Pixel-IA (Q6837448): Difference between revisions
Jump to navigation
Jump to search
(Created a new Item) |
(Set a claim value: summary (P836): O projeto consiste no desenvolvimento de algoritmos baseados na aprendizagem profunda para deteção em tempo real e tardia e identificação de situações anormais que possam refletir situações de risco (deixar bagagem, pessoa no terreno, situações violentas). A implantação de tais algoritmos permitirá que os serviços em causa sejam alertados em tempo real para situações perigosas, permitindo-lhes responder de forma rápida e eficiente. A aprendizagem pr...) |
||||||
| (3 intermediate revisions by 2 users not shown) | |||||||
| Property / coordinate location: 48°15'26.10"N, 4°3'51.73"E / qualifier | |||||||
| Property / coordinate location: 48°15'26.10"N, 4°3'51.73"E / qualifier | |||||||
| Property / contained in NUTS: Aube / qualifier | |||||||
| Property / summary: The project consists of developing algorithms based on deep learning for real-time and delayed detection and identification of abnormal situations that may reflect risky situations (leaving luggage, person on the ground, violent situations). The deployment of such algorithms will allow the services concerned to be alerted in real time to dangerous situations allowing them to respond quickly and efficiently. Deep Learning represents a revolution in the field of artificial intelligence and the processing of large masses of data (Big Data). It is based on a deep architecture of several layers of processing aimed at reproducing the model of human perception. As part of this project, we are looking at a first-rate societal problem, that of the exploitation of camera flows that are deployed increasingly densely in private, industrial or public spaces. The acquisition of a large amount of data, both geographically and temporally, naturally raises the question of the effective extraction of knowledge for the development of decision support tools. (English) / qualifier | |||||||
readability score: 0.7672261424067622
| |||||||
| Property / summary | Property / summary | ||||||
O projeto consiste no desenvolvimento de algoritmos baseados na aprendizagem profunda para deteção em tempo real e tardia e identificação de situações anormais que possam refletir situações de risco (deixar bagagem, pessoa no terreno, situações violentas). A implantação de tais algoritmos permitirá que os serviços em causa sejam alertados em tempo real para situações perigosas, permitindo-lhes responder de forma rápida e eficiente. A aprendizagem profunda representa uma revolução no campo da inteligência artificial e do processamento de grandes massas de dados (Big Data). Baseia-se numa arquitetura profunda de várias camadas de processamento destinadas a reproduzir o modelo da perceção humana. Como parte deste projeto, estamos a olhar para um problema social de primeira classe, o da exploração de fluxos de câmara que são implantados cada vez mais densamente em espaços privados, industriais ou públicos. A aquisição de uma grande quantidade de dados, tanto geograficamente como temporalmente, levanta naturalmente a questão da extração eficaz de conhecimentos para o desenvolvimento de ferramentas de apoio à decisão. (Portuguese) | |||||||
| Property / contained in Local Administrative Unit | |||||||
| Property / contained in Local Administrative Unit: Rosières-près-Troyes / rank | |||||||
Normal rank | |||||||
Latest revision as of 21:08, 12 October 2024
Project CA0027274 in France
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | Pixel-IA |
Project CA0027274 in France |
Statements
70,000.0 Euro
0 references
279,000.0 Euro
0 references
