Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >恶劣天气下的目标检测

恶劣天气下的目标检测

作者头像
狼啸风云
修改于 2022-09-02 05:08:37
修改于 2022-09-02 05:08:37
3.5K0
举报

1、Object Detection in Fog Degraded Images

图像处理是从给定图像中提取有价值数据的技术,用于不同的目的,如改善图像的可视化,以及从提取的数据中测量结构或特征。高质量的图像和视频很容易预测和分类,而检测模糊或模糊的图像是一个麻烦的问题。本文提出了一种有效的方法,将离散小波变换和卷积神经网络等多种图像处理技术相结合,对去雾图像进行引导滤波预处理。所提出的技术极大地改进了相关的标准性能指标,如PSNR、MSE和IIE。

2、Cross-domain Learning Using Optimized Pseudo Labels: Towards Adaptive Car Detection in Different Weather Conditions and Urban Cities

基于卷积神经网络(CNN)的目标检测通常假设训练数据和测试数据具有相同的分布,然而,这在现实应用中并不总是成立。在自动驾驶汽车中,驾驶场景(目标域)由不受约束的道路环境组成,这些环境不可能全部在训练数据(源域)中被观测到,这将导致检测器的准确性急剧下降。本文提出了一种基于伪标签的域自适应框架来解决域漂移问题。首先,通过基线检测器(BD)生成目标域图像的伪标签,并通过数据优化模块进行优化,以纠正错误;然后,根据伪标签的优化结果对单个图像中的硬样本进行标记。采用自适应采样模块,根据每幅图像的硬采样个数对目标域数据进行采样,以选择更有效的数据。最后,将改进后的知识精馏损失应用于再训练模块,研究了两种分配软标签到目标域训练实例的方法来对检测器进行再训练。我们评估了该方法在不同源/目标域对中的平均精度,并在Cityscapes、KITTI和Apollo数据集上验证了该框架在多域自适应场景下的平均BD精度提高了10%以上。

3、Accelerated Fog Removal From Real Images for Car Detection

图像去雾提高了计算机视觉应用中图像的视觉质量,例如目标检测和目标跟踪。提出了一种用于车辆检测的加速图像增强技术,作为为了交通管理的目的而使用现有街道摄像机来计数车辆的努力的一部分。解决了汽车检测的两个方面:1)通过用更快的滤波器代替耗时的图像滤波器来加速现有的图像去雾技术,同时保持可忽略的图像退化,2)提出了在无雾图像中检测汽车的快速且实用的算法,并将其应用于大约100幅汽车图像的数据库。除了汽车检测精度之外,加速是本研究的主要目标。改进的雾去除技术是通过使用所提出的自适应滤波器(PAF)估计透射图来恢复雾天图像的场景深度来执行的。在过滤之后,执行简单、准确且有效的汽车检测算法,以确认在处理后的图像中是否存在汽车。该系统相当鲁棒,尽管所有图像都是从现有来源获得的,但所提出的算法预计在浓雾和真实条件下对汽车的任何侧视图像都具有同样好的性能。

4、Road scenes analysis in adverse weather conditions by polarization-encoded images and adapted deep learning

道路场景中的目标检测对于开发自主车辆和驾驶辅助系统都是必要的。即使用于识别任务的深度神经网络在使用传统图像时表现出了很好的性能,但是在复杂的采集情况下,它们不能检测道路场景中的对象。相比之下,表征光波的偏振图像即使在弱照明或强反射的情况下,也能鲁棒地描述物体的重要物理特性。本文展示了非常规偏振成像模式如何克服传统的目标检测方法,特别是在恶劣天气条件下。所提出的方法的效率主要是由于旋光性的高功率以通过其反射特性来辨别任何物体,以及使用深度神经网络来进行物体检测。我们的目标是通过这项工作,证明偏振测量带来了一个真正的附加值相比,RGB图像的目标检测。在由恶劣天气条件下拍摄的道路场景图像组成的数据集上的实验结果表明,在不同的检测任务中,偏振测量和深度学习可以将技术水平提高大约20%到50%。

