CN112989944A - 一种基于联邦学习的视频智能***方法 - Google Patents

一种基于联邦学习的视频智能***方法 Download PDF

Info

Publication number
CN112989944A
CN112989944A CN202110182984.XA CN202110182984A CN112989944A CN 112989944 A CN112989944 A CN 112989944A CN 202110182984 A CN202110182984 A CN 202110182984A CN 112989944 A CN112989944 A CN 112989944A
Authority
CN
China
Prior art keywords
model
training
data
federal learning
enterprise
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110182984.XA
Other languages
English (en)
Inventor
刘磊
陈高科
李刚
雷红涛
梅建刚
贾磊
叶飞龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XI'AN XIANGXUN TECHNOLOGY CO LTD
Original Assignee
XI'AN XIANGXUN TECHNOLOGY CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by XI'AN XIANGXUN TECHNOLOGY CO LTD filed Critical XI'AN XIANGXUN TECHNOLOGY CO LTD
Priority to CN202110182984.XA priority Critical patent/CN112989944A/zh
Publication of CN112989944A publication Critical patent/CN112989944A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于联邦学习的视频智能***方法，以解决现有技术中存在的基于深度学习的智能视频监管方法增加了泄露用户隐私的风险，且会增加计算中心的压力，耗费大量带宽资源的问题。该方法采用去中心化的联邦学习方式训练模型，主要通过中心服务端全局模型预训练和下发、企业节点局部模型训练、中心服务端全局模型迭代更新的步骤，得到最终联邦学习训练的模型，该模型精度接近数据集中训练方式得到的模型精度，且能够有效保护各企业节点的数据隐私；采用负载均衡推送的策略，根据模型的负载能力合理调配计算资源，降低了计算中心的压力，提高了对计算资源的利用率。

