XiaoMi-AI文件搜索系统
World File Search System犯罪预测
通过计算机视觉-yolov4方法增强犯罪预测
摘要 - 本研究论文介绍了在HP Pavilion Gaming Machine上开发人工智能安全应用程序，并利用来自UCF-Crime开源数据集等知名数据库的犯罪录像。该系统接受了细致的数据注释，以识别五个对异常检测至关重要的不同类别：人，短枪，手枪，刀和步枪。采用了监督的机器学习技术，重点是监视人类轨迹并采用深入和欧几里得距离计算来跟踪个人，并模拟现实世界中的犯罪场景。AI安全模型展示了出色的性能，平均精度率约为86.43％，超过2000年迭代后的90％，证明了步枪（98.90％）的平均精度（98.90％），手枪（96.93％）和刀（96.93％）和刀（97.66％）的所有类别的多功能性。对Python脚本的增强功能提高了系统在人类受试者中检测武器亚物体的能力，并将潜在肇事者分为高风险，这是本研究的新方面。
使用机器学习算法的犯罪预测和映射
政府的主要作用之一是遏制犯罪。尽管政府采取了应对犯罪活动的措施，但许多城市中心的安全状况变得更糟。这项研究的目的是创建和评估具有预测犯罪类别的核心功能的机器学习模型，并利用数据集中发现的上下文特征，以可视化它们发生的位置。这是通过将时间，空间和上下文信息与机器学习相结合以改善犯罪预测和映射来实现的。从各种来源收集数据集经过多种机器学习算法，以评估它们的性能。使用混淆矩阵，随机森林算法是最佳算法，其分类精度为97％或0.973301。经度和纬度特征用于标记地图上犯罪事件的特定位置。关键字：机器学习算法，分类，预测，映射，数据可视化。
日本基于AI的犯罪预测
和天气 - 通常需要大量的时间和金钱来通过常规计算方法进行处理，公司的专有算法在更快的数据处理和更低的成本方面取得了成功。在日本，犯罪NABI主要是由地方政府用于预防犯罪的巡逻。希望使用该系统来改善其他国家的公共安全，鉴于该国迫切需要预防犯罪的迫切需求，因此奇异的扰动将其运营扩大到巴西。第二年，该公司在Minas Gerais州的首都Belo Horizonte启动了一个实验项目，以解决金属有线盗窃的问题，以及犯罪的数量下降了约69％。结果广泛预告了，从那以后，有四名州军警察和巴西的两名市政警察以及洪都拉斯的一名警察，此后一直试行该系统以实施实施。