随着现代高校建设发展日益加快,校园内人车数量激增,人车身份复杂、流动性强,安全管控难度大,给校园安全管理工作造成了很大的困扰。2011年北京市教育工委、市教委、市公安局、首都综治办联合下发了《关于深入推进高校“平安校园”创建工作的意见》(京教工[2011]32号),在北京各高校中深入开展“平安校园”创建达标验收工作,力争2015年前全部达标。国家教育部、公安部也密切关注校园安全问题,指出必须加强学校技防建设,尽快建立校园安全综合防控体系和突发事件应急管理机制,进一步完善学校安全工作体系,以校舍安全、公共安全、校园周边安全等为重点的学校安全排查,落实人防、物防、技防措施,消除事故隐患。同时加强校园出入管理,严防校外无关人员进入校园滋事和干扰校园正常的运营秩序。
清华大学,这所沐浴在“水木清华”滋养下的追梦象牙塔,多年来一直是人们关注的焦点。清华大学每天都是一番繁忙的景象,有忙碌的在校师生穿梭在校园各处,也有规范执勤的校园安保巡逻各地,还有校园内外交织的车辆穿校而过,更有形形色色的国内外游人游园赏玩。在人们流连于这座百年学府的同时,如此繁杂的人、车、物安全管理给校园安保工作提出了极大的挑战,如何能够及时处置应急事件的发生,如何对事故进行及时回溯,对国家重点实验室和国防实验室等安全区域进行入侵检测和重点人员进行跟踪,在如此广阔的校园面积的情况下如何做到宏观监控与微观监控的有效结合等等这些问题一直困扰着清华大学保卫处。
清华大学作为全国高校保卫处协会的理事长单位,对校园安防系统的技术先进性要求极为苛刻。为助力清华实现建设全国甚至全世界架构最先进的校园安防系统的目标,2014年,华为联合北京华科鸿泰智能系统工程有限责任公司(简称华科鸿泰)来到清华大学,结合清华大学面临的安保瓶颈和未来的安防业务需求,进行了细致地调研和方案设计,与清华大学联手打造清华大学下一代校园安防综合管理平台。
清华大学校园安防综合管理平台集实时视频监控、智能视频分析、三维实景、GIS巡更、枪球联动、全景拼接、信息发布多功能于一体,对校园人、车、物进行分类监控和分析,整个校园实况和态势尽收眼底。同时该系统打破了传统安防被动响应的机制,以创新ICT(Information Communication Technology)融合技术建立协同机制,将普通视频监控系统演变成了具有智能分析和决策的天眼,时时刻刻关注着清华校园内的一举一动,防患于未然,智能协同响应,有序联动感知增强校园安全保障能力,有效预防和应对校园突发事件。
华为多套高清智能前端分布在清华校园主干道和人流密集区域,覆盖清华校园重点和核心区域。华为前端摄像机优秀的低照度和红外效果,保证全天24小时无死角的高清监控,同时采用创新的隐形红外等精密工艺设计,减少光污染,实现隐蔽监控。华为视频监控正在默默注视着清华校园,时刻守护清华师生的生命财产安全。
华为云监控后台是本次清华大学平安校园主要的基础支撑部分,对前端采集的数据进行分析和处理,为综合安防管理提供了安全稳定的基础视频数据和高效的智能分析能力。清华平安校园采用高密度一体化视频云节点VCN(Video Cloud Node)和视频内容管理VCM(Video Content Management)实现了枪球联动、视频分析、实时智能监控、大屏控制、稽查布控、报警管理、智能分析以及视频智能检索等多项功能。从前端到后端一体化联动,人、车、物对象监控数据统一分类管理,从宏观全局到局部细节一丝不苟,将清华校园安保做到真正的智能化、精细化,绿色有序。
清华大学平安校园系统具备全方位覆盖、划片智能分析、以及安全领域入侵自动报警等解决方案优势,在教育安防领域也树立了行业标杆。清华大学平安校园系统不仅关系着全校3万余师生的安全,同时需要承载每年大量重要来宾访问活动以及关键赛事和会议的安保任务。未来,清华校园安保不再是一个简单的园区治安监控,更是一个智能的安防有机体。
华科鸿泰联手华为建设面向未来平安校园迈出成功的第一步,为后续双方在安防领域的拓展奠定良好的基础。同时,华为领先的解决方案及双方认真负责的工作态度,深深打动了清华大学保卫处长韩处长:“本次清华大学与华为的合作,是我们对比业界多个厂商之后做出的选择,出色的解决方案和优秀的人员素质是我们选择华为的重要原因。在此项目中,我们做了很多前沿性的安防方案研究,也提出很多个性化的需求,华为强大的研发实力对我们提供了有力地支撑,非常感谢华为的辛苦工作。目前,方案已经成功实施,华为方案的高效、智能、节能等优势显露无疑。”
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。