25.09 percent
0 references
1 July 2020
0 references
31 December 2021
0 references
Data Smart Process
0 references
Le projet consiste à développer des algorithmes se basant sur l apprentissage profond pour la détection et l identification en temps-réel et en temps différé des situations anormales pouvant refléter des situations à risque (abandon de bagages, personne au sol, situations violentes). Le déploiement de tels algorithmes permettra d alerter les services concernés en temps réel des situations dangereuses leur permettant ainsi une intervention rapide et efficace. L apprentissage profond (Deep Learning) représente une révolution dans le domaine de l intelligence artificielle et le traitement de grandes masses de données (Big Data). Il repose sur une architecture profonde de plusieurs couches de traitement visant à reproduire le modèle de la perception humaine. Dans le cadre de ce projet, on s intéresse à un problème sociétal de tout premier ordre, celui de l exploitation des flux de caméras qui sont déployées de manière de plus en plus denses autant dans les espaces privés, industriels ou publics. L acquisition d une masse de données aussi importante aussi bien géographiquement que temporellement soulève naturellement la question de l extraction efficace des connaissances pour la mise au point d outils d aide à la décision. (French)
0 references
Проектът се състои в разработване на алгоритми, базирани на задълбочено обучение за откриване в реално време и забавено откриване и идентифициране на необичайни ситуации, които могат да отразяват рискови ситуации (освобождаване на багаж, лице на място, ситуации на насилие). Внедряването на такива алгоритми ще позволи съответните услуги да бъдат предупреждавани в реално време за опасни ситуации, което ще им позволи да реагират бързо и ефективно. Дълбокото обучение представлява революция в областта на изкуствения интелект и обработката на големи масиви от данни (Големи данни). Тя се основава на дълбока архитектура на няколко слоя обработка, насочена към възпроизвеждане на модела на човешкото възприятие. Като част от този проект разглеждаме първокласен обществен проблем, свързан с експлоатацията на потоците от камери, които се разгръщат все по-гъсто в частни, промишлени или обществени пространства. Придобиването на голямо количество данни, както географски, така и във времето, естествено повдига въпроса за ефективното извличане на знания за разработването на инструменти за подпомагане на вземането на решения. (Bulgarian)
0 references
Projekt spočívá ve vývoji algoritmů založených na hlubokém učení pro detekci v reálném čase a zpožděnou detekci a identifikaci abnormálních situací, které mohou odrážet rizikové situace (spouštění zavazadel, osoba na zemi, násilné situace). Zavedení takových algoritmů umožní, aby dotčené služby byly v reálném čase upozorněny na nebezpečné situace, což jim umožní rychle a účinně reagovat. Hluboké učení představuje revoluci v oblasti umělé inteligence a zpracování velkých objemů dat (Big Data). Je založen na hluboké architektuře několika vrstev zpracování s cílem reprodukovat model lidského vnímání. V rámci tohoto projektu se zabýváme prvotřídním společenským problémem, kterým je využívání toků kamer, které jsou stále hustěji nasazeny v soukromých, průmyslových nebo veřejných prostorech. Získání velkého množství dat, jak geograficky, tak časově, přirozeně vyvolává otázku účinného získávání znalostí pro rozvoj nástrojů na podporu rozhodování. (Czech)
0 references