5、Deep Learning Approaches on Pedestrian Detection in Hazy Weather

有效地检测各种环境中的行人将显著提高自主车辆的驾驶安全性。然而,在雾天拍摄的行人图像的去模糊的可见度和模糊的轮廓和外观强烈地限制了当前行人检测方法的有效性。为了解决这个问题,本文提出了三种新颖的深度学习方法。深度方向的可分离卷积和线性瓶颈技术被用来降低计算成本和参数数量,使我们的网络更有效。我们还在其中一种方法中创新性地开发了一个加权组合层,通过组合多尺度特征图和一个挤压和激励块。利用六种策略对雾天采集的行人图像进行增强,以丰富数据库。实验结果表明,本文提出的方法能够在雾天有效地检测出行人,在准确率和速度上都明显优于现有的方法。

6、Data Augmentation for Improving SSD Performance in Rainy Weather Conditions

本文主要研究在多雨天气条件下,利用数据增强技术提高单炮多箱探测器的性能。通过在一组清晰图像上生成合成雨来应用数据增强,以扩展用于训练的数据集。实验结果表明,在所提出的增强合成数据集上进行训练,固态硬盘模型的性能提高了16.82%。

7、Vehicle Detection and Counting for Complex Weather Conditions

有许多技术用于运动目标检测。后处理步骤包括设置适当的阈值来区分前景和背景,这对提高这些技术的检测率准确性有很大影响。然而,到目前为止,找到一个能够自适应的合适的阈值,特别是在能见度低的场景中,并不十分成功。提出了一种基于三角形阈值法的自适应阈值算法。与基于近似中值滤波器的背景建模一起,在当前帧和背景模型之间的差异直方图上应用三角形阈值。最后,应用形态学运算和计数。实验结果表明,在不同的天气条件下(如雾和雪),三角形阈值可以有效地区分城市道路中的前景和背景。该方法与自适应局部阈值方法的比较表明了该方法的潜力。实验结果表明,与ALT相比,该方法在保持相似处理时间的同时,具有更好的检测率。

8、A NOVEL DATASET FOR OBJECT DETECTION IN RAINY WEATHER CONDITIONS

近年来,基于卷积神经网络的目标检测模型在自主驾驶系统中得到了广泛的关注并取得了令人瞩目的成果。然而,在恶劣的天气条件下,由于缺乏用于训练策略的相关数据集,这些模型的性能大大降低。在这项工作中,我们通过引入一个新的雨驱动数据集,命名为RD,解决了雨干扰下的目标检测问题。我们的数据集突出显示了各种数据源,有1100幅描绘各种驾驶场景的真实雨天图像,并带有五种常见交通对象类别的地面真实边界框注释。本文采用研发来训练三个最先进的目标检测模型,包括SSD512、视网膜和YOLO V3。实验结果表明,SSD512、RetinaNet和YOLO-V3模型的性能分别提高了5.64%、8.97%和5.70%。

9、Seeing Through Fog Without Seeing Fog: Deep Multimodal Sensor Fusion in Unseen Adverse Weather

摄像机、激光雷达和雷达测量等多模态传感器流的融合在自主车辆的目标检测中起着至关重要的作用,自主车辆的决策基于这些输入。虽然现有的方法在良好的环境条件下利用冗余信息,但在恶劣的天气条件下,它们会失败,因为在恶劣的天气条件下,感官流会不对称地扭曲。这些罕见的“边缘情况”场景在可用的数据集中没有表现出来,现有的融合架构也不是为处理它们而设计的。为了应对这一挑战,我们提出了一个新的多模态数据集,该数据集是在北欧行驶10,000多公里后获得的。虽然该数据集是不利天气下的第一个大型多模态数据集,具有100k个激光雷达、相机、雷达和门控近红外传感器标签,但由于极端天气很少,它不利于训练。为此,我们提出了一种深度融合网络,用于在没有覆盖所有非对称失真的大量标记训练数据的情况下进行鲁棒融合。从建议级融合出发,我们提出了一个由测量熵驱动的自适应融合特征的单次模型。我们在我们广泛的验证数据集上验证了基于干净数据训练的方法。代码和数据可以在这里找到:https://github.com/princeton-computational-imaging/SeeingThroughFog

