本文介绍了基于 CONVINCE 的视频监控系统，该系统通过视觉数据间的协同分析来减少计算成本、可视化带宽并提高目标识别的准确性，实现了约 91％的准确性，仅传输了大约 25％的所有记录帧。

Feb, 2020

FilterForward is an edge-to-cloud system that uses lightweight edge filters and microclassifiers to reduce bandwidth use by an order of magnitude while improving computational efficiency and event detection accuracy for video camera data processing.

May, 2019

本文探讨了一种基于时间空间计算的高效物体检测方法，通过在规模，时间和空间上重新配置计算来实现性能和计算成本的平衡，提出了一个统一的框架，在 ImageNet VID 数据集中实现了具有竞争力的 mAP 79.6％。

Apr, 2018

本文介绍了一种被称为 AdaScale 的新方法，该方法在视频对象检测方面提供了更好的准确性和速度，并展示了 - imagenet VID 和 mini YouTube - 边界框数据集上的结果。

Feb, 2019

描述研究从视频分析到具有全球安全系统的演变，特别关注视频监视组件。本研究探讨了一种混合平台，用于智能辅助城市视频监视的智能捕获、自动化数据提取、监督机器学习；同时还讨论了拓展到全球安全系统的其他组件。

Jan, 2022

本研究提出了一个跨相机协作的分布式视频分析系统 Argus，通过利用物体的时空关联，在多个相机的重叠视野中避免冗余的处理任务，动态排序相机和对象检查序列，并灵活分配工作负载，实现低延迟的分布式处理。该系统在三个真实世界的重叠相机数据集上的评估结果显示，相对于现有技术，Argus 可以将对象标识的数量和端到端延迟分别减少多达 7.13 倍和 2.19 倍（相对于现有技术，分别减少了 4.86 倍和 1.60 倍），同时实现可比较的跟踪质量。

Jan, 2024

本文提出了一种可扩展的视频编码框架，该框架通过基础层比特流支持机器视觉（特别是物体检测）和增强层比特流支持人类视觉，并且结果表明，该框架在物体检测方面比最先进的视频编解码器节省 13-19％的比特率，同时在人类视觉任务的 MS-SSIM 方面保持有竞争力。

Aug, 2022

本研究提出一种基于情景感知的实时流式传输方案，以实时识别重要事件和降低发射功率。该方案主要利用少量隐藏层的小型神经网络在源端对特定情景下的帧进行高重要性分配，并将高重要性的帧与一定信噪比的低重要性帧同时流式传输，在接收端进行深度神经网络分析提取准确的情景并节约约 38.5% 的能源。

Apr, 2022

本文提出了一种终端到终端的人工智能视频安全监控系统，其中融合了计算机视觉分析、统计数据分析、云原生服务以及终端用户应用，该系统能够更好地保护个人隐私，同时对人物识别、错误行为检测等方面具有高效性能和较高的安全性。

Feb, 2023

CloudCV 是一个系统，提供 Web 界面和 API，通过云服务访问分布式计算机视觉算法，旨在使计算机视觉民主化，使得所有人都能访问最先进的分布式计算机视觉算法。

Jun, 2015