Projektet består i at udvikle algoritmer baseret på dyb læring til realtid og forsinket detektion og identifikation af unormale situationer, der kan afspejle risikable situationer (forlad bagage, person på jorden, voldelige situationer). Indførelsen af sådanne algoritmer vil gøre det muligt i realtid at advare de pågældende tjenester om farlige situationer, så de kan reagere hurtigt og effektivt. Deep Learning repræsenterer en revolution inden for kunstig intelligens og behandling af store mængder data (Big Data). Det er baseret på en dyb arkitektur af flere lag af forarbejdning med det formål at reproducere modellen for menneskelig opfattelse. Som en del af dette projekt ser vi på et førsteklasses samfundsmæssigt problem, nemlig udnyttelse af kamerastrømme, der i stigende grad anvendes i private, industrielle eller offentlige rum. Indsamlingen af en stor mængde data, både geografisk og tidsmæssigt, rejser naturligvis spørgsmålet om effektiv udvinding af viden til udvikling af beslutningsstøtteværktøjer. (Danish)
0 references
Das Projekt besteht darin, Algorithmen zu entwickeln, die auf Deep Learning basieren, um abnormale Situationen zu erkennen und zu erkennen und zu erkennen, die abnormale Situationen widerspiegeln können (Gepäckaufgabe, Person am Boden, gewalttätige Situationen). Der Einsatz solcher Algorithmen wird es ermöglichen, die betroffenen Dienste in Echtzeit vor gefährlichen Situationen zu warnen und so ein schnelles und effizientes Eingreifen zu ermöglichen. Deep Learning (Deep Learning) ist eine Revolution im Bereich der künstlichen Intelligenz und der Verarbeitung großer Datenmengen (Big Data). Es basiert auf einer tiefen Architektur mehrerer Verarbeitungsschichten, die darauf abzielen, das Modell der menschlichen Wahrnehmung zu reproduzieren. Im Rahmen dieses Projekts geht es um ein gesellschaftliches Problem erster Ordnung, nämlich die Nutzung von Kameraströmen, die in privaten, industriellen oder öffentlichen Räumen immer dichter eingesetzt werden. Der Erwerb einer sowohl geografisch als auch zeitlich wichtigen Datenmenge wirft natürlich die Frage auf, wie effektiv Wissen für die Entwicklung von Entscheidungshilfeinstrumenten gewonnen werden kann. (German)
0 references
Το έργο συνίσταται στην ανάπτυξη αλγορίθμων που βασίζονται σε βαθιά μάθηση για τον εντοπισμό σε πραγματικό χρόνο και την καθυστερημένη ανίχνευση και τον εντοπισμό μη φυσιολογικών καταστάσεων που μπορεί να αντανακλούν επικίνδυνες καταστάσεις (αφήνοντας αποσκευές, άτομο στο έδαφος, βίαιες καταστάσεις). Η ανάπτυξη τέτοιων αλγορίθμων θα επιτρέψει στις εν λόγω υπηρεσίες να ειδοποιηθούν σε πραγματικό χρόνο για επικίνδυνες καταστάσεις που θα τους επιτρέψουν να ανταποκριθούν γρήγορα και αποτελεσματικά. Η βαθιά μάθηση αντιπροσωπεύει μια επανάσταση στον τομέα της τεχνητής νοημοσύνης και της επεξεργασίας μεγάλων μαζών δεδομένων (Big Data). Βασίζεται σε μια βαθιά αρχιτεκτονική πολλών στρωμάτων επεξεργασίας με στόχο την αναπαραγωγή του μοντέλου της ανθρώπινης αντίληψης. Ως μέρος αυτού του έργου, εξετάζουμε ένα πρώτης τάξεως κοινωνικό πρόβλημα, αυτό της εκμετάλλευσης των ροών κάμερας που αναπτύσσονται όλο και πιο πυκνά σε ιδιωτικούς, βιομηχανικούς ή δημόσιους χώρους. Η απόκτηση μεγάλου όγκου δεδομένων, τόσο γεωγραφικά όσο και χρονικά, θέτει φυσικά το ζήτημα της αποτελεσματικής άντλησης γνώσεων για την ανάπτυξη εργαλείων υποστήριξης αποφάσεων. (Greek)
0 references
