登录社区云，与社区用户共同成长
邀请您加入社区
本文提出了一种针对遥感图像中细长目标检测的新方法Strip R-CNN。该方法创新性地设计了大型条状卷积模块（Strip Module），通过序贯的正交条状卷积（1×K和K×1）替代传统方形大卷积核，在降低计算量的同时更有效地捕捉细长目标的各向异性特征。网络架构包含StripNet骨干和Strip Head检测头，其中检测头解耦分类、角度回归和定位任务，并在定位分支中嵌入Strip Module以
基于YOLO的目标检测技术正重塑城市治理方式，通过边缘计算与镜像化部署实现对占道经营的高效识别。系统可在30秒内完成从视频分析到告警派单的全流程，显著提升执法效率并降低人力负担。结合本地数据微调、动态阈值与隐私保护机制，YOLO已成为智慧城管的核心引擎。
2025 算力互联网大会期间，算力云专网与 RDMA 论坛在成都举行。论坛围绕算力云专网、RDMA 等高性能网络关键技术，发布《高性能网络创新应用实践研究报告》，集中展示多项产业创新成果。来自科研机构、运营商与企业的专家深入探讨算力互联标准、智算集群网络优化及跨域算力协同，为算力互联网建设提供实践参考。
实时数据动态更新：CPU 负载、机柜温度、能耗曲线直观呈现，区域超标或过载时即刻标红预警，并自动匹配备用方案。运维无需逐个巡检，全局状态一屏掌握，设备维护、线路负载等情况一目了然。算力时代，数据中心的高效运转靠 “可视化大脑” 精准把控。数字孪生技术构建的三维平台，毫米级还原机房全貌，服务器、空调、电力链路等细节清晰可辨。从能耗优化到故障响应，从资源调度到风险预判，可视化管理让数据中心告别 “盲维
学习9000多份智慧城市，智慧医院，智能制造，数字化转型，新质生产力，算力，大模型，AIGC，工业互联网，数字孪生......持续更新热点行业解决方案，公号智慧方案文库。资料下载方式，请看每张图片右下角信息。
2026 是智慧城市从 “建设年” 迈向 “价值年” 的关键一年，AI + 算力 + 数据 + 场景，四轮驱动，全面爆发。
智慧应用则在政务、交通等多领域呈现价值，核心优势在于实现全场景智慧、全要素聚合协同和全周期运营管理。智慧应急保障城市安全；AI技术成为智慧城市建设的关键驱动力，其感知智能、认知智能、行动智能在多领域落地，助力城市升级，分三阶段实现场景应用突破、跨域场景协同和全面智能覆盖，且依赖数据、算力、算法和知识四大要素。未来，AI将助力打造低碳之城、创新之城、幸福之城，从能源、交通等多方面减碳，推动生产方式变
例如，“三调”（第三次全国国土调查）通过构建全国统一的“国土调查云”平台，实现了外业举证、内业核查、数据建库的实时联动，彻底告别了“表格堆叠、图纸纷飞”的传统模式。当前，自然资源部进一步推动“国土调查云”升级为“自然资源调查云”，强化多源数据（如土地、林草、地质）的融合分析，为全域资源管理提供“一张底图”。答案藏在“科技赋能”与“业务融合”的双轮驱动中。以重庆市“国土调查云”为例，通过构建统一线索
智慧城市建设中，分布于交通枢纽、楼宇设施、环境监测点的终端算力节点，正构建起毫秒级响应的城市神经网络，让交通信号灯根据车流密度动态调节、智慧电网实现能源损耗的实时监测、垃圾分类箱自动完成品类识别与容量预警。这种渗透至各领域末梢的算力赋能，不仅推动着传统产业的数字化基因重组，更在物理世界与数字空间的交融中，勾勒出高效、精准、智能的未来社会新图景。终端算力正以其强劲的技术势能，为机械自动化、医疗、智慧
