城市大腦，是以互聯網為基礎設施，利用豐富的城市數據資源，對城市進行全局的即時分析。用城市的數據資源有效調配公共資源，不斷完善社會治理，推動城市可持續發展。

今天我們將三篇“城市大腦”的實踐論文，集結為一本迷你電子書，分享給你。這三篇優秀論文均被收錄于ACM MM 2017頂會論文中，是城市大腦背后技術的重要部分。

?

《阿里機器智能技術精選》（ACM MM 2017）下載：

https://102.alibaba.com/downloadFile.do?file=1532951451805%2fACM+MM2017.pdf

溫馨提醒：

1、此本迷你書約3M，希望你會喜歡。

2、若導入較慢，可將地址復制到PC瀏覽器下載。

阿里巴巴集團技術委員會主席王堅曾說，每一次技術革命，都會推動城市文明前進一步。蒸汽機時代，城市的標志是修公路；電力時代，城市的發展是鋪電網。我們身處的互聯網時代，數據成為重要的資源，城市需要構建一個數據大腦來再一次提升文明。

通過“城市大腦”項目，我們發現諸多待解決的問題，比如人流、車輛軌跡如何準確識別，如何提取三位空間中的物體特征等。經過不斷實踐，我們找到了一些比較好的解決方法，并將這些方法投入到實際場景中去正向增強應用的落地性。

部分目錄

該書有哪些精彩干貨？

《Spatio-TemporalAutoEncoder for Video Anomaly Detection》

（《時空自編碼器的視頻異常檢測模型》）

本文旨在論述如何解決“視頻異常”檢測問題，視頻異常檢測是指在一段視頻中檢測有異常狀態、行為的片段，真實世界視頻場景中的異常事件檢測是一個高難度的問題，因為“異常”本身很難定義而且場景中還存在雜亂的背景、物體和運動。在交通和安防場景下，如何用異常檢測算法幫助系統自動發現交通事件事故、可疑行人等？在實際生活中，具有較廣泛的應用前景和較高的研究價值。

論文中我們為城市大腦提供監控交通異常的方法，受動作識別等領域的最新研究成果啟發，設計了一種時空自編碼進行視頻異常檢測，同時提出一種權重遞減的預測誤差計算方法。經真實的交通場景評測，該算法在重要指標上已經超過了此前的最好方法。

《DeepSiamese Networkwith Multi-level Similarity Perception for PersonRe-identification》

（《基于多層相似度感知的深度神經網絡及其在同人鑒別中的應用》）

行人重識別是指給定一個攝像頭下某個行人的圖片，在其他攝像頭對應的圖片中準確地找到同一個人。行人重識別技術有十分重要的科研和實際應用價值，近來廣泛應用到交通、安防等領域，對于創建平安城市、智慧城市具有重要的意義。

論文中我們為人流軌跡的識別判斷提供技術支持。結合深度學習的Siamese網絡和分類網絡模型優勢，同時將相似度擴展到其他層次。與經典的大規模同人鑒別公開數據集對比，目前檢索精確度的最優結果已達業內最高水平。

《Stylized Adversarial Autoencoder for Image Generation》

（《基于風格化對抗自編碼器的圖像生成算法》）

車牌識別模型，是智慧城市的一個最基礎的模型，需要識別國內所有城市的車牌。比如我們在杭州收集到的數據主要以“浙A”車牌為主，這時候就需要用算法來自動生成數據。近兩年深度學習的興起極大地提升了AI模型的性能，但是隨之也帶來了巨大的數據需求以及標注成本。在真實場景下，我們往往很難獲得比較全面、大量、均勻且被準確標注的數據，因此讓AI學會生成數據成為一個主流方向，GAN是其中經典的模型之一。但是普通的GAN模型往往會存在生成數據不可控、泛化性不好等問題。

受條件對抗生成網絡和風格遷移學習的啟發，采用內容提取網絡和風格提取網絡分別從內容圖片和風格圖片中提取特征，將兩者融合后，通過圖片生成網絡獲得融合相應內容和風格的圖片。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的城市大脑背后的技术有哪些？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。