“互联网+”时代的公安政务服务模式研究

党的十八大以来,党中央、国务院作出了推进"互联网+政务服务"工作的重大决策部署,公安机关认真贯彻党中央、国务院决策部署,围绕转变政府职能、深化简政放权、创新监管方式、优化政务服务,深入推进"互联网+政务服务",加快建设地方和部级政务服务平台。2016年公安部印发了《公安部关于进一步推进"互联网+公安政务服务"工作的实施意见》,部科技信息化局按照《实施意见》及分工要求组织开展了部平台一期建设,整合了各部门、各警种互联网政务服务网站、系统和平台,使公安政务服务智慧化水平大幅提升,让企业和群众办事更方便、更快捷、更有效率。在各级公安"互联网+政务服务"平台的建设带动下,全国公安机关积极改进自身服务模式,将警务服务与互联网充分整合,极大地提升了服务质量,既方便了人民群众,又减少窗口民警工作量,有效提升警务效能。但在发展中仍面临着一些问题,诸如服务理念不足、数据共享能力存在短板等。这都需要各级公安"互联网+政务服务"平台进一步优化服务资源配置、丰富服务内容、创新服务模式,提升服务水平和群众满意度。

面向移动平台的深度学习复杂场景目标识别应用

针对传统建筑物提取方法对人为设计的依赖,以及对建筑物边缘特征提取算法的改进,通过Keras框架获取卷积神经网络(convolutional neural networks,CNN)模型MobileNet的瓶颈层后加入新的分类器进行迁移学习,对输入图片进行大量的图像增强技术和测试集增强技术,经过三个阶段的迁移学习后获得了较高的准确率。相比其他的特征提取算法,CNN具有平移不变性以及自动提取特征等优点,在较短的时间内获得较高准确率的同时,MobileNet的权重仅有15.3 MB,兼顾计算量和精度,可以广泛移植到移动端设备。基于模型移植的移动端系统兼具拍照识别、相册识别、菜单展示等功能,为移动平台用户快速准确地判断自然场景中建筑物的信息提供了便捷工具。

基于卷积神经网络面向自然场景建筑物识别技术的移动端应用

由于自然场景中背景噪声的存在,以及光照、旋转、拍摄角度等复杂因素的干扰,使得自然场景中对建筑物的图像识别难度较大.针对传统建筑物提取方法对人为设计的依赖,以及对建筑物边缘特征提取算法的改进,基于卷积神经网络(convolutional neural networks,CNN)对自然场景中地标建筑物进行分类的图像识别技术,以及将CNN模型移植到移动端实现复杂场景的快速识别的现实需求,通过Keras框架获取MobileNet瓶颈层后加入新的分类器进行迁移学习,对输入图片进行大量的图像增强技术和测试集增强技术,经过3个阶段的迁移学习,480次迭代后在3个测试集上分别达到98.2%、95.6%、97.2%的准确率.相比其他的特征提取算法,CNN具有平移不变形以及自动提取等优点,在较短的时间内获得较高准确率的同时,MobileNet的权重仅有15.3 MB,兼顾计算量和精度,可以广泛移植到移动端设备.基于模型移植的移动端系统兼具拍照识别、相册识别、菜单展示等功能,为移动平台用户提供一个方便简捷的工具来快速准确地判断自然场景中建筑物的信息.