利用人工智能改变视频智能

人工智能视频分析正在将安全摄像头变成强大的传感器,可以改善您监控站点安全的方式。借助人工智能 (AI),摄像头可以独立准确地检测威胁,而无需人工不断观看视频。

这并不奇怪——过去几年,这一直是安全行业协会 (SIA) 提出的几大趋势的重要组成部分。但由于技术进步和网络融合,它们还能够通过更多安全之外的用例改变您对运营的看法。这可以包括监控工作场所的安全风险、跟踪零售环境中的客户体验质量、评估工业环境中的设备是否需要维护等等。

安全领域之外的视频智能的更广泛应用有可能帮助您组织中的人员提高工作效率、效率和安全性。然而,这些应用也带来了新的考虑因素,即您和您的集成商如何共同规划、设计和实施视频智能系统。了解这些标准对于释放人工智能监控的潜力至关重要。

以新的方式看待运营

将视频智能扩展到非安全用例需要全面规划。这种主动方法(而不是简单地购买或升级产品)有助于确保您的解决方案能够最好地满足您的个性化需求。

首先,集成商需要了解您的设施中正在发生的事情。通过深入的设计思维会议,集成商可以帮助您探索潜在的视频应用程序以及部署它们需要考虑的所有因素。这些因素包括环境、流程、人员及其行为。

非环境因素也必须考虑。例如,可能需要匿名捕获来帮助防止人工智能系统出现偏见并保护人们的隐私,尤其是在医疗机构、学校和法院等环境中。如果适用 HIPAA 或欧盟的 GDPR 等法律,它还会影响摄像头可以去哪里以及它们可以收集哪些数据。

另一个需要考虑的因素是人工智能视频智能应用可以带来的抵消成本。该应用可能需要新的投资,但也可能带来新的销售或节省,从而收回部分或全部投资。更好的营销和客户体验可以促进销售,更好的安全措施可以改善损失预防,增强安全性可以减少伤害责任,这些只是抵消成本的一些方法。

部署注意事项  

除了安全之外,视频智能的更多应用必然会带来更多的部署考虑。这些考虑包括摄像头的位置和视野、环境照明和潜在眩光源以及分析处理的位置。

摄像头的放置位置对于确保收集准确测量目标分析所需的信息至关重要。例如,如果要监控车辆活动,摄像头的放置位置应排除摄像头视野范围内的附近道路,因为这可能会收集到不需要或不准确的信息。同样,如果将摄像头放置在垂直视角,则人数统计或排队等应用可以更容易测量。 

在决定如何处理人工智能分析时,有四种选择。每种都有其优势、成本和要求。

当将摄像头用于单一应用(如火灾探测或仪表读数)时,边缘分析是一个不错的选择。但是,此选项可能存在本地数据存储限制,并且一次只能在摄像头上运行有限数量的分析。

对于涉及多个或远程位置的应用程序,基于云的分析是一个不错的选择。此选项易于安装、扩展和维护。根据使用情况,可扩展性和灵活性可能很有吸引力,尤其是与网络视频录像机 (NVR) 和服务器等解决方案相比,这些解决方案可能很昂贵,并且可能无法大规模实施。权衡的是,基于云的分析通常会根据使用的摄像头数量、所需的分辨率以及数据存储时间等因素收取定期费用。 

基于服务器的分析可避免经常性费用,但必须将本地服务器计入总成本。制造商提供包括摄像头、服务器和视频管理系统在内的捆绑产品。如果使用来自多家制造商的解决方案,请确保它们兼容。

混合解决方案可以结合使用上述方法,为项目带来各自的独特优势。例如,您可以使用摄像机存储和分析功能,同时允许使用基于云的应用程序管理设备。

确定基础设施需求

每个项目的独特需求将决定您是否可以使用现有的基础设施或是否需要额外的投资。

例如,使用基于服务器的分析处理的跨线或感兴趣区域应用程序可以让你使用现有的摄像头。但对于在边缘运行的应用程序,你可能需要一组新的、更高端的摄像头。 

考虑长期目标也很重要。例如,部署更多摄像头或带有更多传感器的摄像头可能会给网络带宽造成压力。而布线限制可能会将摄像头部署限制在距离电源和连接源 100 米以内。

实施公用级 (UTG) 电缆基础设施可以满足您未来不可避免地会增长的应用和连接需求。UTG 基础设施提供的性能和可靠性水平超出了行业标准。UTG 电缆至少可以达到 150 米,有些甚至达到 185 米。

