UA-19849897-1

HIKVISION DEEP LEARNING

Posted by digitalnet 01/12/2018 0 Comment(s)

Πηγή: ψηφιακή τεχνολογία Hikvision

 

Οι συσκευές αποθήκευσης δεδομένων σε ολόκληρη τη βιομηχανία ασφάλειας απαιτούνται συνήθως για να χειριστούν μια τεράστια ποσότητα και πολλά στρώματα ακατέργαστων δεδομένων. Καθώς τα προγράμματα Safe City σε ποικίλα μεγέθη γίνονται πιο διαδεδομένα, ο αριθμός των κόμβων επιτήρησης έχει φτάσει τις εκατοντάδες χιλιάδες. Και λόγω της ευρείας χρήσης της παρακολούθησης υψηλής ευκρίνειας, ο όγκος των δεδομένων που αφορούν την παρακολούθηση της ασφάλειας έχει αυξηθεί δραματικά σε σύντομο χρονικό διάστημα. Η αποδοτική συλλογή, ανάλυση και εφαρμογή δεδομένων και η ευφυής χρήση τους καθίστανται όλο και πιο κρίσιμες σε αυτόν τον κλάδο. Έτσι, η βελτίωση της βιντεοσκόπησης φαίνεται να είναι ένας αναπόφευκτος, βιομηχανικός στόχος.

 

Οι χρήστες της ασφάλειας ελπίζουν ότι η επένδυσή τους σε νέα προϊόντα θα αποφέρει ακόμα περισσότερα οφέλη, πέρα ​​από τον απλό εντοπισμό και την παρακολούθηση ατόμων που συλλέγουν ενδιαφέρον και στοιχεία μετά από μια εκδήλωση ασφάλειας. Ορισμένα παραδείγματα πρόσθετων πλεονεκτημάτων περιλαμβάνουν τη χρήση των τελευταίων τεχνολογιών για την αντικατάσταση της μεγάλης ποσότητας ανθρώπινης ενέργειας που απαιτείται προηγουμένως για την αναζήτηση εικόνων επιτήρησης, την ανίχνευση ανώμαλων δεδομένων και την εξεύρεση αποτελεσματικότερων τρόπων για την μετατόπιση της επιτήρησης από τον εντοπισμό μετά από περιστατικά σε προειδοποιήσεις κατά τη διάρκεια συμβάντων -Ή ακόμη και προ ειδοποιήσεις. Προκειμένου να ικανοποιηθούν αυτές οι απαιτήσεις, απαιτούνται νέες τεχνολογίες. Έξυπνη παρακολούθηση βίντεο είναι διαθέσιμη εδώ και πολλά χρόνια. Ωστόσο, τα αποτελέσματα της εφαρμογής του δεν ήταν ιδανικά. Η εμφάνιση της βαθιάς μάθησης επέτρεψε αυτές τις απαιτήσεις να γίνουν πραγματικότητα.

 

Η Ανεπάρκεια των Παραδοσιακών Ευφυών Αλγορίθμων

Η παραδοσιακή έξυπνη παρακολούθηση βίντεο έχει ιδιαίτερα αυστηρές απαιτήσεις για το υπόβαθρο μιας σκηνής. Η ακρίβεια της ευφυούς αναγνώρισης και ανάλυσης σε συγκρίσιμα σενάρια παραμένει ασυνεπής. Αυτό οφείλεται κυρίως στο γεγονός ότι οι παραδοσιακοί αλγόριθμοι ανάλυσης βίντεο εξακολουθούν να έχουν πολλές ατέλειες.

 

Σε μια έξυπνη διαδικασία αναγνώρισης και ανάλυσης, όπως η αναγνώριση του ανθρώπινου προσώπου, απαιτούνται δύο βασικά βήματα: Πρώτον, εξάγονται χαρακτηριστικά, και δεύτερον, εκτελείται η «ταξινόμηση της μάθησης».

 

Ο βαθμός ακρίβειας σε αυτό το πρώτο βήμα καθορίζει άμεσα την ακρίβεια του αλγορίθμου. Στην πραγματικότητα, το μεγαλύτερο μέρος του υπολογιστικού και δοκιμαστικού φόρτου του συστήματος καταναλώνεται σε αυτό το μέρος. Τα χαρακτηριστικά των παραδοσιακών ευφυών αλγορίθμων σχεδιάζονται από τους ανθρώπους και ήταν πάντα υποκειμενικά. Περισσότερες αφηρημένες λειτουργίες-εκείνες που οι άνθρωποι έχουν δυσκολία να κατανοήσουν ή να περιγράψουν- έχουν αναπόφευκτα χάσει. Με γωνίες μετατόπισης και φωτισμό και ειδικά όταν το μέγεθος δείγματος είναι τεράστιο, πολλά χαρακτηριστικά μπορεί να είναι πολύ δύσκολο να εντοπιστούν. Επομένως, ενώ οι παραδοσιακοί έξυπνοι αλγόριθμοι λειτουργούν καλά σε πολύ συγκεκριμένα περιβάλλοντα, οι λεπτές αλλαγές (ποιότητα εικόνας, περιβάλλον, κ.λπ.) δημιουργούν σημαντικές προκλήσεις στην ακρίβεια.

