城市大脑，是以互联网为基础设施，利用丰富的城市数据资源，对城市进行全局的即时分析。用城市的数据资源有效调配公共资源，不断完善社会治理，推动城市可持续发展。

今天我们将三篇“城市大脑”的实践论文，集结为一本迷你电子书，分享给你。这三篇优秀论文均被收录于ACM MM 2017顶会论文中，是城市大脑背后技术的重要部分。

 

《阿里机器智能技术精选》（ACM MM 2017）下载：

https://102.alibaba.com/downloadFile.do?file=1532951451805%2fACM+MM2017.pdf

温馨提醒：

1、此本迷你书约3M，希望你会喜欢。

2、若导入较慢，可将地址复制到PC浏览器下载。

阿里巴巴集团技术委员会主席王坚曾说，每一次技术革命，都会推动城市文明前进一步。蒸汽机时代，城市的标志是修公路；电力时代，城市的发展是铺电网。我们身处的互联网时代，数据成为重要的资源，城市需要构建一个数据大脑来再一次提升文明。

通过“城市大脑”项目，我们发现诸多待解决的问题，比如人流、车辆轨迹如何准确识别，如何提取三位空间中的物体特征等。经过不断实践，我们找到了一些比较好的解决方法，并将这些方法投入到实际场景中去正向增强应用的落地性。

部分目录

该书有哪些精彩干货？

《Spatio-TemporalAutoEncoder for Video Anomaly Detection》

（《时空自编码器的视频异常检测模型》）

本文旨在论述如何解决“视频异常”检测问题，视频异常检测是指在一段视频中检测有异常状态、行为的片段，真实世界视频场景中的异常事件检测是一个高难度的问题，因为“异常”本身很难定义而且场景中还存在杂乱的背景、物体和运动。在交通和安防场景下，如何用异常检测算法帮助系统自动发现交通事件事故、可疑行人等？在实际生活中，具有较广泛的应用前景和较高的研究价值。

论文中我们为城市大脑提供监控交通异常的方法，受动作识别等领域的最新研究成果启发，设计了一种时空自编码进行视频异常检测，同时提出一种权重递减的预测误差计算方法。经真实的交通场景评测，该算法在重要指标上已经超过了此前的最好方法。

《DeepSiamese Networkwith Multi-level Similarity Perception for PersonRe-identification》

（《基于多层相似度感知的深度神经网络及其在同人鉴别中的应用》）

行人重识别是指给定一个摄像头下某个行人的图片，在其他摄像头对应的图片中准确地找到同一个人。行人重识别技术有十分重要的科研和实际应用价值，近来广泛应用到交通、安防等领域，对于创建平安城市、智慧城市具有重要的意义。

论文中我们为人流轨迹的识别判断提供技术支持。结合深度学习的Siamese网络和分类网络模型优势，同时将相似度扩展到其他层次。与经典的大规模同人鉴别公开数据集对比，目前检索精确度的最优结果已达业内最高水平。

《Stylized Adversarial Autoencoder for Image Generation》

（《基于风格化对抗自编码器的图像生成算法》）

车牌识别模型，是智慧城市的一个最基础的模型，需要识别国内所有城市的车牌。比如我们在杭州收集到的数据主要以“浙A”车牌为主，这时候就需要用算法来自动生成数据。近两年深度学习的兴起极大地提升了AI模型的性能，但是随之也带来了巨大的数据需求以及标注成本。在真实场景下，我们往往很难获得比较全面、大量、均匀且被准确标注的数据，因此让AI学会生成数据成为一个主流方向，GAN是其中经典的模型之一。但是普通的GAN模型往往会存在生成数据不可控、泛化性不好等问题。

受条件对抗生成网络和风格迁移学习的启发，采用内容提取网络和风格提取网络分别从内容图片和风格图片中提取特征，将两者融合后，通过图片生成网络获得融合相应内容和风格的图片。