场景,难度就大多了。

image

从搜索的角度来讲,我们把整个城市的数据如果都收集起来,放到一个大数据里,建好索引,大家脑补一下,将会对城市的交通优化等应用产生什么样的影响。如果我们再进一步挖掘数据的价值,有很多应用场景可以考虑......

相关文章
|
机器学习/深度学习 人工智能 自然语言处理
人工智能与未来教育:探索智能教学的新纪元
【10月更文挑战第16天】 在21世纪这个信息爆炸的时代,技术革新正以惊人的速度改变着我们的生活和工作方式。其中,人工智能(AI)作为引领变革的先锋力量,不仅重塑了工业、医疗、金融等多个行业的面貌,也正悄然渗透进教育领域,预示着一场关于学习与教学方式的革命。本文旨在探讨人工智能如何为未来教育带来前所未有的机遇与挑战,从个性化学习路径的定制到教育资源的优化分配,再到教师角色的转变,我们一同展望一个更加智能、高效且包容的教育新纪元。
|
机器学习/深度学习 人工智能 自然语言处理
人工智能:有多少人工,才能有多少智能?
当下AI大模型的能力,特别是Agent领域,到底离不开多少“人工”的加持?本文将结合我的实际经验,深入探讨高质量数据与有效评价体系在Agent发展中的决定性作用,并通过编码Agent、Web Agent和GUI Agent的成熟度分析,揭示AI智能体发展面临的挑战与机遇。
521 89
|
传感器 数据采集 机器学习/深度学习
人工智能与环境保护:智能监测与治理的新策略
【9月更文挑战第21天】人工智能在环境保护中的应用,为智能监测与治理提供了新的策略和方法。通过实时数据采集与分析、智能预警与应急响应、精准化决策支持等技术的应用,AI正在引领一场革命性的变革。未来,随着技术的不断发展和应用场景的拓展,AI将在环境保护中发挥更加重要的作用,助力我们构建更加绿色、可持续的未来。让我们携手共进,共同迎接一个更加美好的明天。
1047 9
|
机器学习/深度学习 人工智能 供应链
决策智能是新的人工智能平台吗?
决策智能融合数据、决策与行动,通过AI与自动化技术提升企业决策质量与效率,支持从辅助到自动化的多级决策模式,推动业务敏捷性与价值转化。
|
机器学习/深度学习 人工智能 自动驾驶
人机融合智能 | 以人为中心的人工智能伦理体系
本章探讨“以人为中心”的人工智能伦理体系,分析人工智能伦理与传统伦理学的关系、主要分支内容及核心原则。随着人工智能技术快速发展,其在推动社会进步的同时也引发了隐私、公平、责任等伦理问题。文章指出,人工智能伦理需融入传统伦理框架,并构建适应智能技术发展的新型伦理规范体系,以确保技术发展符合人类价值观和利益。
738 4
|
机器学习/深度学习 人工智能 算法
人机融合智能 | 以人为中心人工智能新理念
本文探讨了“以人为中心的人工智能”(HCAI)理念,强调将人的需求、价值和能力置于AI设计与开发的核心。HCAI旨在确保AI技术服务于人类,增强而非取代人类能力,避免潜在危害。文章分析了AI的双刃剑效应及其社会挑战,并提出了HCAI的设计目标与实施路径,涵盖技术、用户和伦理三大维度。通过系统化方法,HCAI可推动AI的安全与可持续发展,为国内外相关研究提供重要参考。
1438 3
|
机器学习/深度学习 人工智能 自然语言处理
人机融合智能 | 数据与知识双驱动式人工智能
本章系统介绍了数据驱动、知识驱动及双驱动人工智能的理论与应用。数据驱动方法依赖大数据和深度学习,在图像识别、自然语言处理等领域取得突破,但面临标注成本高、可解释性差等问题。知识驱动方法通过知识表示与推理提升系统理解能力,却在泛化性和适应性上受限。为弥补单一范式的不足,数据与知识双驱动融合两者优势,致力于构建更智能、可解释且安全可靠的AI系统,兼顾伦理与隐私保护。文章还回顾了AI发展历程,从早期神经网络到当前大规模语言模型(如GPT、BERT)的技术演进,深入解析了各类机器学习与深度学习模型的核心原理与应用场景,展望未来AI发展的潜力与挑战。
1082 0
|
数据采集 机器学习/深度学习 人工智能
数据驱动智能,智能优化数据——大数据与人工智能的双向赋能
数据驱动智能,智能优化数据——大数据与人工智能的双向赋能
945 4
|
机器学习/深度学习 人工智能 运维
人工智能在云计算中的运维优化:智能化的新时代
人工智能在云计算中的运维优化:智能化的新时代
1412 49
|
数据采集 人工智能 缓存
深挖“全栈智算”之力 中兴通讯开启AI普惠新纪元
深挖“全栈智算”之力 中兴通讯开启AI普惠新纪元
450 1

热门文章

最新文章