10、A Real-Time Vehicle Detection System under Various Bad Weather Conditions Based on a Deep Learning Model without Retraining

已经提出了许多车辆检测方法来为智能交通系统的发展获得可信的交通数据。这些方法中的大多数在常见场景下表现良好,例如晴天或阴天;然而,在各种恶劣的天气条件下,例如雨天或有眩光的日子(通常发生在日落期间),检测精度会急剧下降。本研究提出了一种具有能见度互补模块的车辆检测系统,该系统在各种恶劣天气条件下提高了检测精度。此外,所提出的系统可以在不重新训练用于不同天气条件下的目标检测的深度学习模型的情况下实现。能见度的互补是通过使用暗通道先验和卷积编码器-解码器深度学习网络获得的,该网络具有双残差块,以解决不同恶劣天气条件的不同影响。通过使用“你只看一次”深度学习模型检测车辆,我们在多个监控视频上验证了我们的系统,并证明我们的系统的计算时间平均可达30帧/秒;此外,精确度不仅在低对比度场景条件下提高了近5%,而且在雨天场景条件下也提高了50%。我们的演示结果表明,我们的方法能够在各种恶劣天气条件下检测车辆,而无需重新培训新型号。

11、Vehicle Detection and Width Estimation in Rain by Fusing Radar and Vision*

虽然人们已经在深度学习目标检测方面付出了很多努力,但是在恶劣天气(例如雨、雪或霾)下的目标检测受到的关注相对有限。在大雨中,前挡风玻璃上的雨滴会使车内摄像头难以检测到物体。解决这个问题的传统方法是使用雷达作为主要的探测传感器。然而,雷达很容易出现误报。此外,许多入门级雷达传感器只返回每个检测到的物体的质心,而不是其大小和范围。此外,由于缺乏纹理输入,雷达无法区分车辆和非车辆对象,例如路边杆。这促使我们通过融合雷达和视觉来检测车辆。在本文中,我们首先相对于地平面校准雷达和照相机。然后将雷达探测投影到摄像机图像上,用于目标宽度估计。对大型数据库的经验评估表明,两个传感器之间存在天然的协同作用,因为雷达检测的准确性极大地促进了基于图像的估计。

12、Moving object detection under different weather conditions using full-spectrum light sources

鉴于与该主题相关的各种挑战,运动目标检测一直是一个活跃的研究领域。事实上,大多数挑战与低照度和天气条件(雾、雪、雨等)有关。)仍未解决,需要更多开发。在本文中,我们的内在目标是使用一种有效的运动目标检测方法来克服这些挑战。与大多数独立使用两个红外或可见光光谱之一的文献不同,我们提出了一种基于全光谱光源背景建模的运动目标检测方法。为了更好地保证运动目标速度和大小的适应性和独立性,在背景建模阶段引入了帧间差分方法的原理。此外,我们应用了一种新的策略在光谱之间切换,使我们能够受益于每个光谱的优势,即使在恶劣的天气条件下也能进行更好的运动目标检测。定量和定性评价的实验研究证明了我们提出的在不同光照和天气条件下使用全光谱光源之间切换策略的运动目标检测方法的鲁棒性和有效性。

