Quelles sont les technologies du système de stationnement derrière le cerveau urbain-TigerWong

Le système de parking utilise le réseau d'extraction de contenu et le réseau d'extraction de style pour extraire respectivement des fonctionnalités des images de contenu et des images de style, inspirées du réseau de génération de confrontation conditionnelle et de l'apprentissage du transfert de style. Après avoir fusilé les deux, les images avec le contenu et le style correspondants sont obtenues via le réseau de génération d'images. Infrastructure basée sur Internet, cerveau rural. Utiliser les riches ressources de données rurales pour faire une analyse globale et en temps réel des campagnes. Affecter efficacement les ressources publiques avec les ressources de données urbaines, améliorer la gouvernance sociale de temps à autre et promouvoir le développement rural durable. Assemblé dans un mini e-book, je vais aujourd'hui écrire trois articles pratiques sur le "cerveau rural". Les trois excellents articles partagés avec vous ont été inclus dans les documents du sommet acmmm2017, une partie importante de la technologie devant le cerveau rural.

Chaque révolution technologique, a dit un jour Wang Jian, président du comité technique du groupe Alibaba. Fera avancer la civilisation rurale. À l'ère de la machine à vapeur, le signe de la campagne était de construire des routes; À l'ère de l'énergie électrique, le développement des zones rurales consiste à poser le réseau électrique. À l'ère d'Internet, les données sont devenues une ressource importante. Les villages doivent construire un cerveau de données pour améliorer à nouveau la civilisation. Trouvez de nombreux problèmes à résoudre grâce au projet "cerveau rural".

Système de stationnement, comme comment identifier avec précision le flux de personnes et de pistes de véhicules, comment extraire les caractéristiques de l'objet dans l'espace tridimensionnel, etc. Grâce à la pratique de temps en temps, trouvez de meilleures solutions et mettez ces méthodes dans la scène réelle pour améliorer positivement l'atterrissage de l'application. La détection d'anomalie vidéo fait référence à la détection de segments avec un état et un comportement anormaux dans une vidéo. Cet article vise à discuter de la manière de résoudre le problème de la détection des «anomalies vidéo». La détection d'anomalie dans les scènes vidéo du monde réel est un problème difficile, car «anomalie» elle-même est difficile à définir, et il y a des arrière-plans, des objets et des mouvements chaotiques dans la scène. Comment utiliser l'algorithme de détection d'anomalie pour aider le système à trouver automatiquement les accidents de la circulation et les piétons suspects dans les scénarios de circulation et de sécurité? Dans la vraie vie, il a une large perspective d'application et une valeur de recherche élevée.

Inspiré par les derniers résultats de la recherche dans le domaine de la reconnaissance de mouvement, dans cet article, je fournit une méthode pour le cerveau rural pour surveiller les anomalies de la circulation. Un auto-codage spatio-temporel est conçu pour la détection d'anomalies vidéo, et une méthode de calcul d'erreur de prédiction avec un poids décroissant est proposée. Grâce à l'évaluation des scènes de trafic réel, l'algorithme a dépassé la meilleure méthode précédente dans les indicateurs importants. Trouvez avec précision la même personne dans les images correspondant à d'autres caméras. La technologie de reconnaissance des piétons a une valeur de recherche scientifique et d'application pratique très importante. La reconnaissance des piétons fait référence à l'image d'un piéton sous une caméra donnée. Récemment, il a été largement utilisé dans les transports, la sécurité et d'autres domaines, ce qui est d'une grande importance pour créer un village sûr et intelligent. Dans le même temps, la similitude est étendue à d'autres niveaux. Dans cet article, je fournit un soutien technique pour l'identification et le jugement de la trajectoire d'écoulement des piétons. Combinant les avantages du réseau et du modèle de réseau de classification de l'apprentissage profond. À l'heure actuelle, le résultat optimal de la précision de récupération a atteint le plus haut niveau de l'industrie. L'un des modèles les plus basiques du village intelligent, modèle de reconnaissance des plaques d'immatriculation. Nous devons identifier les plaques d'immatriculation de tous les villages du pays. Par exemple, je collecte des données principalement basées sur "Zhejiang une plaque d'immatriculation est la plaque d'immatriculation principale. À ce moment, des algorithmes doivent être utilisés pour générer automatiquement des données.

L'essor de l'apprentissage approfondi au cours des deux dernières années a considérablement amélioré les performances du modèle d'IA, mais il apporte également une énorme demande de données et un coût d'étiquetage. Dans les scènes réelles, il est souvent difficile d'obtenir des données plus complètes, plus volumineuses, uniformes et étiquetées avec précision, alors laissez l'IA apprendre à générer des données en tant que direction de flux maître est l'un des modèles Gan classiques, mais les modèles Gan ordinaires ont souvent des problèmes, tels que génération de données incontrôlable, Mauvaise généralisation et ainsi de suite.