The project consists of developing algorithms based on deep learning for real-time and delayed detection and identification of abnormal situations that may reflect risky situations (leaving luggage, person on the ground, violent situations). The deployment of such algorithms will allow the services concerned to be alerted in real time to dangerous situations allowing them to respond quickly and efficiently. Deep Learning represents a revolution in the field of artificial intelligence and the processing of large masses of data (Big Data). It is based on a deep architecture of several layers of processing aimed at reproducing the model of human perception. As part of this project, we are looking at a first-rate societal problem, that of the exploitation of camera flows that are deployed increasingly densely in private, industrial or public spaces. The acquisition of a large amount of data, both geographically and temporally, naturally raises the question of the effective extraction of knowledge for the development of decision support tools. (English)
0.7672261424067622
0 references
El proyecto consiste en desarrollar algoritmos basados en el aprendizaje profundo para la detección e identificación en tiempo real y retardada de situaciones anormales que puedan reflejar situaciones de riesgo (dejar equipaje, persona en el suelo, situaciones violentas). El despliegue de dichos algoritmos permitirá que los servicios en cuestión sean alertados en tiempo real de situaciones peligrosas que les permitan responder de manera rápida y eficiente. Deep Learning representa una revolución en el campo de la inteligencia artificial y el procesamiento de grandes masas de datos (Big Data). Se basa en una arquitectura profunda de varias capas de procesamiento destinada a reproducir el modelo de percepción humana. Como parte de este proyecto, estamos viendo un problema social de primer nivel, el de la explotación de flujos de cámaras que se despliegan cada vez más densamente en espacios privados, industriales o públicos. La adquisición de una gran cantidad de datos, tanto geográfica como temporal, plantea naturalmente la cuestión de la extracción efectiva de conocimientos para el desarrollo de herramientas de apoyo a la toma de decisiones. (Spanish)
0 references
Projekt hõlmab algoritmide väljatöötamist, mis põhinevad süvaõppel reaalajas ja hilinenud avastamisel ning selliste ebanormaalsete olukordade kindlakstegemisel, mis võivad kajastada riskantseid olukordi (pagasi mahajätmine, kohapeal viibimine, vägivaldsed olukorrad). Selliste algoritmide kasutuselevõtt võimaldab asjaomaseid teenuseid reaalajas hoiatada ohtlikest olukordadest, mis võimaldavad neil kiiresti ja tõhusalt reageerida. Süvaõpe kujutab endast revolutsiooni tehisintellekti ja suurte andmemasside (suurandmete) töötlemise valdkonnas. See põhineb sügaval arhitektuuril, mis koosneb mitmest töötlemiskihist, mille eesmärk on reprodutseerida inimese tajumise mudelit. Selle projekti raames käsitleme esmaklassilist ühiskondlikku probleemi, milleks on kaameravoogude kasutamine, mida kasutatakse üha tihedamalt era-, tööstus- või avalikus ruumis. Suure hulga andmete hankimine nii geograafiliselt kui ka ajaliselt tõstatab loomulikult küsimuse, kas otsuste tegemist toetavate vahendite väljatöötamiseks on vaja tõhusalt välja võtta teadmisi. (Estonian)
0 references
Hankkeessa kehitetään syväoppimiseen perustuvia algoritmeja reaaliaikaiseen ja viivästyneeseen havaitsemiseen ja tunnistamiseen riskitilanteita (matkatavarat, maassa oleva henkilö, väkivaltaisuudet) mahdollisesti heijastavien epätavallisten tilanteiden havaitsemiseksi ja tunnistamiseksi. Tällaisten algoritmien käyttöönoton ansiosta kyseisiä palveluja voidaan varoittaa reaaliaikaisesti vaarallisista tilanteista, jotta ne voivat reagoida nopeasti ja tehokkaasti. Syväoppiminen on vallankumous tekoälyn alalla ja suurten datamassojen (Big Data) käsittelyssä. Se perustuu useiden käsittelykerrosten syvään arkkitehtuuriin, jonka tarkoituksena on jäljitellä ihmisen havaintomallia. Osana tätä hanketta tarkastelemme ensiluokkaista yhteiskunnallista ongelmaa, joka koskee sellaisten kameravirtojen hyödyntämistä, joita käytetään yhä tiheämmin yksityisissä, teollisissa tai julkisissa tiloissa. Suuren tietomäärän hankkiminen sekä maantieteellisesti että ajallisesti herättää luonnollisesti kysymyksen tiedon tehokkaasta hyödyntämisestä päätöksenteon tukivälineiden kehittämiseksi. (Finnish)