13、It’s Raining Cats or Dogs? Adversarial Rain Attack on DNN Perception

雨是自然界中常见的现象,也是许多基于深度神经网络(DNN)的感知系统的重要因素。下雨通常会带来不可避免的威胁,必须小心应对,尤其是在安全和安保敏感的情况下(例如自动驾驶)。因此,全面调查降雨对DNN的潜在风险非常重要。不幸的是,在实践中,通常很难收集或合成能够代表现实世界中可能发生的所有下雨情况的下雨图像。为此,本文从一个新的角度出发,提出将两个完全不同的研究结合起来,即雨天图像合成和对抗性攻击。我们提出了一种对抗的降雨攻击,通过这种攻击,我们可以在部署的分布式神经网络的指导下模拟各种降雨情况,并揭示降雨可能带来的潜在威胁因素,从而帮助开发更抗雨的分布式神经网络。特别是,我们提出了一种因子感知的雨生成,它根据相机曝光过程模拟雨块,并为对抗攻击模拟可学习的雨因子。利用该生成器,我们进一步提出了针对图像分类和目标检测的对抗雨攻击,其中雨因子由各种dnn引导。因此,它能够全面研究降雨因素对DNNs的影响。我们在三个数据集上的大规模评估表明,我们合成的雨景图像不仅能够呈现视觉上真实的外观,而且具有很强的对抗能力,这为进一步的雨景感知研究奠定了基础。

14、Raindrops on the Windshield: Performance Assessment of Camera-based Object Detection

摄像机系统从周围环境中捕捉图像,并处理这些数据以检测和分类物体。造成故障和故障的一个特殊类别是不利的天气条件。在这种情况下,众所周知,例如,雨水由于吸收和散射下落的雨滴而降低了传感器的性能。此外,由于外部视野受到干扰,车载摄像头的物体检测会受到挡风玻璃上雨滴的影响。为了抵消这种影响,安装了挡风玻璃刮水器,以改善驾驶员的视觉信息,同时也有利于图像传感器。本文研究了雨天条件下一次擦拭动作的图像质量和目标检测的正确性。结果表明,随着雨滴在挡风玻璃上的积累,图像质量和目标检测性能下降。此外,它还显示了性能和时间之间的权衡。因此,应实施自适应加权数据融合,以便根据传感器数据最可靠的帧做出决策。

15、A Deep Learning-based Radar and Camera Sensor Fusion Architecture for Object Detection

近年来,使用深度学习的相机图像中的目标检测已被证明是成功的。不断提高的检测率和高效的计算网络结构将这一技术推向生产车辆的应用。然而,相机的传感器质量在恶劣的天气条件下受到限制,并且在光线稀疏的区域和夜间会增加传感器噪声。我们的方法通过在网络层融合摄像机数据和投影稀疏雷达数据来增强当前的2D目标检测网络。所提出的摄像机融合网络(CRF-Net)自动学习传感器数据的融合在哪个级别对检测结果最有利。此外,我们引入了BlackIn,这是一种受Dropout启发的培训策略,它将学习重点放在特定的传感器类型上。我们表明,对于两个不同的数据集,融合网络的性能优于现有的纯图像网络。这项研究的代码将提供给公众:https://github.com/TUMFTM/CameraRadarFusionNet

16、Benchmarking Robustness in Object Detection: Autonomous Driving when Winter is Coming

