城市大脑：云边协同城市视觉计算

被引：15

作者：

华先胜 ^{[1
,2
,3
,4
]}

黄建强 ^{[5
]}

沈旭 ^{[6
]}

付志航 ^{[6
]}

赵一儒 ^{[7
]}

黄镇 ^{[8
]}

王潇宁 ^{[9
]}

机构：

[1] IEEE

[2] ACM

[3] 阿里巴巴集团

[4] 阿里巴巴集团达摩院城市大脑实验室

[5] 阿里巴巴达摩院城市大脑实验室

[6] 达摩院城市大脑实验室

[7] 上海交通大学计算机系

[8] 中国科学技术大学

[9] 湖南工业大学

来源：

人工智能 | 2019年 / 05期

关键词：

人工智能技术; 异常事件检测; 非结构化数据; 集群计算; 映射算法; 机器视觉; 数据源; 数据治理; 数据资源; 基于视频; 智能计算; 交通信号灯; 交通灯; 数据融合; 公共安全; 图像识别; 数据平台; 混合调度;

D O I：

10.16453/j.cnki.issn2096-5036.2019.05.008

中图分类号：

TP399-C2 [];

学科分类号：

081203 ; 0835 ;

摘要：

<正>每时每刻,城市之中都在产生大量的数据,如何挖掘这些数据中潜在的价值,一直是一个亟待解决的问题。城市大脑,基于云边协同的城市视觉计算平台,利用快速发展的人工智能技术和快速增长的计算能力,从认知、优化、决策、搜索、挖掘、预测和干预等多个层面,帮助我们认知和管理城市。本文首先介绍城市大脑的关键目标、关键技术和关键架构,其次从云边协同的角度,介绍城市视觉智能平台的各个组成部分和工作方式,最后展示城市大脑的一系列实践案例。

引用

页码：77 / 91

页数：15

共 4 条

[1]

Real-time road traffic prediction with spatio-temporal correlations[J] . Wanli Min,Laura Wynter.Transportation Research Part C . 2010 (4)

[2] Distinctive image features from scale-invariant keypoints [J].

Lowe, DG .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) :91-110

[3]

Random sample consensus[J] . Martin A. Fischler,Robert C. Bolles.Communications of the ACM . 1981 (6)

[4]

Surf: Speeded up robust features .2 Bay,H,T Tuytelaars,L. Van Gool. ComputerVision–ECCV20062006 .

← 1 →