基于GPU加速的STROOBnet优化与近似递迴策略
机器学习
2025-03-04 v4 计算机视觉与模式识别
多智能体系统
摘要
时空网络的观测能力对于跨多个领域的准确数据收集和明智决策至关重要。本研究聚焦于时空范围观测-可观测二分网络（STROOBnet），将观测节点（如监控摄像机）链接到定义地理区域内的事件，实现高效监控。利用来自新奥尔良路�实时犯罪摄像机（RTCC）系统和服务呼叫（CFS）数据，RTCC面对警力减少导致犯罪上升的挑战时，我们解决了网络的初始观测不平衡问题。旨在实现均匀的观测效能，我们提出了近似递迴方法。它在提供整体事件频率和空间考虑的同时，超越了k-means和DBSCAN等传统聚类方法，增强了观测覆盖范围。
引用
@article{arxiv.2404.14388,
title = {STROOBnet Optimization via GPU-Accelerated Proximal Recurrence Strategies},
author = {Ted Edward Holmberg and Mahdi Abdelguerfi and Elias Ioup},
journal= {arXiv preprint arXiv:2404.14388},
year = {2025}
}
备注
10 pages, 17 figures, 2023 IEEE International Conference on Big Data (BigData)