不管图像失真或天气条件如何,检测物体的能力对于像自主驾驶这样的深度学习的现实应用来说至关重要。我们在这里提供了一个易于使用的基准来评估图像质量下降时目标检测模型的表现。生成的三个基准数据集,称为帕斯卡-C、可可-C和城市风景-C,包含各种各样的图像损坏。我们表明,一系列标准目标检测模型在损坏的图像上遭受了严重的性能损失(低至原始性能的30-60%)。然而,一个简单的数据增加技巧——训练图像的风格化——导致跨损坏类型、严重性和数据集的鲁棒性的显著增加。我们设想我们的综合基准来跟踪构建健壮的目标检测模型的未来进展。基准、代码和数据是公开的。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2021/05/17 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
腾讯网关 TGW 基础原理入门
作者:厉辉,腾讯后台研发高级工程师,当前在腾讯游戏后台团队工作,熟悉四七层负载均衡以及 API 网关等技术领域,同时也是 CNCF Ambassador 以及 Apache APISIX PMC。 本文是在组内技术分享的发言稿,主要介绍 TGW 基本原理和架构,同时为了加深理解,会辅助对比 TGW 与 LVS(ipvs)的异同。本次分享是偏基础性的 TGW 介绍,不会特别深入技术细节,目的是帮助需要用到 TGW 的同事快速的了解 TGW。 零、引言 TGW,全称 Tencent Gateway,是一套实现多
腾讯技术工程官方号
2022/04/14
3.7K0
腾讯网关 TGW 基础原理入门
从技术角度谈一谈,我参与设计开发的手Q春节红包项目
今年春节期间,QQ以AR技术为支撑、娱乐体验为导向在春节期间推出系列红包并成功刷屏,系列红包包括三大玩法+年初一彩蛋,分别是“LBS+AR天降红包”、刷一刷红包和“面对面”红包,加上“娱乐红包”(明星刷脸红包),共计在春节期间派发了2.5亿现金红包和价值30亿的卡券礼包。根据企鹅智酷提供的数据,手机QQ的用户渗透率在全平台排名第二,为52.9%(第一是微信)。本文将会详细介绍手Q春节红包项目的设计、容灾、运维、架构以及总结。
Java高级架构
2018/08/16
1K0
从技术角度谈一谈,我参与设计开发的手Q春节红包项目
一文揭秘服务灾备,完美回答企业数据的“送命题”!
不论是自然灾难还是人为灾难,只要有数据传输、存储和交换的地方,就会产生数据失效、丢失、损坏等风险,一旦发生,就会给数据中心带来难以估计的损失;而灾备,是一种对业务数据安全的重要保护方式。
玄姐谈AGI
2021/02/08
6570
性能百万/s:腾讯轻量级全局流控方案详解
WeTest质量开放平台团队
2017/07/19
2.6K0
性能百万/s:腾讯轻量级全局流控方案详解
ffmpeg视频云转拉耗时优化(续)
背景 https://cloud.tencent.com/developer/article/1149105?s=original-sharing 上次在这里详细分析了ffmpeg转拉过程中的耗时问题
榴莲其实还可以
2018/07/12
2.1K0
ffmpeg视频云转拉耗时优化(续)
世界杯直播技术揭秘及视频云直播回源系统的应用
近些年,视频直播应用蓬勃发展,带宽也是日渐新高,腾讯云旗下的视频云直播为斗鱼、快手、虎牙、龙珠、CNTV广大的企业客户提供了很大的支持,在行业内起到了引领的作用。
用户2951495
2018/08/27
1.5K0
腾讯云实时音视频云端录制子系统上线,为多个行业带来全新改变
- 云端录制系统的技术实现 - 在远程教育、秀场直播、视频会议、远程定损、金融双录、在线医疗等应用场景中,考虑取证、质检、审核、存档和回放等需求,常需要将整个视频通话或互动直播过程录制下来。 针对这些场景的录制需要,我们需要有一套通用的高可用的云端录制系统来实现。 以往常见的方法是,通过将音视频数据推到 CDN 进行录制。这种方案虽然比较方便,但是整个链路引入了较多环节和供应商,彼此耦合较深,无论是开发新特性或者是调查问题,都会相对麻烦。 在分析了多种解决方案的利弊以后,我们设计并且实现了一个能