创新提升

人工智能改变了视频智能解决方案的功能。它可能需要您和您的集成商对设计、实施和使用摄像头的方式做出一些颠覆性的改变。但如果您愿意适应这种变化,您就可以解锁新的、更有效的方式来保护和运营您的组织。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/1542036.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

软考高级:数据库关系模式推理规则 AI 解读

你提出的是关系模式中的一些经典推理规则,这些规则在数据库理论、函数依赖和范式相关的讨论中经常出现。我们可以通过以下方式深入理解这些规则,并且对其中的推理逻辑进行分解。 生活化例子 想象你在管理一家快递公司,货物需要从仓库&#…

低版本SqlSugar的where条件中使用可空类型报语法错误

SQLServer数据表中有两列可空列,均为数值类型,同时在数据库中录入测试数据,Age和Height列均部分有值。   使用SqlSugar的DbFirst功能生成数据库表类,其中Age、Height属性均为可空类型。   开始使用的SqlSugar版本较低&…

传奇外网架设全套图文教程-BLUE引擎

提示: 当你拿到一个BLUE引擎的版本,首先查看一下版本内文件是否完整,一个完整的BLUE版本包括:DBServer、LoginGate、LoginSrv、LogServer、Mir200、Mud2、RunGate、SelGate、网站和GameCenter.exe(引擎)&am…

群晖套娃:群晖+飞牛fnOS二合一,群晖nas安装飞牛fnOS系统实录(飞牛fnOS初体验,如何挂载网盘视频,轻松实现影视刮削)

文章目录 📖 介绍 📖🏡 演示环境 🏡📒 飞牛fnOS 📒📝 什么是飞牛fnOS?📝 准备工作📝 安装飞牛fnOS📝 影视刮削⚓️ 相关链接 ⚓️📖 介绍 📖 最近有一款很火的国产NAS系统吸引了不少用户的注意。你是否曾想过,将这种新兴系统安装到你的群晖设备上,实…

LLMs之MemLong:《MemLong: Memory-Augmented Retrieval for Long Text Modeling》翻译与解读

LLMs之MemLong:《MemLong: Memory-Augmented Retrieval for Long Text Modeling》翻译与解读 导读:MemLong 是一种新颖高效的解决 LLM 长文本处理难题的方法,它通过外部检索器获取历史信息,并将其与模型的内部检索过程相结合&…

Wpf使用NLog将日志输出到LogViewer

1 LogViewer LogViewer是通过UDP传输的高性能实时log查看器。 具有一下特性: 通过UDP读取日志通过文件导入日志导出日志到一个文件中排序、过滤(日志树,日志等级)和查找突出显示搜索文本从UPD接收日志时忽略IP地址列表多接收器支…

HTML5中新增元素介绍

引入了许多新元素,以增强网页的语义和功能。这些新元素大致可以按以下几类进行分类和介绍。 下面是对各标签的详解,section、header、footer、nav、article、aside、figure、code、dialog、meter、time、progress、video、audio、details、atagrid、menu…

数据库提权【笔记总结】

文章目录 UDF提权以有webshell只有数据库权限条件复现msf工具sql语句提权 MOF提权前言条件复现msf工具php脚本提权 sqlserver提权前言条件xp_cmdshell提权复现 沙盒提权介绍复现 Oracle提权靶场搭建执行任意命令复现 通过注入存储过程提权(低权限提升至DBA&#xff…

深度学习之概率论预备知识点(3)

在深度学习中,概率论和数理统计是理解许多算法背后的理论基础。这些知识在处理不确定性、估计模型参数、理解数据分布等方面非常关键 1、概率 一种用来描述随机事件发生的可能性的数字度量,表示某一事件发生的可能性。 概率并不客观存在,是…