 

Η δεύτερη βαθμίδα μαθησιακής ταξινόμησης περιλαμβάνει κυρίως την ανίχνευση στόχου και την αναγνώριση χαρακτηριστικών. Καθώς ο αριθμός των διαθέσιμων κατηγοριών για ταξινόμηση αυξάνεται, το ίδιο ισχύει και για το επίπεδο δυσκολίας. Ως εκ τούτου, οι παραδοσιακές τεχνολογίες ευφυούς ανάλυσης είναι εξαιρετικά ακριβείς στην ανάλυση των οχημάτων, αλλά όχι στην ανάλυση ανθρώπων και αντικειμένων. Για παράδειγμα, στην ανίχνευση οχημάτων, γίνεται διάκριση μεταξύ οχήματος και μη οχήματος, οπότε η ταξινόμηση είναι απλή και το επίπεδο δυσκολίας είναι χαμηλό. Για να αναγνωρίσετε τα χαρακτηριστικά του οχήματος απαιτεί αναγνώριση διαφορετικών σχεδίων οχημάτων, λογότυπων και ούτω καθεξής. Ωστόσο, υπάρχουν σχετικά λίγα από αυτά, κάνοντας τα αποτελέσματα ταξινόμησης γενικά ακριβή. Από την άλλη πλευρά, εάν η αναγνώριση πρόκειται να γίνει σε ανθρώπινα πρόσωπα, κάθε άτομο είναι μια δική του ταξινόμηση και οι αντίστοιχες κατηγορίες θα είναι εξαιρετικά πολυάριθμες - φυσικά θα οδηγήσουν σε πολύ υψηλό επίπεδο δυσκολίας.

 

Οι παραδοσιακοί ευφυείς αλγόριθμοι γενικά χρησιμοποιούν ρηχά μοντέλα μάθησης για να χειρίζονται καταστάσεις με μεγάλα ποσά δεδομένων σε πολύπλοκες ταξινομήσεις. Τα αποτελέσματα της ανάλυσης απέχουν πολύ από το ιδανικό. Επιπλέον, αυτά τα αποτελέσματα περιορίζουν άμεσα το εύρος και το βάθος των έξυπνων εφαρμογών και την περαιτέρω ανάπτυξη. Ως εκ τούτου, προκύπτει η ανάγκη για αύξηση του "βάθους" της νοημοσύνης σε μεγάλα δεδομένα για τη βιομηχανία ασφάλειας.


Τα πλεονεκτήματα της βαθιάς μάθησης και των αλγορίθμων της

Οι παραδοσιακοί έξυπνοι αλγόριθμοι σχεδιάζονται από τον άνθρωπο. Είτε σχεδιάζονται είτε όχι, εξαρτάται σε μεγάλο βαθμό από την εμπειρία και την τύχη, και αυτή η διαδικασία απαιτεί πολύ χρόνο. Είναι λοιπόν δυνατό ακόμη και οι μηχανές να μάθουν αυτόματα κάποια από τα χαρακτηριστικά; Ναί! Αυτός είναι ο στόχος της Τεχνητής Νοημοσύνης (AI).

 

Η έμπνευση για βαθιά εκμάθηση προέρχεται από νευρικά δίκτυα ανθρώπινου εγκεφάλου. Τα μυαλά μας μπορούν να θεωρηθούν ως ένα πολύ σύνθετο μοντέλο βαθιάς μάθησης. Τα νευρωνικά δίκτυα εγκεφάλου αποτελούνται από δισεκατομμύρια διασυνδεδεμένους νευρώνες. η βαθιά εκμάθηση προσομοιώνει αυτή τη δομή. Αυτά τα δίκτυα πολλαπλών επιπέδων μπορούν να συλλέγουν πληροφορίες και να εκτελούν αντίστοιχες ενέργειες. Διαθέτουν επίσης την ικανότητα για άντληση αντικειμένων και αναψυχή.

 

Η βαθιά εκμάθηση είναι εγγενώς διαφορετική από την άλλη