AI City Challenge 2023 had five tracks, including multi-target multi-camera people tracking, natural-language-based vehicle track retrieval, driver action classification, automated checkout system, and violation detection of the helmet rule for motorcyclists, drawing record-breaking participation from 508 teams across 46 countries and achieving state-of-the-art performances in all proposed challenge tracks.

Apr, 2023

第六届 AI 城市挑战的四个赛道分别涉及城市级多目标多相机车辆跟踪、基于自然语言的车辆轨迹检索、驾驶行为分类、零售店自动化结账，成功的参赛团队的表现已经建立了强大的基础并在参议的挑战中超过了最新技术的水平。

Apr, 2022

第四届 AI 城市挑战赛吸引了来自 37 个国家的 315 支参赛队伍，他们利用城市规模真实交通数据和高质量的合成数据竞争四个挑战赛道，结果表明 AI 技术能够使交通系统更加智能和安全。

Apr, 2020

这篇研究论文介绍了人工智能城市挑战赛及其关于交通智能化方面的研究，用于推动智能视频分析在城市交通等领域的发展和提高算法性能以促进其在真实应用中广泛使用。

Apr, 2021

本文提出了一个基于路口区域的多目标多相机车辆跟踪框架，使用探测和车辆重新识别模型提取目标和外观特征，并提出了方向基于时间蒙版的 tracklet 过滤策略、相邻相机的子簇，通过以上技术，该方法在 2021 AI City Challenge (AICITY21) 中获得了 0.8095 的 IDF1 评分，位列第一。

May, 2021

多相机多目标跟踪（MCMT）是一种计算机视觉技术，用于在多台相机上同时跟踪多个目标。本文介绍了一种名为 CityTrack 的新型 MCMT 框架，其中包括一种集成了各种先进技术的位置感知 SCMT 追踪器以及一种用于 ICA 模块的新颖的 Box-Grained Matching（BGM）方法，该方法能够解决城市交通场景中的困难。在 CityFlowV2 数据集的公共测试集上评估了我们的方法，并取得了 84.91% 的 IDF1 指标，在 2022 AI CITY CHALLENGE 中排名第一。我们的实验证明了我们的方法在克服城市交通场景带来的挑战方面的有效性。

Jul, 2023

本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

Sep, 2021

通过整合人工智能和机器学习技术，本研究旨在利用现有闭路电视网络对人群管理、犯罪预防和工作场所监控进行综合性处理，开发和实施能够实时分析视频信息的先进算法，实现人群动态识别和评估、潜在犯罪活动的早期发现以及工作环境的持续监控，借助于人工智能和机器学习技术，优化监控能力，提高公共安全措施和组织生产力的水平。这一倡议强调了智能视频分析在现有基础设施上的变革性影响，减少了系统全面改造的需要，显著提升了安全和运营效率。

Nov, 2023

本文介绍了我们在 AICITY21 车辆重识别比赛中赢得第一名的解决方案，该方案使用了车辆重识别、无监督领域自适应训练、后处理、模型组合等技术，并结合了裁剪训练数据和使用合成数据等方法。最终模型达到了 0.7445 的 mAP 得分。

May, 2021

提出了一种实时的多摄像头车辆跟踪系统，能够处理低分辨率的 CCTV 视频流并在交通运输系统中得到实际应用，具有较高的准确性，在 2021 年 NVIDIA AI City 多摄像头跟踪挑战赛中表现优异。

Apr, 2022