城市大腦，是以互聯(lián)網(wǎng)為基礎(chǔ)設(shè)施，利用豐富的城市數(shù)據(jù)資源，對(duì)城市進(jìn)行全局的即時(shí)分析。用城市的數(shù)據(jù)資源有效調(diào)配公共資源，不斷完善社會(huì)治理，推動(dòng)城市可持續(xù)發(fā)展。

今天我們將三篇“城市大腦”的實(shí)踐論文，集結(jié)為一本迷你電子書(shū)，分享給你。這三篇優(yōu)秀論文均被收錄于ACM MM 2017頂會(huì)論文中，是城市大腦背后技術(shù)的重要部分。

?

《阿里機(jī)器智能技術(shù)精選》（ACM MM 2017）下載：

https://102.alibaba.com/downloadFile.do?file=1532951451805%2fACM+MM2017.pdf

溫馨提醒：

1、此本迷你書(shū)約3M，希望你會(huì)喜歡。

2、若導(dǎo)入較慢，可將地址復(fù)制到PC瀏覽器下載。

阿里巴巴集團(tuán)技術(shù)委員會(huì)主席王堅(jiān)曾說(shuō)，每一次技術(shù)革命，都會(huì)推動(dòng)城市文明前進(jìn)一步。蒸汽機(jī)時(shí)代，城市的標(biāo)志是修公路；電力時(shí)代，城市的發(fā)展是鋪電網(wǎng)。我們身處的互聯(lián)網(wǎng)時(shí)代，數(shù)據(jù)成為重要的資源，城市需要構(gòu)建一個(gè)數(shù)據(jù)大腦來(lái)再一次提升文明。

通過(guò)“城市大腦”項(xiàng)目，我們發(fā)現(xiàn)諸多待解決的問(wèn)題，比如人流、車(chē)輛軌跡如何準(zhǔn)確識(shí)別，如何提取三位空間中的物體特征等。經(jīng)過(guò)不斷實(shí)踐，我們找到了一些比較好的解決方法，并將這些方法投入到實(shí)際場(chǎng)景中去正向增強(qiáng)應(yīng)用的落地性。

部分目錄

該書(shū)有哪些精彩干貨？

《Spatio-TemporalAutoEncoder for Video Anomaly Detection》

（《時(shí)空自編碼器的視頻異常檢測(cè)模型》）

本文旨在論述如何解決“視頻異?！睓z測(cè)問(wèn)題，視頻異常檢測(cè)是指在一段視頻中檢測(cè)有異常狀態(tài)、行為的片段，真實(shí)世界視頻場(chǎng)景中的異常事件檢測(cè)是一個(gè)高難度的問(wèn)題，因?yàn)椤爱惓！北旧砗茈y定義而且場(chǎng)景中還存在雜亂的背景、物體和運(yùn)動(dòng)。在交通和安防場(chǎng)景下，如何用異常檢測(cè)算法幫助系統(tǒng)自動(dòng)發(fā)現(xiàn)交通事件事故、可疑行人等？在實(shí)際生活中，具有較廣泛的應(yīng)用前景和較高的研究?jī)r(jià)值。

論文中我們?yōu)槌鞘写竽X提供監(jiān)控交通異常的方法，受動(dòng)作識(shí)別等領(lǐng)域的最新研究成果啟發(fā)，設(shè)計(jì)了一種時(shí)空自編碼進(jìn)行視頻異常檢測(cè)，同時(shí)提出一種權(quán)重遞減的預(yù)測(cè)誤差計(jì)算方法。經(jīng)真實(shí)的交通場(chǎng)景評(píng)測(cè)，該算法在重要指標(biāo)上已經(jīng)超過(guò)了此前的最好方法。

《DeepSiamese Networkwith Multi-level Similarity Perception for PersonRe-identification》

（《基于多層相似度感知的深度神經(jīng)網(wǎng)絡(luò)及其在同人鑒別中的應(yīng)用》）

行人重識(shí)別是指給定一個(gè)攝像頭下某個(gè)行人的圖片，在其他攝像頭對(duì)應(yīng)的圖片中準(zhǔn)確地找到同一個(gè)人。行人重識(shí)別技術(shù)有十分重要的科研和實(shí)際應(yīng)用價(jià)值，近來(lái)廣泛應(yīng)用到交通、安防等領(lǐng)域，對(duì)于創(chuàng)建平安城市、智慧城市具有重要的意義。

論文中我們?yōu)槿肆鬈壽E的識(shí)別判斷提供技術(shù)支持。結(jié)合深度學(xué)習(xí)的Siamese網(wǎng)絡(luò)和分類(lèi)網(wǎng)絡(luò)模型優(yōu)勢(shì)，同時(shí)將相似度擴(kuò)展到其他層次。與經(jīng)典的大規(guī)模同人鑒別公開(kāi)數(shù)據(jù)集對(duì)比，目前檢索精確度的最優(yōu)結(jié)果已達(dá)業(yè)內(nèi)最高水平。

《Stylized Adversarial Autoencoder for Image Generation》

（《基于風(fēng)格化對(duì)抗自編碼器的圖像生成算法》）

車(chē)牌識(shí)別模型，是智慧城市的一個(gè)最基礎(chǔ)的模型，需要識(shí)別國(guó)內(nèi)所有城市的車(chē)牌。比如我們?cè)诤贾菔占降臄?shù)據(jù)主要以“浙A”車(chē)牌為主，這時(shí)候就需要用算法來(lái)自動(dòng)生成數(shù)據(jù)。近兩年深度學(xué)習(xí)的興起極大地提升了AI模型的性能，但是隨之也帶來(lái)了巨大的數(shù)據(jù)需求以及標(biāo)注成本。在真實(shí)場(chǎng)景下，我們往往很難獲得比較全面、大量、均勻且被準(zhǔn)確標(biāo)注的數(shù)據(jù)，因此讓AI學(xué)會(huì)生成數(shù)據(jù)成為一個(gè)主流方向，GAN是其中經(jīng)典的模型之一。但是普通的GAN模型往往會(huì)存在生成數(shù)據(jù)不可控、泛化性不好等問(wèn)題。

受條件對(duì)抗生成網(wǎng)絡(luò)和風(fēng)格遷移學(xué)習(xí)的啟發(fā)，采用內(nèi)容提取網(wǎng)絡(luò)和風(fēng)格提取網(wǎng)絡(luò)分別從內(nèi)容圖片和風(fēng)格圖片中提取特征，將兩者融合后，通過(guò)圖片生成網(wǎng)絡(luò)獲得融合相應(yīng)內(nèi)容和風(fēng)格的圖片。

與50位技術(shù)專(zhuān)家面對(duì)面20年技術(shù)見(jiàn)證，附贈(zèng)技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的城市大脑背后的技术有哪些？的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。