本文介绍了一个基于人工智能的智能视频监控系统，旨在提高社区空间（如教育、休闲区域和小型企业）的安全性。该系统采用元数据而非像素数据进行活动识别，注重隐私，并具备基于云端基础架构和移动应用的实时警报功能。此外，该文还首次对全面的实时异常检测系统进行了评估，用于识别潜在的公共安全事件。通过在社区学院中的实施，作者验证了系统的鲁棒性和性能，提供了关于吞吐量、延迟和伸缩性的实际数据。

Dec, 2023

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

本文介绍了一种基于真实测试床的智能视频监控系统的设计和部署，并评估了该系统的性能，结果表明该系统可以在合理的时间内有效地检测和通知异常行为和可疑物品给终端用户。

Mar, 2023

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

通过对计算机视觉研究论文和专利的深入内容分析，揭示了计算机视觉与大规模监控之间的紧密联系，呈现了监控人工智能 (Surveillance AI) 的拓扑结构，以及其数据提取、数据转移和机构数据使用方面的普遍特征。

Sep, 2023

利用端到端深度学习技术和数据增强策略，提出一种暴力事件自动检测解决方案，相较于先前最好的方法，在一些具有挑战性的基准数据集中取得了良好的性能，可用于帮助执法部门及时采取行动。

Sep, 2022

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

智能城市中的监控摄像头日益普及，结合在线视频应用的激增，引发了公共安全和隐私保护方面的担忧，促使自动化视频异常检测成为了人工智能领域中的一项基础研究任务。通过深度学习和边缘计算的进展，视频异常检测在智能城市和视频互联网中取得了显著进展和优势，超越了传统算法工程研究范围，成为部署在视频异常检测网络系统中的热点交叉研究领域。本文通过概述各种深度学习驱动的视频异常检测路线的基本假设、学习框架和适用场景，为新手提供了详尽的部署可用的视频异常检测网络系统教程。此外，我们展示了在工业物联网和智能城市方面的最新研究成果，并提供了一种用于部署可用的视频异常检测网络系统的端到云协同架构，以进一步阐明其潜在的研究和应用范围。最后，本文展望了未来发展趋势，并讨论了如何将人工智能和计算技术的融合应用于解决现有研究挑战和促进开放机会，为潜在的研究人员和工程师提供了有益的指导。

May, 2024

随着技术的不断提升，保护隐私信息变得越来越重要。本研究应用基于深度学习的全身匿名化框架 DeepPrivacy2，将人工身份生成应用于工业图像和视频数据，并与传统匿名化技术进行性能比较，考虑了身份生成质量、时间一致性以及姿势估计和动作识别的适用性。

May, 2024

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