XiaoMi-AI文件搜索系统
World File Search System频分
IVANI - 支持 AI 的图像和视频分析...
IVANI 的一些优势包括：• 缩短工作流程周期和流程自动化：人工智能驱动的记录自动验证有助于减少工作流程。它减少了人为干预和错误。这可以提高生产率并降低成本• 方便公民：公民可以通过一些可以在家使用的人工智能服务受益匪浅• 欺诈检测：人工智能极大地促进了各种电子政务用例中的欺诈检测• 透明度：人工智能支持的隐形服务带来了更多的透明度• 更好更快的覆盖范围：减少工作流程中的人为交互并通过网络提供服务使用户能够享受服务• 效率的新范式：NIC 开发的人工智能驱动的图像和视频分析工具有助于实现高效、有效的电子政务新范式
使用交通摄像头进行车辆和行人检测、跟踪和速度估计的基于人工智能的视频分析：应用和机会
• 超速检测，超速者百分比 • 单个车辆的速度估计 • 平均链路速度估计和速度变化 • 当前纽约市交通局公共闭路电视馈送是不连续的，如果提供对具有连续流媒体的后台馈送的访问，则此方法可应用于该市所有 900 多个闭路电视 • 有可能填补非学校区域区域的空白
一种基于深度学习的方法，使用音频分类诊断轻度创伤性脑损伤
轻度创伤性脑损伤 (mTBI 或脑震荡) 越来越受到关注，因为这种损伤在接触性运动中发病率较高，而且主观诊断方法 (纸笔) 也存在局限性。如果 mTBI 未被诊断出来，而运动员过早恢复比赛，则可能导致严重的短期和/或长期健康并发症。这表明提供更可靠的 mTBI 诊断工具以减少误诊的重要性。因此，需要开发可靠、高效的客观方法和计算稳健的诊断方法。在此初步研究中，我们建议从收集的参加橄榄球联盟的运动员的语音录音中提取梅尔频率倒谱系数 (MFCC) 特征，无论这些运动员是否被诊断患有 mTBI。这些特征是在我们新颖的粒子群优化 (PSO) 双向长短期记忆注意力 (Bi-LSTM-A) 深度学习模型上进行训练的。在训练过程中几乎没有发生过拟合，表明该方法对于当前测试数据集分类结果和未来测试数据具有很强的可靠性。区分 mTBI 患者的敏感性和特异性分别为 94.7% 和 86.2%，AUROC 得分为 0.904。这表明深度学习方法具有强大的潜力，未来分类结果的改进将依赖于更多的参与者数据和 Bi-LSTM-A 模型的进一步创新，以充分确立该方法作为实用的 mTBI 诊断工具的地位。
MOBOTIX AI-TECH 视频分析应用程序
n 所有应用程序均可免费试用 30 天 n 直接通过摄像头固件进行配置和操作 n 通过 MxMessageSystem 由应用程序触发摄像头事件和其他操作 n 可直接集成到 Wavestore 和 Qognify Cayuga & Occularis 系统中的接口 n 直接从应用程序界面访问 AI Tech 应用程序文档和培训材料 n 所有应用程序均符合最高的网络安全要求 n 可以单独购买和使用应用程序，也可以作为应用程序包购买和使用
基于人工智能深度学习的视频分析 - ...
除了缺乏视频分析来充分利用闭路电视摄像机捕获的信息之外，传统的实施还依赖于有线信号传输，这增加了成本，限制了可扩展性，并且使得在许多地方安装不切实际。相比之下，DeepSight 平台利用 5G 网络基础设施构建高度可扩展且稳定的视频分析解决方案，可以实时处理来自数千台摄像机的实时信息，充分利用 5G 在高带宽、低延迟和增强安全性方面的进步。DeepSight 平台旨在改装到现有实施中，它支持任何闭路电视摄像机，5G 可以覆盖的任何地方，包括偏远地区和机载无人机。基于云的深度学习使实施能够扩展到数千台闭路电视摄像机甚至更多，同时实施可以涵盖许多行业、终端设备和功能，如图 2 所示。
用于具有边缘计算的实时视频分析系统的分布式 AI 嵌入式集群
IHS Markit | Technology通过分析过去15年监控摄像头的年度出货量，预计截至2019年底全球投入使用的摄像头数量为7.7亿颗，未来两年安装的摄像头数量将达到10亿颗以上[1]。基于人脸和车辆算法的人工智能已经在公安、交通等各个领域得到广泛应用。人工智能如何应用于智能交通行业是一个新的研究方向。目前，桥梁、岛、隧道的养护都是通过各种传感器和视频数据进行人工判断。随着桥梁行业的快速发展，各种传感器被快速部署，想要实现人工识别难度极大。随着人工智能技术的进步，特别是计算机视觉技术和神经网络技术的进步，人工智能辅助工程师对桥梁各种传感器数据和视频监控进行研判的可能性已经显现出来。但与此同时，云端AI模型在桥梁场景中的应用也暴露出一些问题，例如数据隐私、网络带宽限制、对时延的苛刻要求等。