Description

一种基于联邦学习的视频智能***方法
技术领域
本发明涉及安全生产领域，具体涉及一种基于联邦学习的视频智能***方法。
背景技术
随着企业内部***范围的不断扩大，监管力度的不断细化，暴露出来的安全隐患也越来越多，因此如何采取有效的措施进行***是一个亟待解决的问题。
传统的***方法是采用人工巡查或通过视频回放的方式发现隐患并进行预警，由于监管点位广、视频数据量大，采用该方法往往会出现安全异常发现滞后、整改不及时的问题。随着人工智能的兴起，基于深度学习的智能视频监管方法能有效地解决上述问题，但深度学习是以数据驱动的，需要大量的违规素材作为训练样本，这就需要从各个企业获取大量的视频数据。这种方法存在两个问题：一方面，这些视频数据可能涉及到企业隐私和商业机密，将视频数据直接上传至云计算中心增加了泄露用户隐私的风险；另一方面，当训练样本数据较大时，还会增加计算中心的压力，耗费大量的带宽资源。
发明内容
本发明的目的是解决现有技术中存在的基于深度学习的智能视频监管方法增加了泄露用户隐私的风险，且会增加计算中心的压力，耗费大量带宽资源的问题，而提供了一种基于联邦学习的视频智能***方法。
本发明所采用的技术方案是：
一种基于联邦学习的视频智能***方法，其特殊之处在于，包括以下步骤：
1)中心服务端全局模型预训练和下发
1.1)数据预处理
在相似的非涉密场景中采集数据，或采用爬虫技术从网络爬取相关图像数据；对数据进行人工筛选和标注，将无效数据进行清除，得到数据集；采用数据增广方式扩展数据集；
1.2)模型预训练
以公开数据集的预训练模型为基础，利用步骤1.1)准备好的数据集在中心服务端训练一个基础模型；
1.3)模型下发
中心服务端将模型下发至各企业节点，并初始化模型超参数C、B、E；
其中，C为参与联邦学习的节点比例C∈[0,1]；
B为每个节点训练时的batch_size，B为int类型；
E为每个节点训练的epoch，E为int类型；
2)企业节点局部模型训练
2.1)数据预处理
各企业在各自场景中采集数据，并完成数据预处理；
2.2)模型训练
随机选取int(C*5)个企业，每个企业节点分别以中心服务端模型权重为基础，对模型进行训练微调，当迭代E个epoch后，将企业节点的最优模型上传至中心服务端；
3)中心服务端全局模型迭代更新
3.1)模型聚合
中心服务端采用联邦平均算法将上传的企业节点模型聚合，以各企业节点参与训练样本数占总样本数的比例为权重，对模型的梯度参数加权平均；
3.2)模型更新
将加权平均后的梯度参数在中心服务端模型上反向传播，更新中心服务端模型权重；判断是否达到最大更新轮数或预期模型精度，若否，则将更新后的模型下发至各企业节点，并返回步骤2)；若是，则更新结束，得到最终联邦学习训练的模型，将该模型下发至各企业节点；
4)模型部署
4.1)视频流采集和解析
从企业实际生产场景内的摄像头获取视频流，并将视频流实时解析为图像；
4.2)负载均衡推送
当待推理图像数量大于单路模型的负载能力时，模型会加载多次，提供多个推理服务，企业节点采用负载均衡策略将待推理图像推送至对应模型中；
4.3)推理
依据企业需求，企业节点模型对待推理图像进行检测识别；
4.4)预警及展示
根据企业节点模型的检测结果，将违规数据上报至平台；平台进行实时预警和展示，并对违规数据进行存储、统计和管理。
进一步地，步骤3.2)中，所述更新中心服务端模型权重如下式所示：
Figure BDA0002941921130000041
式中，wt+1为t轮更新之后中心服务端模型权重；
wt为t轮更新之前中心服务端模型权重；
η为学习率；
k为节点数；
M为参与联邦学习的节点个数；
nk为节点k包含的样本数；
n为所有节点包含的样本总数；
t为模型更新的轮数；
Figure BDA0002941921130000042
为t轮更新时，k节点模型的反向传播梯度。
进一步地，步骤3.2)中，所述将最终联邦学习训练的模型下发至各企业节点后，将该模型采用flask封装为web应用，并制作为docker镜像。
进一步地，步骤1.1)中，所述数据增广方式为Cutout、Mixup、CutMix、颜色空间变换或图像翻转。
进一步地，步骤1.2)中，所述公开数据集为COCO数据集。
进一步地，步骤4.1)中，所述将视频流实时解析为图像具体为：采用FFmpeg或调用摄像头SDK解流的方式将H264的视频流实时解析为RGB三通道图像序列。
进一步地，步骤1.3)中，所述模型超参数C＝0.5，B＝64，E＝20。
进一步地，步骤1)至步骤4)中，所述模型为人脸识别模型、着装穿戴检测模型、异常行为检测模型或仪器仪表识别模型。
本发明相比现有技术的有益效果是：
