用AI技术防止幼儿园虐待儿童,中国研究员研发视频流分析模型

简介: 中国的一个研究小组正准备推出一个人工智能系统,旨在实时捕捉幼儿园中的虐待儿童行为。研究人员说,他们的人工智能算法可以分析一个实时视频流来跟踪每个学生和老师的动作。

中国的一个研究小组正准备推出一个人工智能系统,旨在实时捕捉幼儿园中的虐待儿童行为。

这项研究已经进行了好几年,但是最近北京红黄蓝幼儿园被指控虐待儿童的事件引起了对这一个研究的激烈讨论。

中国的大多数幼儿园都在教室安装了监控摄像头,但是很多监控摄像头没有得到有效的监控。研究人员说,他们的人工智能算法可以分析一个实时视频流来跟踪每个学生和老师的动作

当发现异常行为(如打耳光)时,电脑可以通过把剪辑下来的视频发送给幼儿园的管理人员,政府监管机构或家长,发出警报,以供评估。

研究人员正在对该技术进行广泛的测试,并期望在明年完成原型。

贵州民族大学计算机科学副教授,该项目的首席科学家Rao Yan说,从2013年开始研究以来,她的团队遇到了技术障碍和资金短缺问题。她表示:“这就是所谓研究中的次要领域,没有吸引到太多的资金和关注度。”

虽然中国近年来在人工智能方面投入了大量资金,但大多数视频分析系统目前在仅仅在国防安全领域,包括国防和反恐活动中使用。

但是,作为一个年幼的孩子的母亲,Rao说,她觉得有义务找到一个技术来解决防止虐待儿童的问题。“不仅仅是我的小孩”,她说,“我们正在全国各地看到这个问题。”

在中国,许多幼儿园教师年轻而且收入不足,有些教师缺乏足够的培训。

红黄蓝幼儿园只是近年来的一些幼儿园虐待案件之一,其中一些已经被监控摄像头发现,引发了家长们对安全隐患的担忧,促使国务院对全国范围内的幼儿园进行检查。

于是 Rao和她的同事开始研究,刚开始,他们以为这将是一件容易的工作。有很多算法来检测暴力,异常或“疯狂”的行为。但是他们很快发现现有的方法只适用于成年人。

“老师体型大,学生体型小。电脑在处理视频时很容易跟丢”,Rao说。孩子的行为也给机器造成了很大的困惑。他们可能会在椅子上跳起来,用手中的玩具枪追逐对方,或者长时间坐在角落里玩沙子。

所有这些活动对于成年人来说都是反常的,但是对于儿童来说是正常的,所以使用为成年人开发的AI工具来监控儿童,你会发现机器在不断发出警报。

所以Rao在幼儿园设置了一个新的机器学习算法。该团队从学前班收集了大量的监控录像,并将这些数据输入电脑。开始时,研究人员不得不告诉机器哪种行为是正确的,哪些是错误的,但后来电脑学会了正确评估镜头,几乎不需要人为干预。

研究人员正在对来自幼儿园的新视频进行测试,他们希望明年能够公开展示这项技术。Rao表示,这个系统还有很大的改进空间。这远非完美。我希望更多的研究人员可以加入这项工作,加速人工智能技术在打击虐待儿童方面的应用。

清华大学电子工程系教授Zhang Li说,他们和中国其他的顶级AI实验室很快会将资源转移到解决防止儿童虐待的问题。

Zhang表示,国内许多机场,火车站和公共场所已经在使用这项技术来检测异常行为,使用的方法有面部识别等等。

但是,要在幼儿园使用这一技术,研究院需要获得大量的数据,这是一个难题,他说。

“有些幼儿园可能不愿意分享数据,因为这些视频可能包含敏感信息。一些家长也可能有隐私方面的担忧,“Zhang说。

北京中国科学院模式识别国家实验室研究员Huang Kaiqi表示,计算机可以通过跟踪人体图像中的每个像素来跟踪移动或手势,因此可以检测到微小的行为,如儿童被扎针。

“虐待通常包含一系列的行为。这些行动可以形成一个模式,可以通过机器学习和识别。“他说。

Huang还表示,其他检测方法如声音和热感应也可以用来收集更多的信息,这样行为跟踪系统可以做出更准确的判断。

例如,如果孩子在教师采取某种行动后反复哭泣,系统可能会发出警报。公安部负责全国监视和报警系统的高级警官表示,将考虑在学校、包括幼儿园的安全系统中增加人工智能技术。

据官方人士透露,北京在2012年颁布了一项规定,要求所有学校都安装安全摄像头,但许多系统没有专门的人员进行监控,硬盘通常只是被保存起来以备不时之需。

他说:“人工智能拥有一双永不眨眼的眼睛,一个永不疲倦的头脑。”但他补充说,单靠技术无法解决问题,滥用仍然可能发生在安全摄像机的范围之外。他说:没有任何技术可以充分保护我们的孩子


