视频共享是平安城市的发展趋势
平安是人民幸福安康的基本要求,建设平安城市是各级政府的重大责任。作为平安城市建设的重点内容,视频影像实时记录技术已经成为继刑侦、技侦、网侦技术之后公安机关战斗力新的增长点。近一两年,随着4K超高清、云计算、大数据等各种新技术、新应用的不断涌现,以及公安部门对“大平安”概念的不断求索,未来的发展趋向也日渐清晰。
随着网络化、高清化视频监控的逐步普及,视频监控的存储系统成为整个系统中的重要支撑产品,因此一个安全、稳定、可靠的视频监控存储平台,成为后期线索排查、案件分析等关键工作的重要支撑。而且随着网络监控的应用范围逐步扩大,要求进行省级乃至全国范围内跨区域的大联网。目前很多城市完成了覆盖本市的整体视频监控系统,但是也由此带来了新的问题,最突出的就是不能实现视频资源的共享。传统分散存储模式的DVR、NVR为视频数据的共享带来了技术上的阻碍,而集中存储模式的SAN和云存储成为了平安城市视频监控存储的主流模式。
稳定存储和高效分析是支撑视频技术的核心诉求
平安城市中新技术的应用,对承载海量视频数据的存储系统也提出了更高的要求,要求存储设备能够保证高性能的视频并发读取能力,传统1:1读写比例的存储系统已经成为视频智能分析的性能瓶颈。
综上所述,视频监控数据的稳定存储和高效分析是未来几年平安城市的核心诉求,华为以“汇聚视频力量、洞察图像智慧”为理念,推出了面向未来的视频监控存储解决方案。
克拉玛依是国家重要的石油石化基地、新疆重点建设的新型工业化城市,克拉玛依规划在十二五期间打造成高品质、最安全的城市,使克拉玛依市成为各民族、各阶层以及各类人群和谐相处、互相包容的安全、生活幸福的城市。
基于此,华为提供视频监控云存储解决方案构建大数据存储平台,以“可靠、高效、智能“为建设原则,以专业的存储方案实现视频文件的全面共享,视频数据的安全存储、视频价值的充分挖掘,为克拉玛依最安全城市建设保驾护航。
华为视频监控云存储解决方案系统架构
l 智能化的可靠性保障
华为存储设备具备优良的备份、保护能力都能为视频数据提供可靠性保障,支持针对重要摄像头单独设置容灾备份策略;支持N+1到N+4数据保护;支持文件级别的数据保护;支持硬件节点间数据冗余的容灾保护,即系统中物理节点损坏一个或多个不影响整体数据完整性。支持系统通过虚拟化与QoS保障等技术,保障在进行视频智能分析的同时,不影响视频数据进行录像、回放等基本运用。
l 高效并行分析能力
华为存储通过视频流整合、智能预取、IO直通等技术使视频图像检索效率提升到业界24倍,支持4:1的存储读写比例更好满足视频智能分析高并发读取的性能要求。另外两层存储、两级分析架构对治安视频的分布式存储和分析、统一管理提供了的管道基础,从而能够支持上百上千路视频并行分析处理,并且系统支持负载均衡动态管理,确保分析任务处理均匀分发处理,自动平衡容量和性能,充分发挥分布式处理效率。针对原始视频、分析过程视频或图片、涉案事件视频或图片的信息关联管理,借助Hadoop大数据平台提供集中管理、分布式的并行检索和关联分析,并与存储数据分类归档相配合,让刑侦办案处于更有序的管理状态,帮助公安客户高效快速进行案事件过滤筛选,能有效协助公安提高“24小时破案率”。
华为,作为专业存储厂商领导者和世界存储行业佼佼者,深刻理解当前国内的实际情况和平安城市建设诉求,设计出了符合中国国情的视频监控存储解决方案,在满足平安城市数据安全存储的前提下,极力推进中国的平安城市建设朝着专业化、现代化、高效化的方向迈进。
华为存储,秉承“汇聚视频力量,洞察图像智慧”的理念,以专业的存储能力,让克拉玛依平安城市更平安。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。