12. Inseq 特征归因:可视化解释 LLM 的输出

Feature Attribution(特征归因):你可以将其当做对模型输出的解释,就像在图像分类中可视化模型关注的区域一样。 本文将介绍 Inseq,这是一个用于解释和可视化序列生成模型输出的工具。我们将通过翻译任务(关…

【MySQL 01】数据库基础

目录 1.数据库是什么 2.基本操作 数据库服务器连接操作 数据库和数据库表的创建 服务器,数据库,表关系 数据逻辑存储 3.MySQL架构 4.SQL分类 5.存储引擎 1.数据库是什么 mysql&&mysqld: mysql:这通常指的是 MySQL …

C#描述-计算机视觉OpenCV(6):形态学

C#描述-计算机视觉OpenCV(6):形态学 前言阈值化二值图像腐蚀与膨胀算法形态学滤波器开启和闭合运算原理概括 前言 这是本系列第六节,主要是介绍基础的形态学运用。 形态学主要是分析图像中不同主题的形态,它定义了一系…

基于redis的HyperLogLog数据结构实现的布隆过滤器在信息流中历史数据的应用

一、基于redis的HyperLogLog数据结构实现的布隆过滤器在信息流中历史数据的应用 做信息流服务端的左发一定会遇到用户历史数据的集合,对于一些有限信息流(因DT数据中心的推荐数据变化较慢,推荐量不大),历史数据可以使用…

扎克伯格的未来愿景 用智能眼镜引领数字社交互动新时代

在即将召开的 Meta Connect 2024 大会之前,对公司创始人马克-扎克伯格(Mark Zuckerberg)进行了长达 90 分钟的播客采访,对 Meta 的未来发展方向和愿景进行了阐述。 这次访谈不仅为即将举行的会议预热,还深入探讨了 Met…

CAN通信技术入门篇

参考ISO 11898与BOSCH_CAN_V20 1.CAN通信技术概述 CAN ( Controller Area Network ) 即控制器局域网络。由于其高性能、高可靠性、及独特的设计,CAN越来越受到人们的重视。国外已有许多大公司的产品采用了这一技术。 CAN最初是由德国的BOSCH公司为汽车监测、控制系统而设计的…

ML 系列:机器学习和深度学习的深层次总结(04)多元线性回归 (MLR)

图 1.多元线性回归与简单线性回归 一、说明 线性回归从一维推广到多维,这与单变量线性回归有很多不同,情况更加复杂,而在梯度优化也需要改成向量梯度,同时,数据预处理也成了必要步骤。 二、综述 多元线性回归是简单线性…

利用JAVA写一张纸折叠珠穆拉玛峰高度

public class zhumulama {public static void main(String[] args) {double height 8848860;double zhi 0.1;int count 0;while(zhi < height){zhi*2;//每次折完厚度count;//计数}System.out.println("一共需要折"count"次");System.out.println(&qu…

PD协议过程详解:从物理连接到智能管理的全面剖析

随着科技的飞速发展&#xff0c;电力传输与数据交换的需求日益增加&#xff0c;Power Delivery&#xff08;简称PD&#xff09;协议应运而生&#xff0c;成为现代电子设备充电与数据传输的重要标准。PD协议由USB Implementers Forum&#xff08;USB-IF&#xff09;制定&#xf…

Lanterns (dp 紫 线段树 二分 维护dp)

Lanterns - 洛谷 | 计算机科学教育新生态 (luogu.com.cn) 让所有点被覆盖&#xff0c;那么状态可以设计成覆盖一段前缀&#xff0c;并且中间不允许出现断点 由于CF崩了&#xff0c;所以暂时没提交代码。 记f(i) 为前 i 个灯笼点亮的最长前缀。 由于答案具有保留性&#xff…

24年研赛-华为杯数模竞赛D题论文首发+代码分享

本届研赛助攻题目 C D F三题论文均已经全部完成。后更新计划 如图所示。 免费给大家分享 三个问题的论文部分代码 2024年华为杯-研赛分享资料&#xff08;论文部分代码&#xff09;&#xff08;已更新部分代码&#xff09;&#xff1a; 链接&#xff1a;https://pan.baidu.com…