腾讯云音视频
2021/09/10
1.4K0
视频案例 | AMS 新闻视频广告的云原生容器化之路
卓晓光,腾讯广告高级开发工程师,负责新闻视频广告整体后台架构设计,有十余年高性能高可用海量后台服务开发和实践经验。目前正带领团队完成云原生技术栈的全面转型。 吴文祺,腾讯广告开发工程师,负责新闻视频广告流量变现相关后台开发工作,熟悉云原生架构在生产实践中的应用,拥有多年高性能高可用后台服务开发经验。目前正推动团队积极拥抱云原生。 陈宏钊,腾讯广告高级开发工程师,负责新闻视频广告流量变现相关后台开发工作,擅长架构优化升级,有丰富的海量后台服务实践经验。目前专注于流量场景化方向的广告系统探索。 一、引言 新闻视
腾讯云原生
2022/05/25
1.1K0
视频案例 | AMS 新闻视频广告的云原生容器化之路
超时错误码减少99.85%,QQ聊天图片自研上云的技术详解
自研业务存储平台-是 QQ 的富媒体(图片、视频、语音、文件等)数据传输、存储、处理等全链路解决方案的平台。致力于为用户提供稳定快速的群聊 、单聊图片上传和下载服务。为了面对突发热点也能快速响应,作者团队决定对其进行上云处理。本文着重以 QQ 聊天图片(简称:QQ 图片)为例讲述整个上云的过程及调优。
腾讯云开发者
2023/08/18
4620
超时错误码减少99.85%,QQ聊天图片自研上云的技术详解
海量服务实践──手Q游戏春节红包项目设计与总结
1. 需求背景 1.1.红包类别 2017年的手Q春节游戏红包共有刷一刷/AR地图/扫福三种,如下图所示: 1.2.体验流程 虽然红包分三种,但在游戏业务侧这边的体验都是一样:用户得到一个红包卡券,打开后展示一个(刷一刷红包)或者多个(AR地图红包)游戏的礼包列表,用户选择一个礼包后弹出区服组件,用户确认对应的区服角色信息后会礼包会在48个小时内发放到账。体验如下: 1.3.后台需求 游戏红包的设计容量为入口卡券页流量80k/s,以上体验流程一共涉及三个后台接口: 礼包列表:用户界面的礼包内容需
小时光
2018/01/29
1.5K0
海量服务实践──手Q游戏春节红包项目设计与总结
技术解码 | 伪直播及拉流多平台转推介绍
伴随着直播技术的发展,及各类直播产品的火爆应用,伪直播的场景被越来越多的使用。同时面对越来越多的直播平台,同一个直播源对多平台分发的需求也越来越多。 应用场景: 线上直播课,不少在线教育行业,使用伪直播进行授课,将历史录制的上课视频文件,进行不定时段的作为直播课放出,一方面减少了老师上课压力,对于重复内容,不需要再次实时讲解,还可以抽身出来在后台对学生的疑问进行实时解答。 重大赛事活动,受疫情影响,无法大规模线下聚集参与活动,越来越多的活动场景被搬到线上直播,面对空无一人的场地,为了提高直播活动的质量
腾讯云音视频
2021/05/13
1.9K0
【从0到1学习边缘容器系列-3】应用容灾之边缘自治
边缘计算模式下,云端的控制中心和边缘端的设备之间网络环境较复杂,网络质量差次不齐没有保障。用户往往希望在弱网环境下,边缘容器能提供高可用的业务能力。TKE 边缘容器团队在弱网环境下提出了边缘自治功能。本文着重介绍了边缘容器在弱网环境下为了保证业务高可用而做的工作。 问题背景 边缘计算使用的边缘设备数量庞大、分布全国各地,网络环境复杂,因特网、以太网、5G、WIFI 等形态均有可能。因此,云端的控制中心和边缘端的设备之间网络环境较复杂,网络质量差次不齐没有保障。 kubernetes 传统工作模式是所有组件
腾讯云原生
2022/04/14
8300
【从0到1学习边缘容器系列-3】应用容灾之边缘自治
