在2017云栖大会-成都峰会上，阿里云高级算法专家三湘带来了题为《深度学习在智能视频分析和理解中的应用》的分享。阿里云上的视觉信息离线和实时智能分析处理中心，承载云上广泛、深入的视频图像分析、识别、搜索、生成和挖掘服务，通过深度学习算法，高效处理海量的视频数据， 实现对数据的快速检索、智能识别和理解。
深度学习在智能视频分析和理解中的应用
2017-05-30
5901
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
本文整理自2017云栖大会-成都峰会上阿里云高级算法专家三湘的分享讲义，讲义主要分享了何为“阿里云眼”，介绍了视频分析的概念和应用方向及对视频内容的理解和内容识别技术流程，并辅以视频内容识别示例，并详细介绍了阿里云视频分析服务。
目录
相关文章
|
7天前
|
机器学习/深度学习
算法
数据挖掘
足球比赛的镜头如何变成数据：从视频分析到实时数据应用
足球视频分析利用计算机视觉与深度学习技术，将比赛镜头转化为球员位置、动作及赛事事件等结构化数据，助力战术制定、表现评估与观赛体验升级，推动体育智能化发展。
53
1
1
|
5月前
|
机器学习/深度学习
编解码
人工智能
计算机视觉五大技术——深度学习在图像处理中的应用
深度学习利用多层神经网络实现人工智能，计算机视觉是其重要应用之一。图像分类通过卷积神经网络（CNN）判断图片类别，如“猫”或“狗”。目标检测不仅识别物体，还确定其位置，R-CNN系列模型逐步优化检测速度与精度。语义分割对图像每个像素分类，FCN开创像素级分类范式，DeepLab等进一步提升细节表现。实例分割结合目标检测与语义分割，Mask R-CNN实现精准实例区分。关键点检测用于人体姿态估计、人脸特征识别等，OpenPose和HRNet等技术推动该领域发展。这些方法在效率与准确性上不断进步，广泛应用于实际场景。
639
64
65
|
4月前
|
机器学习/深度学习
传感器
算法
基于多模态感知与深度学习的智能决策体系
本系统采用“端-边-云”协同架构，涵盖感知层、计算层和决策层。感知层包括视觉感知单元（800万像素摄像头、UWB定位）和环境传感单元（毫米波雷达、TOF传感器）。边缘侧使用NVIDIA Jetson AGX Orin模组处理多路视频流，云端基于微服务架构实现智能调度与预测。核心算法涵盖人员行为分析、环境质量评估及路径优化，采用DeepSORT改进版、HRNet-W48等技术，实现高精度识别与优化。关键技术突破包括跨摄像头协同跟踪、小样本迁移学习及实时推理优化。实测数据显示，在18万㎡商业体中，垃圾溢流检出率达98.7%，日均处理数据量达4.2TB，显著提升效能并降低运营成本。
228
7
7
|
5月前
|
机器学习/深度学习
人工智能
运维
|
7月前
|
机器学习/深度学习
人工智能
运维
|
6月前
|
机器学习/深度学习
运维
自然语言处理
|
5月前
|
机器学习/深度学习
数据采集
存储
深度学习在DOM解析中的应用：自动识别页面关键内容区块
本文探讨了如何通过深度学习模型优化东方财富吧财经新闻爬虫的性能。针对网络请求、DOM解析与模型推理等瓶颈，采用代理复用、批量推理、多线程并发及模型量化等策略，将单页耗时从5秒优化至2秒，提升60%以上。代码示例涵盖代理配置、TFLite模型加载、批量预测及多线程抓取，确保高效稳定运行，为大规模数据采集提供参考。
109
0
0
|
7月前
|
机器学习/深度学习
运维
资源调度
|
7月前
|
机器学习/深度学习
文字识别
自然语言处理
分析对比大模型OCR、传统OCR和深度学习OCR
OCR技术近年来迅速普及，广泛应用于文件扫描、快递单号识别、车牌识别及日常翻译等场景，极大提升了便利性。其发展历程从传统方法（基于模板匹配和手工特征设计）到深度学习（采用CNN、LSTM等自动学习高级语义特征），再到大模型OCR（基于Transformer架构，支持跨场景泛化和少样本学习）。每种技术在特定场景下各有优劣：传统OCR适合实时场景，深度学习OCR精度高但依赖大量数据，大模型OCR泛化能力强但训练成本高。未来，大模型OCR将结合多模态预训练，向通用文字理解方向发展，与深度学习OCR形成互补生态，最大化平衡成本与性能。
3877
4
4
|
7月前
|
机器学习/深度学习
自然语言处理
监控
深入探索：深度学习在时间序列预测中的强大应用与实现
时间序列分析是数据科学和机器学习中一个重要的研究领域，广泛应用于金融市场、天气预报、能源管理、交通预测、健康监控等多个领域。时间序列数据具有顺序相关性，通常展示出时间上较强的依赖性，因此简单的传统回归模型往往不能捕捉其中复杂的动态特征。深度学习通过其非线性建模能力和层次结构的特征提取能力，能够有效地捕捉复杂的时间相关性和非线性动态变化模式，从而在时间序列分析中展现出极大的潜力。
500
0
0
热门文章
最新文章
1
运维日志里的“读心术”：深度学习能看出啥？
2
基于深度学习分类的时相关MIMO信道的递归CSI量化（Matlab代码实现）
3
基于mediapipe深度学习的运动人体姿态提取系统python源码
4
Neural ODE原理与PyTorch实现：深度学习模型的自适应深度调节
5
【深度学习】基于最小误差法的胸片分割系统（Matlab代码实现）
6
足球比赛的镜头如何变成数据：从视频分析到实时数据应用
7
深度解析大模型压缩技术：搞懂深度学习中的减枝、量化、知识蒸馏
8
基于深度学习的YOLO框架的7种交通场景识别项目系统【附完整源码+数据集】
9
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现裂缝的检测识别（C#代码UI界面版）
10
AI 基础知识从 0.3 到 0.4——如何选对深度学习模型？
1
云上智能视频分析：重塑视觉监控与决策的未来
412
2
云视界：智能视频分析开启智慧生活新篇章
415
3
云上智能视频分析：解锁视频数据的无限潜能
381
4
在保安监控及防盗报警系统工程中，通常包括视频监控、入侵检测、报警通知等功能。
261
5
在视频监控和防盗报警系统工程中，通常包括硬件（如摄像头、传感器、报警器等）和软件（如监控软件、报警管理软件等）的集成。
243
6
探索深度学习在视频分析中的应用
405
7
流媒体方案之Nginx——实现物联网视频监控项目
423
8
流媒体方案之FFmpeg——实现物联网视频监控项目
360
9
MJPG-streamer方案实现物联网视频监控
394
10
【亮剑】指导初学者如何搭建和使用网络视频监控系统。
1114