本文提出了一种新颖的边缘计算实时视频分析系统，包括跟踪辅助对象检测模块和感兴趣区域模块，在具有波动网络条件的情况下，通过无线网络将智能视觉设备连接到边缘服务器，通过基于深度 Q 网络的边缘处理方法和基于多臂赌博机的自适应配置选择方法来解决实时视频分析问题。通过大量的模拟实验评估了该解决方案的性能，并展示了其优势。

Feb, 2024

本文提出了一种新方法，利用视频帧的时间连续性，通过重新分配图像色彩通道来改善病人监测中出现的假象对监测数据的影响，从而实现病人监测的自动化和信息化。

Jun, 2023

通过融合 2D 图像与 3D LiDAR 点云的特征，学习度量，以及在无匹配目标检测时初始化跟踪，提出了一种概率、多模态、多对象跟踪系统，实现了比现有技术更鲁棒、数据驱动的多对象跟踪。

Dec, 2020

本文提出了一种实时的手和物体姿态联合追踪方法，利用一个单独的 RGB-D 相机，通过 3D GMM 算法和创新的正则化策略，同时解决了遮挡、快速运动和手与物体重合的问题，辅以判别式手部部分分类和物体分割，实现了实时追踪。实验结果表明，该方法具有速度、准确性和鲁棒性。

Oct, 2016

边缘视频分析系统中的目标跟踪是一项重要功能。本文研究了边缘目标跟踪的性能问题和边缘优化机会，并提出了一种名为 EMO 的边缘特定性能优化策略，通过窗口和相似度优化实现了实时目标跟踪的加速。大量实验证明我们的 EMO 方法在运行时间性能和跟踪精度方面与其他代表性技术相比具有竞争力。EMO 已在 Github 上发布。

Sep, 2023

本文探索一种实用的多目标跟踪方法，强调高效地为实时应用程序分配对象。在追踪组件中，使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合，同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器，跟踪精度可以提高高达 18.9％。此外，由于跟踪方法的简单性，该跟踪器的更新速率为 260 Hz，比其他最先进的跟踪器快 20 倍以上。

Feb, 2016

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

本文提出了一种基于多模态融合的新型多目标跟踪框架，通过将目标检测和多目标跟踪集成到同一模型中，取消了传统 TBD 范例中复杂的数据关联过程，并且不需要额外的训练。其次，探讨了历史轨迹回归的置信度，分析了一条轨迹在当前帧中的可能状态，并设计了置信度融合模块来指导有序关联的轨迹和检测的非极大值抑制。最后，在 KITTI 和 Waymo 数据集上进行了大量实验，结果表明，所提出的方法可以通过使用两个模态检测器实现鲁棒跟踪，并且比许多最新的基于 TBD 范例的多模式跟踪方法更加精确。

Apr, 2023

本研究报告描述了一个实时自动驾驶员监控系统，该系统基于硬件加速器边缘设备运行。使用红外摄像头记录驾驶员镜头，通过模型的手术使深度学习模型在边缘设备上运行，最终在 TI-TDA4VM 边缘设备上实现了 63 帧每秒（FPS）。

Apr, 2023

捕捉来自监控视频的异常事件提高了市民的安全和福祉。本文应用基于边缘计算的人工智能（EdgeAI）满足安全需求的低延迟要求。我们使用弱监督视频异常检测技术（RTFM）将端到端犯罪现场异常检测系统应用于监控摄像头，并借助边缘计算技术。该系统直接在多个 Jetson 边缘设备上进行测试，结合 NVIDIA 的软件开发工具包 TensorRT 以提高系统性能。该方法在可用数据集（如 UCF-Crime 和 UIT VNAnomaly）上与其他最先进算法相比取得了竞争力。该系统在使用仅 3.11GB RAM 的 Jetson 边缘设备上实现了每秒 47.56 帧的推理速度。我们还发现，该 AI 系统在能耗方面比早期版本的 Jetson 设备性能提高了 15%，而能耗降低了 50%。

Jul, 2023