通过结合神经风格迁移（NST）和 YOLOv5 技术，开发了一种稳健的检测模型 NST-YOLOv5，用于在极端建筑条件下进行个人防护装备（PPE）检测，并通过模拟灯光不足、强光、沙尘、雾和雨等五种极端条件赋予该模型极佳的鲁棒性。实验结果表明 NST 在合成极端数据方面具有较高潜力，优于其他传统图像处理算法，并帮助 NST-YOLOv5 在合成和真实极端数据上分别提升了 0.141 和 0.083 mAP_(05:95)，为在极端建筑条件下获取更加稳健的检测模型提供了新的可行方式。

Jul, 2023

介绍了一种轻量级的卷积神经网络算法 (LCNN)，通过将分类器的搜索空间缩小到监视视频帧中的人物对象，提出的 LCNN 算法能够在边缘设备上以可承受的计算工作量检测行人.

Apr, 2018

通过基于深度学习的方法，本研究提出一种用于识别建筑工人佩戴的安全装备（如头盔、护目镜、夹克、手套和鞋子）的技术。该方法使用 YOLO v7 算法准确地定位这些安全装备，在自定义数据集上进行训练，具有良好的性能和评估结果，并提供了建筑工地安全违规的快速识别方法，对计算机视觉和职场安全领域做出了重要贡献，增加了建筑行业的安全合规性和事故风险降低。

Jun, 2024

本文提出的面向边缘监控系统的深度学习模型在识别儿童方面具有 92.1% 的分类准确率，可实施相应的隐私保护措施，解决了 CCTV 摄像头收集个人信息引起的隐私问题。

May, 2020

使用边缘计算及轻量级卷积神经网络，能够在资源有限的情况下为实时人类监视提供可行的智能分析方案。

Apr, 2018

本文提出了一种基于移动边缘云的行人属性识别和人员重识别模型，并研究了 MEC 网络中的分布式推断问题，评估结果表明，所提出的算法在准确性和延迟方面都有很大提高。

Aug, 2020

自动驾驶的环境感知是关键因素，研究着重于实现实时感知与预测，通过在不同资源环境中进行计算卸载，最终的模型可以在云端实时运行并提供较好的性能。

Aug, 2023

该研究介绍了一种创新的安全增强方法，利用先进的图像分析和软计算技术。研究重点是一种智能监控系统，通过分析服装来检测受限区域内的未经授权者。基于 YOLOv8 的先进目标检测算法，我们的系统在闭路电视录像中基于服装识别授权人员。方法包括在详尽的统一模式数据集上训练 YOLOv8 模型，以确保在特定区域内进行精确识别。软计算技术增强了对动态环境和光照变化的适应性。该研究对图像分析和软计算做出了贡献，提供了一个复杂的安全解决方案。强调基于服装的异常检测，为受限区域的强大安全系统奠定了基础。研究结果凸显了基于 YOLOv8 的监控在确保敏感地点安全方面的潜力。

Mar, 2024

本研究提出了一种基于语义驱动的云边协作方法，用于加速视频推断，以车牌识别为案例研究。通过将语义提取和识别分离，在减少端到端延迟和提高吞吐量的基础上，将计算密集型的识别任务分配给云端或相邻边缘节点进行处理。实验证明，与仅采用云端或仅采用边缘节点处理相比，该方法可以显著提高端到端推断速度（高达 5 倍），吞吐量（高达 9 FPS）和减少流量（减少 50%），从而验证了该方法的效率。语义驱动的云边协作框架为智慧城市中的视频分析提供了具有良好前景的解决方案。

Sep, 2023

利用深度学习创建了一个实时检测视频和图像中口罩的模型，该研究旨在提高安全性，特别是敏感区域，通过图像预处理、图像裁剪和图像分类三个阶段来识别带口罩的人脸，并通过网络摄像头或闭路电视摄像机进行持续监控，如果发现没有戴口罩的人，则触发安全警报。

Nov, 2023