Cuáles son las tecnologías del sistema de estacionamiento detrás del cerebro urbano-TigerWong

El sistema de estacionamiento utiliza la red de extracción de contenido y la red de extracción de estilo para extraer características de las imágenes de contenido y las imágenes de estilo, respectivamente, inspiradas en la red de generación de confrontación condicional y el aprendizaje de transferencia de estilo. Después de fusionar los dos, las imágenes con el contenido y el estilo correspondientes se obtienen a través de la red de generación de imágenes. Infraestructura basada en Internet, cerebro rural. Hacer uso de ricos recursos de datos rurales para hacer un análisis general y en tiempo real del campo. Asignar eficazmente los recursos públicos con los recursos de datos urbanos, mejorar la gobernanza social de vez en cuando y promover el desarrollo rural sostenible. Montado en un mini libro electrónico, hoy escribiré tres artículos prácticos sobre "cerebro rural". Los tres excelentes artículos compartidos con usted fueron incluidos en los trabajos de acmmm2017 summit, una parte importante de la tecnología frente al cerebro rural.

Cada revolución tecnológica, dijo una vez Wang Jian, presidente del comité técnico del grupo Alibaba. Impulsará la civilización rural. En la era de las máquinas de vapor, el signo del campo era construir carreteras; En la era de la energía eléctrica, el desarrollo de las zonas rurales es establecer la red eléctrica. En la era de Internet, los datos se han convertido en un recurso importante. Los pueblos necesitan construir un cerebro de datos para mejorar la civilización nuevamente. Encontrar muchos problemas a resolver a través del proyecto "cerebro rural".

Sistema de estacionamiento, como cómo identificar con precisión el flujo de personas y pistas de vehículos, cómo extraer las características del objeto en el espacio tridimensional, etc. A través de la práctica de vez en cuando, busque algunas soluciones mejores y coloque estos métodos en la escena real para mejorar positivamente el aterrizaje de la aplicación. La detección de anomalías de video se refiere a la detección de segmentos con estado y comportamiento anormales en un video. Este trabajo tiene como objetivo discutir cómo resolver el problema de la detección de "anomalías de video". La detección de anomalías en escenas de video del mundo real es un problema difícil, porque la "anomalía" en sí misma es difícil de definir y hay fondos, objetos y movimientos caóticos en la escena. ¿Cómo utilizar el algoritmo de detección de anomalías para ayudar al sistema a encontrar automáticamente accidentes de tráfico y peatones sospechosos en escenarios de tráfico y seguridad? En la vida real, tiene una amplia perspectiva de aplicación y alto valor de investigación.

Inspirado por los últimos resultados de investigación en el campo del reconocimiento de movimiento, en este artículo, proporciono un método para que el cerebro rural controle las anomalías del tráfico. Se diseña una autocodificación espacio-temporal para la detección de anomalías de vídeo, y se propone un método de cálculo de errores de predicción con peso decreciente. A través de la evaluación de escenas de tráfico real, el algoritmo ha superado el mejor método anterior en indicadores importantes. Encuentra con precisión a la misma persona en las imágenes correspondientes a otras cámaras. La tecnología de reconocimiento de peatones tiene un valor de investigación científica y aplicación práctica muy importante. El reconocimiento de peatones se refiere a la imagen de un peatón debajo de una cámara determinada. Recientemente, ha sido ampliamente utilizado en el transporte, la seguridad y otros campos, lo cual es de gran importancia para crear una aldea segura e inteligente. Al mismo tiempo, la similitud se extiende a otros niveles. En este trabajo, apoyo técnico para la identificación y el juicio de la trayectoria del flujo peatonal. Combinando las ventajas de la red de siames y el modelo de red de clasificación de aprendizaje profundo En la actualidad, el resultado óptimo de la precisión de recuperación ha alcanzado el nivel más alto en la industria. Uno de los modelos más básicos de smart village, modelo de reconocimiento de matrículas. Necesitamos identificar las matrículas de todas las aldeas del país. Por ejemplo, recopilo datos basados principalmente en "Zhejiang, una placa es la matrícula principal. En este momento, es necesario utilizar algoritmos para generar datos automáticamente.

El aumento del aprendizaje en profundidad en los últimos dos años ha mejorado enormemente el rendimiento del modelo de IA, pero también trae una enorme demanda de datos y un costo de etiquetado. En escenas reales, a menudo es difícil obtener datos más completos, grandes, uniformes y etiquetados con precisión, así que deje que la IA aprenda a generar datos como una dirección de flujo maestro es uno de los modelos clásicos de Gan, pero los modelos comunes de Gan a menudo tienen algunos problemas, como generación de datos incontrolables, Pobre generalización y así sucesivamente.