0 references
Is éard atá sa tionscadal ná algartaim a fhorbairt atá bunaithe ar an bhfoghlaim dhomhain le haghaidh brath fíor-ama agus moillithe agus sainaithint cásanna neamhghnácha a d’fhéadfadh cásanna rioscúla a léiriú (bagáiste fágála, duine ar an talamh, cásanna foréigneacha). A bhuí le halgartaim den sórt sin a úsáid, beifear in ann na seirbhísí lena mbaineann a chur ar an eolas i bhfíor-am maidir le cásanna contúirteacha a chuirfidh ar a gcumas freagairt go tapa agus go héifeachtúil. Is réabhlóid í an Deep Learning i réimse na hintleachta saorga agus i bpróiseáil maiseanna móra sonraí (Mórshonraí). Tá sé bunaithe ar ailtireacht dhomhain de roinnt sraitheanna próiseála atá dírithe ar mhúnla dearcadh an duine a atáirgeadh. Mar chuid den tionscadal seo, táimid ag féachaint ar fhadhb shochaíoch den chéad scoth, fadhb a bhaineann le saothrú shreabha ceamara atá ag éirí níos dlúithe i spásanna príobháideacha, tionsclaíocha nó poiblí. Nuair a fhaightear méid mór sonraí, go geografach agus go sealadach araon, ardaítear go nádúrtha an cheist maidir le heastóscadh éifeachtach eolais chun uirlisí tacaíochta cinnteoireachta a fhorbairt. (Irish)
0 references
Projekt se sastoji od razvoja algoritama temeljenih na dubokom učenju za otkrivanje u stvarnom vremenu i odgođeno otkrivanje i identifikaciju abnormalnih situacija koje mogu odražavati rizične situacije (ostavljanje prtljage, osoba na terenu, nasilne situacije). Uvođenjem takvih algoritama omogućit će se da se predmetne usluge u stvarnom vremenu obavijeste o opasnim situacijama, čime će im se omogućiti brz i učinkovit odgovor. Duboko učenje predstavlja revoluciju u području umjetne inteligencije i obrade velikih masa podataka (Big Data). Temelji se na dubokoj arhitekturi nekoliko slojeva obrade s ciljem reprodukcije modela ljudske percepcije. U sklopu ovog projekta gledamo na prvorazredni društveni problem, a to je iskorištavanje tokova fotoaparata koji se sve gušće raspoređuju u privatnim, industrijskim ili javnim prostorima. Prikupljanje velike količine podataka, i geografski i vremenski, naravno otvara pitanje učinkovitog izvlačenja znanja za razvoj alata za potporu odlučivanju. (Croatian)
0 references
A projekt olyan algoritmusok kifejlesztéséből áll, amelyek a valós idejű és késleltetett valós idejű tanuláson alapulnak, és azonosítják a kockázatos helyzeteket tükröző abnormális helyzeteket (poggyász elhagyása, a földön tartózkodó személy, erőszakos helyzetek). Az ilyen algoritmusok alkalmazása lehetővé teszi az érintett szolgálatok számára, hogy valós időben figyelmeztessék őket a veszélyes helyzetekre, lehetővé téve számukra, hogy gyorsan és hatékonyan reagáljanak. A Deep Learning forradalmat jelent a mesterséges intelligencia és a nagy mennyiségű adat (nagy adat) feldolgozása terén. A feldolgozás több rétegből álló mély architektúráján alapul, amelynek célja az emberi észlelés modelljének reprodukálása. Ennek a projektnek a részeként egy első osztályú társadalmi problémát, a magán-, ipari vagy nyilvános terekben egyre sűrűbben alkalmazott kameraáramlások kiaknázását vizsgáljuk. A nagy mennyiségű adat földrajzi és időbeli beszerzése természetesen felveti a döntéstámogató eszközök kifejlesztéséhez szükséges ismeretek hatékony kinyerésének kérdését. (Hungarian)
0 references