(1)本发明提供的基于联邦学习的视频智能***方法，采用去中心化的联邦学习方式训练模型，模型更新迭代便捷，最终得到的模型精度接近数据集中训练方式得到的模型精度，且有效保护了各企业节点的数据隐私，打破了深度学习应用中的数据壁垒；采用负载均衡推送的策略，根据模型的负载能力合理调配计算资源，降低了计算中心的压力，提高了对计算资源的利用率；最后根据检测结果进行实时预警和展示，极大地降低了企业安全事故发生的概率。
(2)本发明采用docker打包模型，这种模型容器化部署方式可以达到开箱即用的效果，不仅将计算和应用解耦，提高了平台的稳定性，还便于后期模型的升级优化。
附图说明
图1是本发明中基于联邦学习的模型训练示意图；
图2是本发明中模型部署示意图；
图3是本发明方法的应用***架构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
以多个相似的加工制造企业为例，每个企业生产车间内安装有若干摄像头，企业内部视频数据不能泄露，基于此场景，采用本发明提供的基于联邦学习的视频智能***方法，以着装穿戴检测为对象，进行模型训练和部署，如图1、图2所示，具体实施步骤如下：
1)中心服务端全局模型预训练和下发
1.1)数据预处理
在相似的非涉密场景中采集数据，或采用爬虫技术从网络爬取相关图像数据；对数据进行人工筛选和标注，依据数据标签和图像数据，将无效数据进行清除，保证训练样本的有效性，从而得到数据集；采用数据增广方式扩展数据集，如Cutout、Mixup、CutMix、颜色空间变换、图像翻转等策略，提升训练样本中不同类别的均衡性和模型的泛化能力；
1.2)模型预训练
着装穿戴检测主要采用目标模型，以公开数据集的预训练模型为基础，如COCO数据集，利用准备好的数据集在中心服务端训练一个基础模型；
1.3)模型下发
中心服务端将模型结构和模型参数下发至各企业节点，由于各企业节点数据孤立存在且分布不均衡，联邦学习方法引入三个超参数C、B、E，并初始化模型超参数(可根据具体情况配置)：C＝0.5(参与联邦学习的节点比例，C∈[0,1])，该参数可有效提高训练速度，增加训练样本的多样性；B＝64(每个节点训练时的batch_size，B为int类型)；E＝20(每个节点训练的epoch，E为int类型)；
2)企业节点局部模型训练
2.1)数据预处理
各企业在各自场景中采集数据，并完成数据预处理；
2.2)模型训练
随机选取int(C*5)个企业，每个企业节点分别以中心服务端模型权重为基础，对模型进行训练微调，每训练一轮则保存一个模型，当迭代E个epoch后，将E轮训练保存的模型中最优模型上传至中心服务端；
3)中心服务端全局模型迭代更新
3.1)模型聚合
中心服务端采用联邦平均算法将上传的企业节点模型聚合，以各企业节点参与训练样本数占总样本数的比例为权重，对模型的梯度参数加权平均；
3.2)模型更新
将加权平均后的梯度参数在中心服务端模型上反向传播，更新中心服务端模型权重；
假设共有K个节点，在t轮全局模型更新过程中，共有M个节点参与联邦学习，则权重更新如下式所示：
Figure BDA0002941921130000071
式中，wt+1为t轮更新之后中心服务端模型权重；
wt为t轮更新之前中心服务端模型权重；
η为学习率；
k为节点数；
M为参与联邦学习的节点个数；
nk为节点k包含的样本数；
n为所有节点包含的样本总数；
t为模型更新的轮数；
Figure BDA0002941921130000072
为t轮更新时，k节点模型的反向传播梯度；
中心服务端模型权重更新后，判断是否达到最大更新轮数或预期模型精度，若否，则将更新后的模型下发至各企业节点，并返回步骤2)；若是，则更新结束，得到最终联邦学习训练的模型，将该模型下发至各企业节点；各企业节点将最终联邦学习训练的模型采用flask封装为web应用，为了简化模型部署，采用docker容器技术，将该模型制作为镜像；
4)模型部署
4.1)视频流采集和解析
从企业实际生产场景内的摄像头获取视频流，采用FFmpeg或调用摄像头SDK解流的方式，将H264的视频流实时解析为RGB三通道图像序列；
4.2)负载均衡推送
企业内部的待推理图像数量大于单路模型的负载能力时，模型会加载多次，提供多个推理服务，企业节点采用负载均衡策略将待推理图像推送至对应模型中，最大化地利用服务器的计算资源；
4.3)推理
依据企业需求，企业节点模型对待推理图像进行检测识别；
4.4)预警及展示
根据企业节点模型的检测结果，将违规数据上报至平台；平台进行实时预警和展示，并对违规数据进行存储、统计和管理。
本发明方法的应用***如图3所示，在数据采集层，通过网络摄像机、工业摄像机、本地视频、传感器等获取数据；在数据处理层，各企业通过加权联邦训练得到深度学习模型后，采用量化和剪枝的方法对模型进行压缩，结合高性能的深度学习推理优化器(TensorRT或TVM)，减少模型参数并提升模型的推理速度，将优化后的深度学习模型封装为web应用，client推送一帧图像后即可返回检测结果；应用层根据企业管理条例，将模型检测结果量化为违规数据，实现违规数据统计、违规预警以及违规数据展示等功能。

