智能交通论坛上谈到了几点,比如中国要向交通强国迈进

至顶网CIO与应用频道 07月31日 北京消息(文/孙博):我国目前的交通状况如何?未来交通长什么样?什么是智能交通?拥堵情况如何得到缓解?……

在前两天举行题为“智交通·大出行·新生态”的智能交通论坛上,来自国内外互联网+城市交通管理等相关行业从业者,共同探讨了未来交通和出行服务领域的新模式。

从交通大国迈向交通强国

经历改革开放的人都能明显感觉到一个趋势——中国交通发生了翻天覆地的变化。国内的铁路、高速公路总长度,已经跃居世界首位;水运、航运、公路客运量、客货周转量也已经达到世界先进水平。无论从基础设施的建设,还是每年数以万计的运输总量来看,中国已然成为了交通大国。

“但中国还不是交通强国。”中国工程院交通强国战略重大项目组副组长、清华大学交通研究所所长陆化普,针对近几年国内交通产业发展给出了评价。而对于这样的评价,陆化普用三方面来解释。

最明显的是国内的运输成本高居不下。比如物流成本,是美国的一倍之多;比如交通安全水平,从万人死亡率来看中国的指数是2.6,甚至达到了英国、日本等国指数的四倍以上。甚至,中国在世界规则制定、国家交通事物中的话语权微乎甚微……中国急需从交通大国走向交通强国的队列。

要实现这样的目标,在陆化普看来,首先需要实现基础设施的互联互通、交通服务一体化,以及交通运输组织管理的智能化,以此实现一站式的交通服务。除此之外,也要将国情、人口密度特点以及资源禀赋等因素纳入考量。

会“飞”的空中汽车

除了谈到目前国内交通发展情况,在当天的论坛上,还有来自交通领域的创新企业向在座观众展示了最前沿的科技交通。比如“会飞的车”。

未来交通什么样?比如一辆会飞的车

每一个城市发展到一定阶段,一定会遇到类似的问题——愈发严峻的交通拥堵情况。对此,AeroMobil CEO Juraj Vaculik谈到两方面:地球上现在只有3%的陆地面积覆盖了道路基础设施,这意味着截止到2030年,全球道路基础设施还需要8万亿投资。90%的汽车占据了大量的能源和城市停车场。

而这家来自斯洛伐克的公司AeroMobil,他们研制的汽车完全使用现有汽车和飞机的基础设施,为真正的“门对门”旅行铺平道路。

此前AeroMobil推出的3.0版本,最多承载两人,兼具超跑+飞机的形态。上个月AeroMobil又发布了其4.0版“Transition”,续航可达750公里。价格范围在120万-150万欧元之间,首批限量500辆。

“未来飞行汽车产值将达1万亿美元,飞行汽车技术相关产业产值达3万亿美元。”Juraj说道。不过目前飞行汽车,这样一个新兴产业所面临的挑战,Juraj也相应提到了几点——高昂的价格、安全性、节能续航能力以及机场跑道等基础设施的扩展。

高德易行平台上线 不与伙伴争利

交通离不开人、车、路,将三者协调到最优才能实现最优化。作为大会主办方之一,高德宣布升级“大出行战略”,发布易行平台,连接多家出行服务商,希望通过政企合作的云端交通大脑,与基于端的一站式公共出行服务平台融合,形成云和端的协调一致,最终达到全局道路资源和使用最优。

据了解,高德此次发布的云+端公共出行服务平台供包含云和端两个部分。在云端,未来高德将致力帮助政府有关部门通过云端交通大脑对信号灯等公共交通设施、对公共交通管理系统进行统一的指挥调度;在端上,滴滴、摩拜等出行服务商可以基于高德地图提供的全新一站式公共出行服务平台——高德易行平台,实现用户基础服务优化。而出行用户可以通过高德易行平台,自由选择从任意起点到终点的个性化规划,采用不同交通出行方式的组合。

目前已经有滴滴出行、神州专车和首汽约车等网约车服务商,摩拜单车等共享单车服务商,飞猪等火车票、客车票服务商作为首批合作伙伴接入了易行平台。为打造一站式公共出行服务,囊括步行、骑行、公交、驾车、网约车、共享单车、火车、飞机等各类出行方式,高德易行平台开放了地图产品的出行入口,助力出行服务商扩展用户规模,目前用户已经可以通过高德地图的骑行、叫车、火车等路线规划入口使用易行平台服务。

“高德易行平台的上线,是高德大出行战略升级的重要一步。”高德集团总裁俞永福表示,“高德的大出行战略,是为出行行业提供科技基础设施和公共出行服务平台,我们不做私有平台,也不做出行服务商。易行是一个一站式的公共出行服务平台,欢迎所有合作伙伴接入;易行是一个为用户、企业、政府三方提供服务的平台,希望能帮助大家都获益;易行致力于帮助合作伙伴为用户提供更好的出行体验,而不会与合作伙伴争利。”

原文发布时间为:2017-7-31


本文作者:孙博


本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值