其中，计算资源平台提供了强大的算力支持，数据资源平台实现了数据的汇聚与治理，业务应用平台则依托人工智能等技术，提供了丰富的城市治理应用。未来，随着技术的不断进步和应用场景的不断拓展，智慧城市大脑将在城市治理中发挥更加重要的作用。智慧城市大脑通过与市民的互动，增强了城市的智能化和便捷化。智慧城市大脑作为城市管理的创新模式，通过集成大数据、人工智能等技术，实现了对城市运行的全面感知与智能决策。智慧城市
学习9000多份智慧城市，智慧医院，智能制造，数字化转型，新质生产力，算力，大模型，AIGC，工业互联网，数字孪生......持续更新热点行业解决方案。
在人员处于不同楼层的情况下，准确测量人员间的高度差，通过屏幕显示和语音播报实时测量数据，通过北斗定位人员所处经纬度，误差小于1米。5G激光高算力夜视仪是专门为夜间超高清监控的需求而量身打造，支持包括5G、4G功能在内的公网进行实时传输，并且配置 16TOPS算力，7寸触摸屏，采用20倍光学变焦，16倍数字变焦镜头，设备白天看清人体轮廓可达2000米以上，夜视距离可达1000米。（lisa59672
特别是在高速公路和密集城区环境中，自动驾驶车辆可以通过车车间通信协调行动，形成更加有序的流动队列，减少因人为因素造成的交通混乱。此外，通过云计算平台提供的强大算力支持，导航服务能够在短时间内处理大量并发请求，满足数百万用户的即时需求。一些先进的ASCS甚至引入了人工智能技术，如强化学习算法，使系统能够自主学习并优化控制策略，进一步提高交叉口的吞吐量，减少等待时间。本人是10年经验的前端开发和UI设
本文介绍了异构计算架构的硬件设计方案，采用GPU和NPU协同工作，通过高速互联技术实现高效数据传输，并部署分布式存储系统提升性能。软件方面构建了统一的AI开发平台，集成主流深度学习框架，配备智能调度和自动化运维管理系统。安全防护采用数据加密和网络安全设备保障系统安全。文档部分详细列出了从立项到验收全过程的各类技术和管理文档清单，以及涵盖智慧城市、医疗、教育等多个领域的建设方案资料库。完整资料可通过
从编程视角看，AI 优化本质是在算力、精度、速度之间找平衡。初学者需先理解每个技术的为什么（如为什么需要存内计算），再动手实现小案例（如用 PyTorch 写一个动态剪枝层）；内行人则需深入数学推导（如 SVD 压缩的误差边界）和硬件特性（如 HBM3e 的带宽瓶颈）。记住：最好的优化代码，是让机器聪明地偷懒，而不是盲目地蛮干。
近期，大型语言模型（LLMs）在时间序列分析中显示出卓越能力。不同于现有模型，LLMs主要通过参数扩展和广泛的预训练在保持其基本结构的同时取得进步。本文提出了一种用于交通预测的空间-时间大型语言模型（ST-LLM）。具体来说，ST-LLM将每个地点的时间步骤重新定义为标记，并融入空间-时间嵌入模块来学习标记的空间位置和全局时间表征。然后，这些表征被融合，为每个标记提供统一的空间和时间信息。此外，我
基于深度学习的停车位检测系统（UI界面+YOLOv8/v7/v6/v5代码+训练数据集）引言停车位检测在智能交通系统和智慧城市建设中扮演着重要角色。通过自动检测停车位的使用情况，可以有效提高停车管理效率，减少因停车问题引发的交通拥堵。本文将介绍如何构建一个基于深度学习的停车位检测系统，详细说明环境搭建、数据准备、模型训练、...
作者：魏溪含，涂铭，张修鹏 著出版社:机械工业出版社品牌:机工出版出版时间:2019-07-01深度学习与图像识别：原理与实践 [Deep Learning and Image Recognition: Principle and]