Claims (8)

1.一种基于联邦学习的视频智能***方法，其特征在于，包括以下步骤：
1)中心服务端全局模型预训练和下发
1.1)数据预处理
在相似的非涉密场景中采集数据，或采用爬虫技术从网络爬取相关图像数据；对数据进行人工筛选和标注，将无效数据进行清除，得到数据集；采用数据增广方式扩展数据集；
1.2)模型预训练
以公开数据集的预训练模型为基础，利用步骤1.1)准备好的数据集在中心服务端训练一个基础模型；
1.3)模型下发
中心服务端将模型下发至各企业节点，并初始化模型超参数C、B、E；
其中，C为参与联邦学习的节点比例C∈[0,1]；
B为每个节点训练时的batch_size，B为int类型；
E为每个节点训练的epoch，E为int类型；
2)企业节点局部模型训练
2.1)数据预处理
各企业在各自场景中采集数据，并完成数据预处理；
2.2)模型训练
随机选取int(C*5)个企业，每个企业节点分别以中心服务端模型权重为基础，对模型进行训练微调，当迭代E个epoch后，将企业节点的最优模型上传至中心服务端；
3)中心服务端全局模型迭代更新
3.1)模型聚合
中心服务端采用联邦平均算法将上传的企业节点模型聚合，以各企业节点参与训练样本数占总样本数的比例为权重，对模型的梯度参数加权平均；
3.2)模型更新
将加权平均后的梯度参数在中心服务端模型上反向传播，更新中心服务端模型权重；判断是否达到最大更新轮数或预期模型精度，若否，则将更新后的模型下发至各企业节点，并返回步骤2)；若是，则更新结束，得到最终联邦学习训练的模型，将该模型下发至各企业节点；
4)模型部署
4.1)视频流采集和解析
从企业实际生产场景内的摄像头获取视频流，并将视频流实时解析为图像；
4.2)负载均衡推送
当待推理图像数量大于单路模型的负载能力时，模型会加载多次，提供多个推理服务，企业节点采用负载均衡策略将待推理图像推送至对应模型中；
4.3)推理
依据企业需求，企业节点模型对待推理图像进行检测识别；
4.4)预警及展示
根据企业节点模型的检测结果，将违规数据上报至平台；平台进行实时预警和展示，并对违规数据进行存储、统计和管理。
2.根据权利要求1所述的一种基于联邦学习的视频智能***方法，其特征在于：
步骤3.2)中，所述更新中心服务端模型权重如下式所示：
Figure FDA0002941921120000031
式中，wt+1为t轮更新之后中心服务端模型权重；
wt为t轮更新之前中心服务端模型权重；
η为学习率；
k为节点数；
M为参与联邦学习的节点个数；
nk为节点k包含的样本数；
n为所有节点包含的样本总数；
t为模型更新的轮数；
Figure FDA0002941921120000032
为t轮更新时，k节点模型的反向传播梯度。
3.根据权利要求2所述的一种基于联邦学习的视频智能***方法，其特征在于：
步骤3.2)中，所述将最终联邦学习训练的模型下发至各企业节点后，将该模型采用flask封装为web应用，并制作为docker镜像。
4.根据权利要求1至3任一所述的一种基于联邦学习的视频智能***方法，其特征在于：
步骤1.1)中，所述数据增广方式为Cutout、Mixup、CutMix、颜色空间变换或图像翻转。
5.根据权利要求4所述的一种基于联邦学习的视频智能***方法，其特征在于：
步骤1.2)中，所述公开数据集为COCO数据集。
6.根据权利要求5所述的一种基于联邦学习的视频智能***方法，其特征在于：
步骤4.1)中，所述将视频流实时解析为图像具体为：采用FFmpeg或调用摄像头SDK解流的方式将H264的视频流实时解析为RGB三通道图像序列。
7.根据权利要求6所述的一种基于联邦学习的视频智能***方法，其特征在于：
步骤1.3)中，所述模型超参数C＝0.5，B＝64，E＝20。
8.根据权利要求7所述的一种基于联邦学习的视频智能***方法，其特征在于：
步骤1)至步骤4)中，所述模型为人脸识别模型、着装穿戴检测模型、异常行为检测模型或仪器仪表识别模型。
CN202110182984.XA 2021-02-08 2021-02-08 一种基于联邦学习的视频智能***方法 Pending CN112989944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110182984.XA CN112989944A (zh) 2021-02-08 2021-02-08 一种基于联邦学习的视频智能***方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110182984.XA CN112989944A (zh) 2021-02-08 2021-02-08 一种基于联邦学习的视频智能***方法

Publications (1)

Publication Number Publication Date
CN112989944A true CN112989944A (zh) 2021-06-18

Family

ID=76392970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110182984.XA Pending CN112989944A (zh) 2021-02-08 2021-02-08 一种基于联邦学习的视频智能***方法

Country Status (1)