Il progetto consiste nello sviluppo di algoritmi basati sul deep learning per il rilevamento in tempo reale e ritardato e l'identificazione di situazioni anormali che possono riflettere situazioni rischiose (lasciando bagagli, persona per terra, situazioni violente). La diffusione di tali algoritmi consentirà ai servizi interessati di essere avvisati in tempo reale di situazioni pericolose, consentendo loro di rispondere in modo rapido ed efficiente. Il Deep Learning rappresenta una rivoluzione nel campo dell'intelligenza artificiale e dell'elaborazione di grandi masse di dati (Big Data). Si basa su un'architettura profonda di diversi strati di lavorazione volta a riprodurre il modello della percezione umana. Nell'ambito di questo progetto, stiamo esaminando un problema sociale di prim'ordine, quello dello sfruttamento dei flussi di telecamere che si dispiegano sempre più densamente in spazi privati, industriali o pubblici. L'acquisizione di una grande quantità di dati, sia geograficamente che temporalmente, solleva naturalmente la questione dell'effettiva estrazione di conoscenze per lo sviluppo di strumenti di supporto decisionale. (Italian)
0 references
Projektas apima algoritmų, pagrįstų giliu mokymusi realiu laiku ir vėlai aptikti ir nustatyti neįprastas situacijas, kurios gali atspindėti rizikingas situacijas (paliekant bagažą, asmenį ant žemės, smurtinių situacijų) kūrimą. Įdiegus tokius algoritmus, atitinkamos tarnybos galės tikruoju laiku įspėti apie pavojingas situacijas, kad jos galėtų greitai ir veiksmingai reaguoti. Gilusis mokymasis reiškia revoliuciją dirbtinio intelekto ir didelės masės duomenų (didžiųjų duomenų) apdorojimo srityje. Jis grindžiamas gilia kelių apdorojimo sluoksnių architektūra, kuria siekiama atkurti žmogaus suvokimo modelį. Kaip šio projekto dalį, mes nagrinėjame aukščiausio lygio visuomeninę problemą, t. y. fotoaparatų srautų, kurie vis dažniau diegiami privačiose, pramoninėse ar viešosiose erdvėse, išnaudojimą. Dėl didelio kiekio duomenų, tiek geografiškai, tiek laiko atžvilgiu, savaime suprantama, kyla klausimas dėl veiksmingo žinių išgavimo kuriant sprendimų rėmimo priemones. (Lithuanian)
0 references
Projekts ietver algoritmu izstrādi, pamatojoties uz padziļinātu mācīšanos reāllaika un novēlotai tādu ārkārtas situāciju atklāšanai un identificēšanai, kas var atspoguļot riskantas situācijas (pasažieru atstāšana, cilvēks uz zemes, vardarbīgas situācijas). Šādu algoritmu ieviešana ļaus reāllaikā brīdināt attiecīgos dienestus par bīstamām situācijām, ļaujot tiem ātri un efektīvi reaģēt. Dziļa mācīšanās ir revolūcija mākslīgā intelekta jomā un lielu datu (lielo datu) apstrādes jomā. Tā pamatā ir vairāku apstrādes slāņu dziļa arhitektūra, kuras mērķis ir reproducēt cilvēka uztveres modeli. Šā projekta ietvaros mēs pievēršamies pirmšķirīgai sociālai problēmai, kas saistīta ar tādu kameru plūsmu izmantošanu, kuras arvien biežāk tiek izvērstas privātās, rūpnieciskās vai sabiedriskās vietās. Liela apjoma datu iegūšana gan ģeogrāfiskā, gan laika ziņā, protams, rada jautājumu par efektīvu zināšanu ieguvi lēmumu pieņemšanas atbalsta instrumentu izstrādei. (Latvian)
0 references
Il-proġett jikkonsisti fl-iżvilupp ta’ algoritmi bbażati fuq tagħlim profond għal detezzjoni u identifikazzjoni f’ħin reali u mdewma ta’ sitwazzjonijiet anormali li jistgħu jirriflettu sitwazzjonijiet riskjużi (tluq ta’ bagalji, persuna fuq l-art, sitwazzjonijiet vjolenti). l-użu ta’ tali algoritmi se jippermetti li s-servizzi kkonċernati jiġu mwissija f’ħin reali dwar sitwazzjonijiet perikolużi li jippermettulhom jirreaġixxu malajr u b’mod effiċjenti. Deep Learning jirrappreżenta rivoluzzjoni fil-qasam tal-intelliġenza artifiċjali u l-ipproċessar ta’ mases kbar ta’ data (Big Data). Hija bbażata fuq arkitettura profonda ta’ diversi saffi ta’ pproċessar bl-għan li tirriproduċi l-mudell tal-perċezzjoni tal-bniedem. Bħala parti minn dan il-proġett, qed inħarsu lejn problema soċjetali tal-ewwel rata, dik tal-isfruttament tal-flussi tal-kameras li qed jintużaw dejjem aktar b’mod dens fi spazji privati, industrijali jew pubbliċi. l-akkwist ta’ ammont kbir ta’ data, kemm ġeografikament kif ukoll temporalment, naturalment iqajjem il-kwistjoni tal-estrazzjoni effettiva tal-għarfien għall-iżvilupp ta’ għodod ta’ appoġġ għad-deċiżjonijiet. (Maltese)
0 references
Het project bestaat uit het ontwikkelen van algoritmen op basis van deep learning voor real-time en vertraagde detectie en identificatie van abnormale situaties die risicovolle situaties kunnen weerspiegelen (het verlaten van bagage, persoon op de grond, gewelddadige situaties). Dankzij de inzet van dergelijke algoritmen kunnen de betrokken diensten in realtime worden gewaarschuwd voor gevaarlijke situaties, waardoor zij snel en efficiënt kunnen reageren. Deep Learning vertegenwoordigt een revolutie op het gebied van kunstmatige intelligentie en de verwerking van grote massa’s data (Big Data). Het is gebaseerd op een diepe architectuur van verschillende lagen van verwerking gericht op het reproduceren van het model van de menselijke perceptie. Als onderdeel van dit project kijken we naar een eersterangs maatschappelijk probleem, dat van de exploitatie van camerastromen die steeds dichter worden ingezet in particuliere, industriële of openbare ruimtes. De verwerving van een grote hoeveelheid gegevens, zowel geografisch als tijdelijk, werpt natuurlijk de vraag op of kennis effectief wordt gewonnen voor de ontwikkeling van beslissingsondersteunende instrumenten. (Dutch)
0 references
O projeto consiste no desenvolvimento de algoritmos baseados na aprendizagem profunda para deteção em tempo real e tardia e identificação de situações anormais que possam refletir situações de risco (deixar bagagem, pessoa no terreno, situações violentas). A implantação de tais algoritmos permitirá que os serviços em causa sejam alertados em tempo real para situações perigosas, permitindo-lhes responder de forma rápida e eficiente. A aprendizagem profunda representa uma revolução no campo da inteligência artificial e do processamento de grandes massas de dados (Big Data). Baseia-se numa arquitetura profunda de várias camadas de processamento destinadas a reproduzir o modelo da perceção humana. Como parte deste projeto, estamos a olhar para um problema social de primeira classe, o da exploração de fluxos de câmara que são implantados cada vez mais densamente em espaços privados, industriais ou públicos. A aquisição de uma grande quantidade de dados, tanto geograficamente como temporalmente, levanta naturalmente a questão da extração eficaz de conhecimentos para o desenvolvimento de ferramentas de apoio à decisão. (Portuguese)
0 references
Proiectul constă în dezvoltarea de algoritmi bazați pe deep learning pentru detectarea și identificarea în timp real și întârziată a situațiilor anormale care pot reflecta situații riscante (lăsarea bagajelor, persoane pe teren, situații violente). Implementarea unor astfel de algoritmi va permite serviciilor în cauză să fie alertate în timp real cu privire la situațiile periculoase, permițându-le să răspundă rapid și eficient. Învățarea profundă reprezintă o revoluție în domeniul inteligenței artificiale și al prelucrării unor mase mari de date (Big Data). Se bazează pe o arhitectură profundă a mai multor straturi de procesare care vizează reproducerea modelului percepției umane. Ca parte a acestui proiect, ne uităm la o problemă societală de prim rang, aceea a exploatării fluxurilor de camere care sunt din ce în ce mai dens utilizate în spații private, industriale sau publice. Achiziționarea unui volum mare de date, atât din punct de vedere geografic, cât și temporal, ridică în mod natural problema extragerii eficiente a cunoștințelor pentru dezvoltarea instrumentelor de sprijin decizional. (Romanian)