原文发布时间为:2017-12-1

本文作者:马文

本文来自云栖社区合作伙伴新智元,了解相关信息可以关注“AI_era”微信公众号

原文链接:用AI技术防止幼儿园虐待儿童,中国研究员研发视频流分析模型

相关文章
|
6天前
|
人工智能 安全 测试技术
EXAONE 3.5:LG 推出的开源 AI 模型,采用 RAG 和多步推理能力降低模型的幻觉问题
EXAONE 3.5 是 LG AI 研究院推出的开源 AI 模型,擅长长文本处理,能够有效降低模型幻觉问题。该模型提供 24 亿、78 亿和 320 亿参数的三个版本,支持多步推理和检索增强生成技术,适用于多种应用场景。
47 9
EXAONE 3.5:LG 推出的开源 AI 模型,采用 RAG 和多步推理能力降低模型的幻觉问题
|
8天前
|
机器学习/深度学习 人工智能
SNOOPI:创新 AI 文本到图像生成框架,提升单步扩散模型的效率和性能
SNOOPI是一个创新的AI文本到图像生成框架,通过增强单步扩散模型的指导,显著提升模型性能和控制力。该框架包括PG-SB和NASA两种技术,分别用于增强训练稳定性和整合负面提示。SNOOPI在多个评估指标上超越基线模型,尤其在HPSv2得分达到31.08,成为单步扩散模型的新标杆。
49 10
SNOOPI:创新 AI 文本到图像生成框架,提升单步扩散模型的效率和性能
|
8天前
|
人工智能 搜索推荐 开发者
Aurora:xAI 为 Grok AI 推出新的图像生成模型,xAI Premium 用户可无限制访问
Aurora是xAI为Grok AI助手推出的新图像生成模型,专注于生成高逼真度的图像,特别是在人物和风景图像方面。该模型支持文本到图像的生成,并能处理包括公共人物和版权形象在内的多种图像生成请求。Aurora的可用性因用户等级而异,免费用户每天能生成三张图像,而Premium用户则可享受无限制访问。
46 11
Aurora:xAI 为 Grok AI 推出新的图像生成模型,xAI Premium 用户可无限制访问
|
6天前
|
机器学习/深度学习 人工智能 物联网
AI赋能大学计划·大模型技术与应用实战学生训练营——电子科技大学站圆满结营
12月05日,由中国软件行业校园招聘与实习公共服务平台携手阿里魔搭社区共同举办的AI赋能大学计划·大模型技术与产业趋势高校行AIGC项目实战营·电子科技大学站圆满结营。
AI赋能大学计划·大模型技术与应用实战学生训练营——电子科技大学站圆满结营
|
10天前
|
机器学习/深度学习 存储 人工智能
【AI系统】离线图优化技术
本文回顾了计算图优化的各个方面,包括基础优化、扩展优化和布局与内存优化,旨在提高计算效率。基础优化涵盖常量折叠、冗余节点消除、算子融合、算子替换和算子前移等技术。这些技术通过减少不必要的计算和内存访问,提高模型的执行效率。文章还探讨了AI框架和推理引擎在图优化中的应用差异,为深度学习模型的优化提供了全面的指导。
26 5
【AI系统】离线图优化技术
|
10天前
|
存储 人工智能 PyTorch
【AI系统】模型转换流程
本文详细介绍了AI模型在不同框架间的转换方法,包括直接转换和规范式转换两种方式。直接转换涉及从源框架直接生成目标框架的模型文件,而规范式转换则通过一个中间标准格式(如ONNX)作为桥梁,实现模型的跨框架迁移。文中还提供了具体的转换流程和技术细节,以及模型转换工具的概览,帮助用户解决训练环境与部署环境不匹配的问题。
23 5
【AI系统】模型转换流程
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
AI技术深度解析:从基础到应用的全面介绍
人工智能(AI)技术的迅猛发展,正在深刻改变着我们的生活和工作方式。从自然语言处理(NLP)到机器学习,从神经网络到大型语言模型(LLM),AI技术的每一次进步都带来了前所未有的机遇和挑战。本文将从背景、历史、业务场景、Python代码示例、流程图以及如何上手等多个方面,对AI技术中的关键组件进行深度解析,为读者呈现一个全面而深入的AI技术世界。
34 10
|
4天前
|
机器学习/深度学习 人工智能 监控
AI视频监控技术的核心优势与实践
AI视频监控技术结合了计算机视觉、深度学习和大数据分析,能够实时分析监控画面,识别异常行为和场景变化。其核心在于从“被动记录”转型为“主动识别”,提升监控效率并减少安全隐患。主要应用场景包括泳池管理、健身器械区域、人员密度预警和异常事件检测。系统架构支持多种摄像头设备,采用边缘计算和Docker部署,具备实时性、高准确率和扩展性等优势。未来将优化复杂场景适应性和实时计算负载,进一步提高系统性能。
|
7天前
|
机器学习/深度学习 人工智能 边缘计算
24/7全时守护:AI视频监控技术的深度实现与应用分享
本文深入解析了AI视频监控系统在车间安全领域的技术实现与应用,涵盖多源数据接入、边缘计算、深度学习驱动的智能分析及高效预警机制,通过具体案例展示了系统的实时性、高精度和易部署特性,为工业安全管理提供了新路径。
|
8天前
|
人工智能 搜索推荐 安全
数百名研发人员用通义灵码,33%新增代码由AI生成,信也科技研发模式焕新升级
目前,信也科技数百名研发人员正在使用通义灵码,周活跃用户占比70%,新增代码中有33%由通义灵码编写,整体研发效率提升了11%,真正实现了数百研发人员开发效能的全面提升。