随着智能社会的推进,视频监控领域成为一个快速增长的市场。2016年,视频监控终端摄像头出货量为1亿台左右。分析机构预测到了2021年,摄像头出货量能够达到1.6亿台,这样的年复合增长可以说是非常蓬勃的市场。
面对这种这种市场趋势,西部数据推出了满足现代监控摄像机和终端系统的复杂和动态数据需求的Western Digital Purple microSD 移动卡。解决了监控摄像头对存储的边缘存储或者在端存储的要求越来越高的需求。
西部数据公司大中华区渠道业务董事总经理杨俊文谈到, Western Digital Purple microSD移动卡的发布,意味着Western Digital Purple microSD 移动卡能够与监控硬盘WD Purple和大容量氦气Ultrastar硬盘(HDD)结合使用,让西部数据在监控级的领域更上一层楼,做到数据保存与实时分析,为用户提供从终端到核心的全面监控数据产品。
西部数据集团嵌入集成方案产品市场总监张丹解读了目前Western Digital Purple microSD移动卡的应用场景。
第一解决了摄像头是独立使用的场景。在摄像头终端加入存储器,能够保证摄像所有东西能存进来。
第二在公共安全方面或者专业摄像头方面,以前所有的内容都是存到NVR和DVR,随着安防级别的升级,可能原来的单级存储已经不适应这个行业发展总的需求。现在在摄像头端做一级数据备份,哪怕NVR或DVR由于人为断网或各种各样风险出现的问题,这样在摄像头前端有备份,使我能够随时追敏感数据。
第三种云端集成,摄像头是直接连到云端的,可以直接连到云端,做一些AI的分析。它的适用场景更多是集中管理的中小企业,还有多个点的大规模企业在每个点的安防监控的布局。
最后,张丹分享了Western Digital Purple microSD 移动卡的产品特点。
从外观看,紫色是西数针对监控领域的颜色。所以紫色的Western Digital Purple microSD 移动卡针对安防监控领域来设计、命名和销售的。同时它很小,只有11*15毫米大小,但是功能强大。因此即具备卓越的性能,可获取并保存包括4K高清视频在内的各种高精度和下一代格式的视频,还能让方便在监控终端使用呢,将数据灵活地转移至核心数据系统以进行分析并快速洞察业务。
Western Digital Purple microSD 移动卡是一款坚固耐用的移动存储卡都能提供‘监控级’的耐久度和卓越性能,即使在某些恶劣的条件下仍然可提供值得信赖的视频捕捉能力。
它具备强大的连续录像耐久性:支持高达1,000个PE周期。PE周期直接决定了这个卡能够使用多长时间,能够质保多长时间。
轻松进行维护的工作状况监测功能:在兼容的摄像机中,工作状况监测器可为用户和系统安装商提供有用的信息,包括卡的耐久性和容量状态,从而实现提前维护,并避免不必要的维修。
用于新一代视频的高性能:提供高达80 MB/s的连续读取速度以及50 MB/s的连续写入速度,支持Speed Class 10和UHS Speed Class 1。
在广泛的气候条件下提供可信赖的视频获取能力:工作温度在-25°C至85°C之间,在室内外均可实现可靠的视频获取能力。
断开网络连接时仍可获取和保存视频:提供高达64GB的容量。
好文章,需要你的鼓励
这项研究提出了HoPE(混合位置编码),一种针对视觉语言模型的新型位置编码技术,专门解决长视频理解的挑战。传统位置编码技术在处理长视频时表现不佳,HoPE通过两个创新解决了这一问题:混合频率分配策略(为空间信息分配高频,时间维度使用零频率)和动态时间缩放机制(根据视频速度灵活调整时间编码)。实验证明,HoPE在长视频理解和检索任务上分别提升了8.35%和22.23%,为AI更准确理解长视频内容开辟了新途径。
东京大学研究团队推出MangaVQA基准和MangaLMM模型,专门用于评估和提升AI对日本漫画的理解能力。MangaVQA由526个高质量手动创建的问答对组成,用于评估AI系统对漫画内容的深入理解;MangaOCR则专注于漫画页内文本识别。基于这两个基准,研究团队从开源多模态模型Qwen2.5-VL微调出MangaLMM,能同时处理文本识别和内容理解任务。实验显示,即使是GPT-4o等顶尖商业模型在处理漫画的独特复杂性时也面临挑战,而专门训练的MangaLMM表现出色。
这项研究由ISTA和谷歌研究院联合开发的"影响力蒸馏"方法,通过利用二阶信息为训练样本分配最优权重,实现了大语言模型训练数据的高效选择。该方法在数学上有坚实理论支持,并创新性地引入"地标"近似技术,仅需计算少量样本的精确影响力,再高效传播到其他样本,大幅降低计算成本。实验证明,该方法在多种模型和任务上均优于或匹配现有技术,同时实现了高达3.5倍的速度提升,为大模型训练开辟了更高效的路径。
来自哈佛大学等顶尖学府的研究团队在这篇论文中挑战了传统观念,认为Token压缩不仅仅是提高AI模型运行效率的工具,更应成为生成式AI模型设计的核心原则。研究表明,精心设计的Token压缩策略可以促进多模态深度整合、减轻AI"幻觉"问题、增强处理长序列输入的能力,并提高训练稳定性。论文详细分析了现有方法的局限性,并提出了算法创新、强化学习指导和硬件协同设计等未来研究方向。