海量服务实践:手 Q 游戏春节红包项目设计与总结(下篇)
接上篇《海量服务实践:手 Q 游戏春节红包项目设计与总结(上篇)》 5.系统保障 第四部分讲述了业务需求的开发,但是否功能开发完成后我们就这样就可放到线上安心睡大觉了呢? 如果出现一部分
吴逸翔
2017/02/09
1.8K0
海量服务实践:手 Q 游戏春节红包项目设计与总结(下篇)
腾讯云多Kubernetes的多维度监控实践
本次内容根据2017年11月4日 K8S Geek Gathering 沙龙深圳站腾讯云高级工程师王天夫的演讲内容整理而成。 本次分享的主要内容涉及腾讯云容器的顶层整体设计,包括产品功能,及提供的
腾讯云开发者社区
2017/11/15
3.4K0
腾讯云多Kubernetes的多维度监控实践
基于云原生基础设施的后台架构设计思考
作者:defooli  腾讯CSIG工程师 前言 在后台服务体系中,基础设施是运行在业务逻辑之下的计算、网络、存储资源以及通用的基础服务。如果没有完善的基础设施,业务团队只能以"小作坊"形式运作,具有较弱的服务治理能力,产生效率较低,大部分时候只是为了满足业务短期需求,如果出问题了再安排人力来优化,但是并不能很好收敛架构不完善带来的效率和质量问题,特别对于ToB的场景,质量和口碑犹其重要,不应该有持续的服务质量问题。针对如何实现一套完整的基础设施及其应具备的能力,下面做了一些思考和分析。 基础构架的设计
腾讯大讲堂
2021/02/19
8620
【从0到1学习边缘容器系列-3】应用容灾之边缘自治
导语:边缘计算模式下,云端的控制中心和边缘端的设备之间网络环境较复杂,网络质量差次不齐没有保障。用户往往希望在弱网环境下,边缘容器能提供高可用的业务能力。TKE 边缘容器团队在弱网环境下提出了边缘自治功能。本文着重介绍了边缘容器在弱网环境下为了保证业务高可用而做的工作。
腾讯云原生
2020/09/11
1.4K0
【从0到1学习边缘容器系列-3】应用容灾之边缘自治
如何削减 50% 机器预算?“人机对抗”探索云端之路
覃竞才,高级工程师,现任职于TEG安全平台部-业务安全中心,目前主要负责中心人机对抗数据平台建设。在后台开发方面具备丰富的设计开发经验。 前言 人机对抗旨在联合各个安全团队,共同治理黑灰产。由于历史原因,业务端对各个安全能力的访问方式入口多,对接系统/协议有十几个,呈现碎片化的状态,对外不利于业务对安全能力的便捷接入,对内不利于安全团队间的协同共建。为了提升各方面的效率,人机对抗服务在建设过程中大范围使用云服务,取得了很好的效果。回顾安全能力上云的过往,是一个从模糊到清晰,从迟疑到坚定的过程,在此给大家做
腾讯云原生
2021/07/20
3370
腾讯云分布式数据库 DCDB 架构解密
文章主要介绍了分布式数据库在金融互联网场景下的设计和实现,包括DCDB的架构、基础环境、实例配置、功能、性能、以及扩展性。同时,还探讨了分布式数据库在云原生架构下的应用和挑战,以及TDSQL在金融云上的解决方案和案例。
胡彬
2017/06/23
3.9K0
腾讯云分布式数据库 DCDB 架构解密
跨园区容灾,升级不停服:高可用负载均衡集群实践
腾讯云中间件团队
2017/03/31
4.7K0
跨园区容灾,升级不停服:高可用负载均衡集群实践
腾讯课堂停课不停学:业务后台实践
| 导语 疫情爆发,腾讯发起“停课不停学”专项,腾讯课堂一下子被推到风口浪尖上,2天上线极速版,2周内支持同时在线人数超百倍增长,对整个后台挑战非常大。整整2个月下来,同合作团队一起,白天7点开始盯监控和开发版本,凌晨12点例行压测和发布扩容,踩过很多坑也取得很多收获,这里拎几个关键点记录下
王昂
2020/04/29
2.7K1
腾讯课堂停课不停学:业务后台实践
推荐阅读
相关推荐
腾讯网关 TGW 基础原理入门
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档