案例名称:【司机驾驶安全辅助系统应用解决方案】
公司名称:【广州通达汽车电气股份有限公司(603390)】
案例简述:
随着智能交通的发展,公共交通出行安全得到了社会的广泛关注。根据统计数据可知,92%的交通事故都是源自驾驶行为不当、疲劳驾驶、疏忽大意或违章行驶等。企业在数字化转型中,更加注重如何提高行业监管能力和确保公众出行安全,能够有效确保车辆在行驶途中驾驶员以及车辆的安全,减少交通事故发生及事故带来的人员伤亡和财产损失。
本案例基于计算机视觉等人工智能技术对驾驶员及车辆行驶环境(限速标识、红绿灯)等的危险状态和行为进行监测和预警,然后使用大数据分析等先进的信息技术将终端上传的车辆数据进行分析和挖掘。驾驶员行为预警子系统实现驾驶员疲劳报警、吸烟报警、使用手机报警、注意力分散报警、离岗报警等功能;车辆状态预警子系统实现对车辆的状态进行实时监控和预警,识别车辆是否存在偏离车道、压线行驶、急加速、急减速、超速等危险状态;前向碰撞预警子系统实现对车辆前方的情况进行实时监测和预警,识别行人、电动车、自行车等可能造成碰撞危险的潜在目标,并实时计算潜在目标与本车辆的距离;后台数字化统计分析子系统实现对各种司机驾驶行为数据进行数据挖掘,支持统计报表输出,为企业安全监管、线路规划、调度排班、企业决策等应用提供数据支持。
扫码查看详细案例
好文章,需要你的鼓励
思科报告指出,自主型人工智能未来三年内有望承担高达68%的客户服务任务,通过个性化与前瞻性支持提升效率与节省成本,但用户仍重视人与人之间的互动和健全的治理机制。
这项研究提出了KronSAE,一种新型稀疏自编码器架构,通过克罗内克积分解显著降低了训练成本。研究者引入了模拟二进制AND操作的mAND激活函数,在减少参数量的同时提高了重建质量和特征可解释性。实验证明,KronSAE在各种语言模型上都能降低特征吸收,提供更清晰的语义表示。该方法为理解大型语言模型内部机制提供了计算效率更高的工具,为AI系统透明度和可控性研究开辟了新途径。
随着 AI 设备密集度攀升,传统数据中心正面临设备重量增加带来的结构挑战,促使设计向单层和强化地板转变。
这项由加州大学伯克利分校研究团队开发的REOrder框架,通过重新排列图像块的处理顺序,显著提升了视觉模型性能。研究发现,传统的行主序排列并非最优选择,而通过信息论先验和强化学习寻找最佳排序,可在不修改模型架构的情况下,使ImageNet-1K分类准确率提升3.01%,卫星图像分类提升13.35%。这一发现挑战了传统认知,为视觉模型优化提供了一个全新且易于实施的方向。