0 references
Projekt pozostáva z vývoja algoritmov založených na hĺbkovom učení pre detekciu v reálnom čase a oneskorenú detekciu a identifikáciu abnormálnych situácií, ktoré môžu odrážať rizikové situácie (ponechanie batožiny, osoba na zemi, násilné situácie). Zavedenie takýchto algoritmov umožní dotknutým útvarom, aby boli v reálnom čase upozornené na nebezpečné situácie, čo im umožní rýchlo a efektívne reagovať. Hlboké učenie predstavuje revolúciu v oblasti umelej inteligencie a spracovania veľkého množstva dát (veľkých dát). Je založený na hlbokej architektúre niekoľkých vrstiev spracovania zameraných na reprodukciu modelu ľudského vnímania. V rámci tohto projektu sa zaoberáme prvotriednym spoločenským problémom, a to využívaním tokov kamier, ktoré sú čoraz hustejšie nasadené v súkromných, priemyselných alebo verejných priestoroch. Získanie veľkého množstva údajov, a to z geografického aj časového hľadiska, prirodzene vyvoláva otázku účinného získavania poznatkov na rozvoj nástrojov na podporu rozhodovania. (Slovak)
0 references
Projekt je sestavljen iz razvoja algoritmov, ki temeljijo na globokem učenju za odkrivanje v realnem času in z zapoznelim odkrivanjem ter prepoznavanje neobičajnih situacij, ki lahko odražajo tvegane situacije (opustitev prtljage, osebe na terenu, nasilne situacije). Uvedba takšnih algoritmov bo zadevnim službam omogočila, da bodo v realnem času opozorjene na nevarne situacije, ki jim bodo omogočile hiter in učinkovit odziv. Globoko učenje predstavlja revolucijo na področju umetne inteligence in obdelave velikih količin podatkov (velikih podatkov). Temelji na globoki arhitekturi več plasti obdelave, katerih cilj je reprodukcija modela človeške percepcije. V okviru tega projekta se ukvarjamo s prvovrstnim družbenim problemom, tj. izkoriščanjem tokov kamer, ki se vse pogosteje uvajajo v zasebne, industrijske ali javne prostore. Pridobivanje velike količine podatkov, tako geografsko kot časovno, seveda odpira vprašanje učinkovitega pridobivanja znanja za razvoj orodij za podporo odločanju. (Slovenian)
0 references
Projektet består i att utveckla algoritmer baserade på djupinlärning för realtid och fördröjd upptäckt och identifiering av onormala situationer som kan återspegla riskfyllda situationer (lämna bagage, person på marken, våldsamma situationer). Införandet av sådana algoritmer kommer att göra det möjligt för de berörda tjänsterna att i realtid bli varnade för farliga situationer som gör det möjligt för dem att reagera snabbt och effektivt. Deep Learning representerar en revolution inom området artificiell intelligens och bearbetning av stora mängder data (Big Data). Den är baserad på en djup arkitektur av flera lager av bearbetning som syftar till att reproducera modellen för mänsklig uppfattning. Som en del av detta projekt tittar vi på ett förstklassigt samhällsproblem, nämligen utnyttjandet av kameraflöden som används allt tätare i privata, industriella eller offentliga utrymmen. Förvärvet av en stor mängd data, både geografiskt och tidsmässigt, väcker naturligtvis frågan om effektiv kunskapsutvinning för utveckling av beslutsstödsverktyg. (Swedish)
0 references
Rosières-près-Troyes
0 references
8 June 2023
0 references
Identifiers
CA0027274
0 references