Country Link
CN (1) CN112989944A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191340A (zh) * 2021-07-01 2021-07-30 智广海联(天津)大数据技术有限公司 基于联邦学习模式的社区重点人员监管***及方法
CN113537513A (zh) * 2021-07-15 2021-10-22 青岛海尔工业智能研究院有限公司 基于联邦学习的模型训练方法、装置、***、设备和介质
CN113591974A (zh) * 2021-07-29 2021-11-02 浙江大学 一种联邦学习中基于易遗忘数据子集的遗忘验证方法
CN114003957A (zh) * 2021-11-04 2022-02-01 陕西师范大学 一种基于联邦学习社交媒体用户隐私信息保护方法和***
CN114925238A (zh) * 2022-07-20 2022-08-19 山东大学 一种基于联邦学习的视频片段检索方法及***
WO2023029704A1 (zh) * 2021-08-31 2023-03-09 华为技术有限公司 数据处理方法、装置和***
CN117172632A (zh) * 2023-10-30 2023-12-05 湖南财信数字科技有限公司 一种企业异常行为检测方法、装置、设备及存储介质
WO2024032214A1 (zh) * 2022-08-11 2024-02-15 华为技术有限公司 一种推理方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190227980A1 (en) * 2018-01-22 2019-07-25 Google Llc Training User-Level Differentially Private Machine-Learned Models
CN111612168A (zh) * 2020-06-30 2020-09-01 腾讯科技（深圳）有限公司 一种机器学习任务的管理方法以及相关装置
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法
WO2021004551A1 (zh) * 2019-09-26 2021-01-14 深圳前海微众银行股份有限公司 纵向联邦学习***优化方法、装置、设备及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190227980A1 (en) * 2018-01-22 2019-07-25 Google Llc Training User-Level Differentially Private Machine-Learned Models
WO2021004551A1 (zh) * 2019-09-26 2021-01-14 深圳前海微众银行股份有限公司 纵向联邦学习***优化方法、装置、设备及可读存储介质
CN111612168A (zh) * 2020-06-30 2020-09-01 腾讯科技（深圳）有限公司 一种机器学习任务的管理方法以及相关装置
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵羽: "面向视频监控基于联邦学习的智能边缘计算技术", 《通信学报》, vol. 41, no. 10, pages 109 - 114 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191340A (zh) * 2021-07-01 2021-07-30 智广海联(天津)大数据技术有限公司 基于联邦学习模式的社区重点人员监管***及方法
CN113537513A (zh) * 2021-07-15 2021-10-22 青岛海尔工业智能研究院有限公司 基于联邦学习的模型训练方法、装置、***、设备和介质
CN113591974A (zh) * 2021-07-29 2021-11-02 浙江大学 一种联邦学习中基于易遗忘数据子集的遗忘验证方法
WO2023029704A1 (zh) * 2021-08-31 2023-03-09 华为技术有限公司 数据处理方法、装置和***
CN114003957A (zh) * 2021-11-04 2022-02-01 陕西师范大学 一种基于联邦学习社交媒体用户隐私信息保护方法和***
CN114925238A (zh) * 2022-07-20 2022-08-19 山东大学 一种基于联邦学习的视频片段检索方法及***
WO2024032214A1 (zh) * 2022-08-11 2024-02-15 华为技术有限公司 一种推理方法及相关装置
CN117172632A (zh) * 2023-10-30 2023-12-05 湖南财信数字科技有限公司 一种企业异常行为检测方法、装置、设备及存储介质
CN117172632B (zh) * 2023-10-30 2024-01-19 湖南财信数字科技有限公司 一种企业异常行为检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112989944A (zh) 一种基于联邦学习的视频智能***方法
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN107729799A (zh) 基于深度卷积神经网络的人群异常行为视觉检测及分析预警***
CN106251578A (zh) 基于探针的人流预警分析方法和***
CN108965826A (zh) 监控方法、装置、处理设备及存储介质
CN108710875A (zh) 一种基于深度学习的航拍公路车辆计数方法及装置
CN113642403B (zh) 基于边缘计算的人群异动智能安全检测***
CN109544204B (zh) 一种基于轻量化多任务卷积神经网络的导购行为分析方法
CN110677300B (zh) 基于移动边缘计算的电力安管视频智能分流装置及方法
Xu et al. Fine-grained prediction of PM2. 5 concentration based on multisource data and deep learning
Millefiori et al. A distributed approach to estimating sea port operational regions from lots of AIS data
CN113099242B (zh) 一种输电线路视频监测数据处理方法及***
Matek et al. GitHub open source project recommendation system
CN109871711B (zh) 海洋大数据共享分发风险控制模型及方法
Turukmane et al. Multispectral image analysis for monitoring by IoT based wireless communication using secure locations protocol and classification by deep learning techniques
CN116562824B (zh) 一种公路工程全生命周期项目管理方法及***
CN109461303A (zh) 一种交通拥堵状态获取方法和装置
Chowdhury et al. Vehicle detection and classification using deep neural networks
Sun et al. Zero-shot multi-level feature transmission policy powered by semantic knowledge base
Beiji et al. Crime hotspot detection and monitoring using video based event modeling and mapping techniques
Tavakkol et al. An entropy-based framework for efficient post-disaster assessment based on crowdsourced data
Coletta et al. A 2-UAV: Application-Aware Content and Network Optimization of Edge-Assisted UAV Systems
Li et al. Modified GAN model for traffic missing data imputation
CN110446012A (zh) 一种智慧城市的实现方法及***
Xu Artificial intelligence unlocks ecological environment governance—smart statistical monitoring based on meteorology

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination