Shen Shengmei, Pensee Teknolojisinin Baş Bilimcisi: AI güvenliği yüz tanımanın en büyük algoritmik probleminin üstesinden nasıl gelinir?
23 Mart'ta, Leifeng.com ve AI Nuggets'ın ev sahipliği yaptığı "İkinci Çin Yapay Zeka Güvenlik Zirvesi" Hangzhou'da düzenlendi.
Zirvede, Panasonic (Singapur) Araştırma Enstitüsü eski dekan yardımcısı ve Kalem Teknolojisinin baş bilim adamı Shen Shengmei, "Video Gözetim Senaryolarında Sınırsız Yüz Tanıma ve Görüntü Geliştirme" başlıklı bir konuşma yaptı.
Shen Shengmei, dinamik video gözetim senaryolarında yüz tanımanın en büyük teknik zorluklarından birinin sınırsız yüz tanıma olduğunu söyledi.Karmaşık senaryolarda algoritmalar aracılığıyla doğru tanımanın nasıl sağlanacağı, güvenlik şirketlerinin bu aşamada acilen üstesinden gelmesi gereken önemli bir algoritmik problemdir. .
Bu amaçla Shen Shengmei konuşmasında, karmaşık ortamlarda alt bölümlere ayrılmış yüz tanıma problemleri için çok yüzlü poz verileri ve görüntü iyileştirme (hareket kaldırma) için transfer öğrenimi, heterojen çok modelli füzyon, çift ajanlı yüzleşme oluşturma ağı hakkında konuştu. Bulanıklaştırma, düşük ışıklı görüntü artışı, denoising, süper çözünürlük, sarsıntı giderme, pus giderme, yağmur giderme gibi algoritmik yöntemler, yüksek hassasiyetli sınırsız yüz tanımayı nasıl gerçekleştirir.
Yapay zeka, önümüzdeki üç yıl içinde sınırsız yüz tanıma ve görüntü iyileştirme için algoritmalar ve ürünlerde daha büyük atılımlara sahip olacak. Pensys Singapur Araştırma Enstitüsü, dikey güvenlik alanında teknoloji araştırma ve geliştirme ve en son teknoloji keşiflerine odaklanacak. "
Şimdiye kadar, Shen Shengmei ekibinin araştırma ve geliştirme sonuçları birçok uluslararası yarışma şampiyonu kazandı ve bilgisayar görüşü alanında ondan fazla uluslararası rekabet şampiyonu ve 300'den fazla patent dahil olmak üzere çeşitli ürünlerde yaygın olarak kullanıldı.
Mart 2019'da Shengmei Shen, Singapur Araştırma Enstitüsü'nün baş bilim adamı ve dekanı olarak AI güvenlik şirketi Pensi Technology'ye katılacağını duyurdu. Kendini izleme ve güvenlik, akıllı şehirler, otonom sürüş, akıllı robotlar ve AI fabrika otomasyonu ile ilgili teknolojileri taahhüt ediyor. çalışma.
Kurulduğu günden bu yana, Pensys Technologies'in çeşitli endüstrilerdeki çözümleri, ülke çapında 50'den fazla şehre başarıyla indi ve 100'den fazla müşteriye hizmet verdi. Ülkenin birçok yerinde dinamik yüz tanıma noktaları konuşlandırıldı, toplamda yaklaşık 2.000 kişiyi tutukladı ve birçok büyük ölçekli ulusal etkinliğin güvenliği olarak hizmet etti.
Aşağıdakiler, Shen Shengmeinin canlı konuşmasının içeriğidir. Leifeng.com orijinal amacı düzenledi ve düzenledi:
Herkese iyi günler! Ben Pensi Technology'den Shen Shengmei, Leifeng.com'a farklı açılardan ve farklı şirketlerden görüşlerimizi paylaşmamızı sağlayan bir platform sağladığı için minnettarım. Bugün paylaşmak istediğim bir konu da "Video İzleme Sahnelerinde Kısıtlamasız Yüz Tanıma ve Görüntü İyileştirme" dir.
Xidian Üniversitesi'nden Elektronik Mühendisliği yüksek lisans derecesi ile mezun oldum. O dönemde, yapay zeka akıllı sürüşü oluşturmak için bulanık sistemler kullandım. O zamanlar, algoritmalar tasarlamak için yapay zeka kullanan ve tıbbi EKG destekli teşhis alanlarında araştırma yapan bir proje de yaptım.
1992'de Singapur'daki Panasonic Araştırma Enstitüsü'ne katıldım ve ses ve video sıkıştırma, görüntü işleme ve görüntü geliştirme ile uğraştım. Daha sonra, görüntü tanıma alanındaki araştırmalara odaklandık, bu nedenle birçok geleneksel makine öğrenimi yaptık. 2009'dan 2012'ye kadar, 3D çok popülerdi.Şirketin ürün departmanı bizden 3D yapmamızı istedi. 2D'den 3D'ye nasıl geçilir? Sadece bir buçuk yılda, şirketin iş departmanlarına tüm 3D teknolojileri sıfırdan sağladık.
Şu anda birçok kişi 2012'nin yapay zeka için çok önemli bir düğüm olduğunu söyledi, neden? Gördüğünüz gibi,% 1'lik tanıma doğruluğunu iyileştirmek için geleneksel makine öğrenimi yöntemlerini kullanmak çok zor. O yıl ImageNet yarışmasında, tek seferde% 10'luk bir iyileşme gördük.
O zamanlar, bu olay araştırmacılarımız için büyük bir şok yaşadı, bu yüzden makine öğrenimini kısa sürede derin öğrenmeyle değiştirdik ve iyileştirme etkisi de% 10'a ulaştı. En son algoritma teknolojisine olan duyarlılığımıza dayanarak, ekibi derhal derin öğrenme alanına yönlendirdik. Sadece birkaç yıl içinde, tüm geleneksel makine öğrenimini, güncellenmiş algoritmaları, teknolojileri ve ürünleri dönüştürdük ve dünyanın ön saflarında yer aldık.
Yeteneklerinizin iyi olduğunu söylüyorsunuz, bunu nasıl alkışlayacaksınız? Bunun bir yolu, en iyi uluslararası yarışmalara katılmaktır, bu yüzden bir düzineden fazla dünya çapında yarışmaya katıldık ve şampiyonluğu kazandık.
Bu yıl, Singapur Araştırma Enstitüsü'nün baş bilim adamı ve dekanı olarak çok umut verici bir AI start-up şirketi olan Pensi Technology'ye katıldım.Bu aynı zamanda daha büyük bir rol oynamak ve yeni platformda devam edebilmek için çok iyi bir alan. İyi sonuçlar elde edin.
Bir dizi uluslararası yarışmaya katıldık ve yüz tanımada iki çift şampiyonluk kazandık. Ayrıca hedef izleme, yaya algılama, yaya yeniden tanımlama, hedef algılama, görüntü bölümleme, görüntü sınıflandırma, trafik anomalisi algılama, otomatik sürüş ve akıllı robotlar da var.Hepimiz iyi sonuçlar elde ettik.
Açıklığın neden bu kadar büyük olduğunu söyleyebilirsin. Aslında ekibimiz sadece makine öğrenimi ile uğraşmıyor, uzun süredir çok önemli bilgiler biriktirdik ve bunları birlikte kullanmalıyız. Dolayısıyla teknolojimiz, makine tanıma, derin öğrenmeden görüntü işlemeye, üç boyutlu yeniden yapılandırma ve geometriye kadar eksiksiz bir teknolojidir.
High-Energy ekibi, son teknoloji algoritmalara ve teknolojik yeniliğe duyarlılığı, iş bilinci ve ürün düşüncesi ile uzun yıllardır büyük şirketlerde çalışmakta, sistematik yönetim peşinde koşmakta ve mükemmel bir ekip kurmaktadır. Çok dinamik bir yıldız ekibi kurduk ve böylesine mükemmel bir ekibe sahip olmaktan gurur duyuyoruz.
Pensi Teknolojisine katılın, oynayabileceğim çok yer olduğunu düşünüyorum, daha iyisini yapacağım.
Güvenlik sistemlerinden bahsettik. Pence Teknolojisi aynı zamanda uçtan uca yazılım ve donanıma dayanmaktadır.Yapay zekamız sadece terminal görüntü tanıma için değil, aynı zamanda tüm dikey alanlarda uygulama geliştirmeyi sağlamak için çekim ucu, görüntü işleme, SoC dahil olmak üzere ön uç için de kullanılmaktadır.
Gözetim videosunun yapılandırılması hakkında konuşmak. Çeşitli algoritmalar kullanıyoruz ve algoritma sahne değiştiğinde farklı olabilir. Endişelenmemize gerek olduğunu sanmıyorum çünkü ekibimiz tam donanımlı teknolojiye sahip. Bazıları ekibimize algoritma sihirbazı diyor, ben sahnenin ihtiyacı olanı sağlayacağım. Bu süreçte yüz tanıma hala çok önemli bir rol oynamaktadır.
Sistemin az önce bahsedilen üç parçası, akıllı sensör çekim terminali, AI görüntü geliştirme SoC, AI görüntü tanıma, sahneler, olaylar ve büyük veriler için analiz terminalleri dahil. Bunu, güvenlik ürünlerinin katma değerli temelini oluşturmak ve Pensee'nin orta vadeli ve gelecekteki güvenlik ürünlerinin kapsamlı ve dikey inişini oluşturmak için yapıyoruz.
Bu tabloyu bir özet yapmak için kullanmak istiyorum.
Pence'in temel algoritmaları üç kategoriye ayrılmıştır:
Son teknoloji algoritma segmentasyonu açısından birincisi görüntü tanıma, birçok algoritma görebiliyoruz.
Yüz algılama açısından, her kişiyi hizalayın ve tanıyın, bir dosya, FaceID, nereye giderseniz gidin, yüzünüz kimliğinizdir; yüz özelliği algılama, cinsiyet, yaş, ırk, güzellik, ifade, durum, kişilik vb. İçerir. İnsan vücudu algılama; duruş, duruş, giyme, açıklama, izleme, sınır ötesi tanıma / ReID'yi içerir ve insan davranışı tespiti, belirli davranış yargısı ve tahmini vb. İçerir.
Güvenlik endüstrisinde, birçok tehlikeli davranışın muhakemesi ve tahmini de çok önemlidir. Bir kazadan sonra bir araba kaçtığında, arabayı hızlıca yakalamak için yakındaki kamerayı harekete geçirmemiz yeterli oluyor, bu da akıllı ulaşımın yönetimi için çok önemli. Anlamsal anlamanın yanı sıra diğer nesnelerin vb. Tanınması ve izlenmesi vardır.
Görüntü iyileştirme açısından, parazit giderme, bulanıklık giderme, sarsıntı giderme, süper çözünürlük, yansıma önleme / arka ışık önleme, ayrıca sis giderme, yağmur giderme, kar temizleme vb. Görüntü yakalama açısından, Sensörde Yapay Zeka, Yapay Zeka görüntü kalitesi değerlendirmesi ve yapay zeka kontrollü yakalama gibi yeni sensörler var.
Şimdi geçmişten, bugünden ve yüz tanımanın zorluklarından bahsediyoruz.
Yüz tanıma çok yeni bir konu değil.Yüz tanıma, geçmişte makine öğrenimi kullanılarak 20 yıldan daha uzun bir süre önce bazı ürünlerde uygulanmıştır. O zamanlar, halka açık veri setleri temelde kısıtlanmış insan yüzleriydi ve hepsi yakın mesafeli veya kontrollü ışıklı görüntülerdi. Bugün dinamik gözetim kameraları altında çekilmiş yüzler görüyoruz.Bu aralık çok büyük Yayaların birden fazla pozu var ve kalite kontrol edilemez.Özellikle ışığın tanıma üzerinde büyük etkisi olacak.
Herkes eğitim verilerinin seviyesinin de değiştiğini fark etti. Küçük veriden açık büyük veriye ve süper büyük veriye kadar geçmiş oyunların test verileri yüzle karşılaştırılır, bugünün oyunu bile aynı, yakın zamana kadar IJB-C daha çok ortaya çıktı Profil pozuna sahip bir yarış.
Ancak bu, güvenlik sahnesindeki dinamik gözetim videosu altındaki verileri gerçekten temsil etmiyor.
Yüz tanımadaki yinelemeli değişikliklerden bahsedersek, 2012 bir sınırlama noktasıdır. Bundan önce, algoritmalar geleneksel manuel özellikleri kullanıyordu. Geçmişte, geleneksel makine öğrenimi, sadece bunları kullanabiliyorduk. Ancak LFW gibi pozitif yüz tanımada bile% 90'a ulaşmıyor.
Günümüzün derin öğrenmesinde, küçük bir model% 99 alabilir, yani bunlar tamamen farklı iki kavramdır.
2013'ten 2016'ya kadar, özellik değişikliklerini, LFW veritabanlarının ortaya çıkışını, süper büyük verileri ve yeni algoritmaların ortaya çıkmasına neden olan eşit olmayan ışık ve çoklu pozlarla dinamik test setlerini gördük. Ayrıca herkesin rekabet etmesi için açılabilen güvenlik dinamik gözetim videosu altında gerçek veri setini görmeyi umuyoruz.
Elbette, iki boyutlu ve üç boyutlu yüz özelliklerinin tanınması ve çıkarılmasının yanı sıra insan yüzlerinin sahteciliğinin önlenmesi, gelecekte FaceID'nin işlevi için gereksinimleri ortaya koyuyor.
Herkes sınırlandırılmamış yüz tanımanın yüz duruşunda çok sayıda tıkanıklık, düzensiz ışık ve farklı ifadeler ve piksellerle büyük değişikliklere sahip olduğunu bilir. Uzun bir mesafeden yakınlaştırdıktan sonra, bozulma ciddi. Ve statik ve dinamik durumlar var.
Yukarıdaki resim, Nist IJB-A yarışmasının farklı açılardan, farklı ışıktan, engellemeden, gözlük takan, ağzı örten bazı kelimelerden ve farklı piksel kameralarla çekilmiş resimlerden oluşan bir görüntüsüdür. Takımımız Mart 2017'deki yarışmada Panasonic'i temsil etti ve şampiyonluğu kazandı. Aynı yılın Mayıs ayında Panasonic de bu sonucu yayınladı.
Bu zorluk aynı zamanda algoritmamızın şablon yarışmasında çok iyi sonuçlar verebileceğini açıkça gösteriyor.
Aşağıdaki şekil algoritmanın bir özetidir: Taşıma algoritmasını ve heterojen çoklu modellerin birleşimini ve bilinen çift aracılı yüzleşme oluşturma ağını kullandık. Elbette verilerin nasıl temizlendiği ve önceden işlendiği de önemli bir rol oynar.
Bu, yarışmamızın liderlik tablosudur ve kırmızı kutu sonuçlarımızı gösterir.
Geleneksel yüz tanıma algoritmasının eskiden birinci ve ikinci sırada yer aldığını görebilirsiniz. Ancak IJB-A sınırsız yüz testi setinde, tanıma oranları sadece% 20,% 50 ve% 60. Bu değişiklik çok büyük. Teknoloji sürekli gelişiyor ve performans sürekli gelişiyor.% 98 aldık. .
Bu rakamdan da görülebileceği gibi, hata ne kadar küçükse o kadar iyidir. Geleneksel algoritmalar o dönemde kimlik kartı ve pasaport testi seviyesi gibi en iyiler arasında yer alsa da, geleneksel algoritmanın performansı çoklu pozlar ve farklı ışıklarla bir yüz testi seti altında büyük ölçüde azaltılabilir.
Büyük veri yüz tanıma hakkında konuşalım. Temmuz 2017'de Microsoft, bir milyon ünlü tanıma yarışması düzenledi. Temmuz ayında açıklanan sonuçlarımız çifte etkinliği tekrar kazandı.
Panasonic, Şubat 2018'de bu başarısını ürünlerine uyguladı ve Tokyo'da bir basın toplantısı düzenledi. Aşağıdaki şekilden de görebileceğiniz gibi, çapraz yaş, çapraz duruş ve oklüzyon durumlarımız tespit edilebilir. Panasonic'in ürünleri sadece yüz tanıma algoritmaları değil, aynı zamanda kamera ve görüntü geliştirme açısından çok fazla aktarım bant genişliğini de düşürüyor. Bildiğiniz gibi Panasonic'in güvenlik ürünleri Japonya'da bir numara.
Az önce test veri setinden bahsettim, örneğin mevcut LFW 2012'de çıktı ve şimdi doymuş durumda. Bugünün MegaFace, Microsoft ve IJB-A / B / C'ye. Tüm veriler hala bir özelliktir, dinamik izleme altında toplanan verilere değil, İnternette toplanan verilere dayanmaktadır. Umarım yakında bir gün bu tür verileri test edebiliriz.
GAN uygulamasından biraz bahsetmiştim, bu yazıyı paylaşayım.
IJB'de çoklu poz tanıma ile ilgili sorun, eğitim veri setimizin çok dengeli veriler almasının zor olmasıdır. Yukarıdaki şeklin sol tarafı herkese, bu eğitim setinde sol ve sağ açılar için çok fazla veri olduğunu, ancak bazı açılara ilişkin verilerin büyük ölçüde azalacağını söyler. Bu GAN'ı kullandık ve sağ taraf daha fazla yanal açı verisi üretti.
Ayrıca performans karşılaştırmaları da yaptık, kendi yaptığımız b1, b2 ve DA-GAN sonuçlarını görebilirsiniz. b1, fazladan eğitim verisi eklemediğimiz anlamına gelir. b2, önceki eğitim modelimiz artı ek 3B yüz sentezi eğitim verileridir. Sonuncusu DA-GAN'ımız tarafından üretilen bazı dengeli verilerdir. GAN'ımız, karşılaştırıldığında önemli bir performans artışı getiriyor. Dolayısıyla GAN çalışmamız, NIPS-IJCAI-AAAI gibi akademik konferanslarda da yayınlanıyor ve GAN, farklı yaşlarda yüzler oluşturmak için de kullanılıyor.
Dinamik izleme koşulları altında çekilen yüz hakkında konuştuk.Yüz tanıma performansını iyileştirmenin yanı sıra başka yolları da düşünüyoruz. Örneğin, kaynak uçta daha iyi görüntüler yakalamaya başlayarak görüntü geliştirme yöntemlerinin yanı sıra, AI görüntü geliştirme ve SoC hakkında biraz paylaşım yapacağım.
Paylaşılacak ilk şey, hareket bulanıklığını kaldırmaktır. Herkesin bildiği gibi, soldaki görselde çoğu zaman ayrıntıları göremeyiz. Görüntünün ayrıntılarını geri yüklemek için HDR'nin kullanıldığı söyleniyor.Bu yöntem, geniş dinamik aralıklı bir görüntüyü eşit ışıkla sentezlemek için çoklu uzun ve kısa pozları ortaya çıkarmaktır. Sorun nedir? Sahnede hareketli nesneler varsa, çok bulanık olacak sözde HDR görüntüsünü elde etmenin bir yolu yoktur. Ancak aşağıdaki resim bizim algoritma hareket dengelememizi kullanır, görüntünün ayrıntılarını net bir şekilde görebilirsiniz. En iyi Kağıdı aldık ve şirketin ürünlerinde kullandık.
İkincisi, düşük ışıkta görüntü iyileştirme yöntemiyle ilgili, yukarıda iki grup görüntü olduğunu görebilirsiniz. Sol taraf karanlık, ancak görüntü geliştirme yöntemleriyle ayrıntıları görebilirsiniz. Özellikle insan yüzleri için doğru yüz tanınabilir. Geleneksel görüntü iyileştirme yöntemlerinin bazı sınırlamaları vardır: Günümüzde insanlar derin öğrenmeyle birlikte daha yüksek doğruluk elde edebilmektedir.
Gürültü giderme yöntemi, herkes BN3D'nin iyi bilinen bir gürültü giderme yöntemi olduğunu bilir, ancak her zaman iyi yapılması zor olan kameranın gücüne göre yapılır. Ayrıca bu makale için en iyi makaleyi aldık.Gürültü ilişkisini takip edebilen derin evrişimli CNN ve LSTM kullandık.Öjektif ve objektif kalite yapısı, bu yöntemin iyi görüntü kalitesi elde edebileceğini gösteriyor.
Süper çözünürlük hakkında konuşalım. Süper çözünürlük çok yeni bir konu değil. Uzun yıllardır herkes bunu başarmak için geçmişte bazı denetimli ve denetimsiz yöntemler de dahil olmak üzere geleneksel yöntemleri kullandı. Birçok yöntem var.
Nelere dikkat etmeliyiz? Önem verdiğimiz şey, onu nasıl değerlendirdiğiniz, değerlendirme kriterlerinizin ne olduğu ve başvurunuzla bir ilgisi olduğu. Yapay zekanın sahne ile ilgili olduğunu söylüyoruz. Daha çok dikkat ettiğimiz şey insan yüzü, yüz tanımanın doğruluğu nedir? Bu bizim için çok önemli.
Bu örneği vereyim Yukarıdaki resmin solundaki Düşük Çözünürlüklü resim, uzun mesafeden çekilmiş bir kişidir. Bu kişinin kim olduğunu gerçekten bilmek istiyorsunuz. Yakınlaştırdığınızda distorsiyon görünecektir. Farklı süper çözünürlükler kullandığımızda, çeşitli performanslar göreceğiz. İki sarı resim insan gözüne benziyor. Ancak yüz kimliğini geri yüklemenin doğruluğu arasında büyük bir fark var. Değerlendirme kriterlerimiz nelerdir? Bu tabloya bir göz atalım ve son olarak bize derin öğrenmeyi süper çözünürlükte kullanmanın avantajının, girdiğiniz görüntünün boyutunun 12 × 14 piksel ve girdiğiniz görüntünün 22 × 24 piksel olması ve elde edilen doğruluğun temelde olduğunu söyleyelim yakın.
Ek olarak, bazı insanlar yüksek çözünürlüklü yüz görüntülerini geri yükleme gerçekçiliğini artırmak için yüz özelliklerini, yani yerel alanları kullanır.
Titreşimi giderme, sisi giderme, yağmuru giderme ve karı temizleme yöntemleri güvenlik ürünleri için çok kullanışlıdır.
Bir çok modern algoritmalardan bahsettim. Pensys Technology, farklı senaryolardaki uygulamalar için bilgisayarla görü ve Nesnelerin İnterneti teknolojilerine odaklanır ve çeşitli senaryolarda dikey endüstriler için çözümler sunar. Bu nedenle, tam yığın ertelenmiş algoritmamız iyi bir eşleşmedir ve bu da şirketin daha hızlı ve daha büyük yapmasını sağlayabilir.
Pensi Teknolojisinin temel gücü, tamamen kendi geliştirdiği, tam yığın bilgisayarla görme teknolojisinde yatmaktadır. Sadece öğrenmek değil, bilgisayar geometrisine ve 3D yeniden yapılandırma teknolojisine sahibiz. Eksiksiz bir yazılım ve donanım ürünleri yelpazesi, tüm senaryolar için çözümler ve eksiksiz hizmet özellikleri.
Bu, akıllı topluluk yönetimi platformu, akıllı portre büyük veri istihbarat platformu, akıllı polis büyük veri platformu ve çeşitli donanım terminal ürünleri dahil yazılım ve donanım ürünlerimizdir. Kamu güvenliği, akıllı parklar, akıllı topluluklar, akıllı üretim, akıllı ulaşım ve diğer sektörlerde uygulamalarımız var. Pensi Technology, kuruluşundan bu yana 50'den fazla şehre başarıyla inmiştir.
Özetle, gerçek güvenlik senaryolarında dinamik video gözetim teknolojisi hala büyük zorluklarla karşı karşıyadır. Önümüzdeki üç yıl içinde yapay zeka, kısıtlanmamış yüz tanıma ve görüntü geliştirme algoritmaları ve ürünlerinde daha büyük atılımlara sahip olacak.
Pensi Singapur Araştırma Enstitüsü, dikey alan teknolojilerinin araştırma ve geliştirmesine ve en son teknoloji keşif ve rezervlerine odaklanmaktadır.Birinin bahsettiği algoritma inkübatörü gibi, biri senaryo algoritması, diğeri ise şirketimizin işini hızla genişletmesini sağlayan bir algoritma inkübatörü. hepinize teşekkür ederim!
Çin Yapay Zeka Güvenlik Zirvesi Hakkında
Leifeng.com ve AI Nuggets tarafından düzenlenen "2019 Çin Yapay Zeka Güvenlik Zirvesi", Çin'in "AI güvenliğinin" entegrasyonunu ve "akademik endüstri" uygulamasını teşvik etmeye adanmış, sektörde etkili bir AI güvenlik forumudur. .
Bir önceki zirvenin yüksek seviyeli ve yüksek popülaritesini sürdüren 2019 Çin Yapay Zeka Güvenlik Zirvesi, bir kez daha algoritmaların, mühendisliğin ve ürünlerin ön saflarında yer aldı ve güvenlik endüstrisine bilişini daha da yükseltmesi için rehberlik etti. Bu Haikang, Dahua, Huawei, Alibaba, Tencent ve birden fazla AI tek boynuzlu at. "AI Güvenliği" ilk kez aynı sahnede olduğu için, yurtiçi ve yurtdışından 1.000'den fazla hükümet ve işletme yönetimi ile teknik araştırmacı, birlikte tartışmak üzere zirvede bir araya geldi 2019'da yapay zeka güvenliği akıllı teknolojisi, son teknoloji algoritma uygulaması ve iş stratejisi düzeninin devreye alınması
Zirve dört ana başlık oluşturdu: "Urban Brain and Edge Computing", "Global Top Algorithm Application", "Front-end Dynamic Recognition and Intelligent Video Cloud" ve "Urban AIoT ve Edge Intelligent Engine". Mevcut 15 konuşmacı vardı :
Sabah oturumu: Alibaba Huaxiansheng, Hikvision Pu Shiliang, Dahua Co., Ltd. Yin Jun, Horizon Zhang Yongqian, Shenyu Technology Chen Ruijun, Shangtang Technology Zhang Guoxuan, Inspur Business Machine Zhang Qi.
Öğleden sonra oturumu: Hong Kong Bilim ve Teknoloji Üniversitesi Quan Long, eski Panasonic (Singapur) Araştırma Enstitüsü Shen Shengmei, Huawei Yu Hu, Touch Jing Wu Xiao Hongbo, Megvii Technology Anyang, Qianshitong Hu Dapeng, Tencent Li Muqing, Çin Bilimler Akademisi Otomasyon Enstitüsü Wang Jinqiao.
