Tematický článek: Snížení počtu falešných poplachů pomocí hlubokého učení

Global

Global - English

Asia

Europe

Oceania

ANZ - English

Latin America

North America

Middle East and Africa

Search news

Cancel

Resetovat

ODESLAT

Fenomén hlubokého učení stále vzrušuje svět IT, protože výpočetní výkon je nyní na takové úrovni, že jej lze řádně využít v praktických aplikacích. Společnost Hikvision stojí v čele aplikace této technologie v odvětví dohledu i mimo něj a již vydala první sadu produktů, které využívají sílu umělé inteligence (AI).

Koncept hlubokého učení se inspiruje fungováním lidského mozku. Náš mozek lze považovat za velmi složitý model hlubokého učení. Mozkové neuronové sítě se skládají z miliard vzájemně propojených neuronů; hluboké učení tuto strukturu simuluje. Tyto vícevrstvé sítě mohou shromažďovat informace a na základě jejich analýzy provádět odpovídající akce.

V posledních dvou letech tato technologie vynikla v oblasti rozpoznávání řeči, počítačového vidění, překladu hlasu a v mnoha dalších oblastech. Dokonce překonal lidské schopnosti v oblasti ověřování obličejů a klasifikace obrazu, a proto je vysoce ceněn v oblasti video dohledu pro bezpečnostní průmysl.

Díky své schopnosti lépe rozpoznávat lidi - například je odlišit od zvířat - je tato technologie skvělým doplňkem bezpečnostního arzenálu. To je zvláště důležité ve světě, kde podle statistik policie a hasičů tvoří falešné poplachy 94-99 % všech poplachů!

Jak funguje hluboké učení
Hluboké učení se ze své podstaty liší od ostatních algoritmů. Způsob, jakým řeší nedostatky tradičních algoritmů, je obsažen v následujících aspektech.

Algoritmický model pro hluboké učení má mnohem hlubší strukturu než tradič od mělkého k hlubokému - small.jpg ní algoritmy. Někdy může počet vrstev přesáhnout stovku, což mu umožňuje zpracovávat velké množství dat ve složitých klasifikacích. Hluboké učení je velmi podobné procesu lidského učení a probíhá v něm proces abstrakce rysů po vrstvách. Každá vrstva má jinou "váhu" a tato váha odráží to, co bylo zjištěno o "složkách" obrázků. Čím vyšší úroveň vrstvy, tím specifičtější komponenty. Stejně jako v lidském mozku prochází původní signál v hlubokém učení vrstvami zpracování; následně dochází k částečnému porozumění ("povrchnímu") až po celkovou abstrakci ("hlubokou"), kdy můžeme objekt vnímat.

Hluboké učení nevyžaduje manuální zásah, ale spoléhá se na to, že počítač bude extrahovat funkce Od umělých funkcí k funkcím učení - small.jpg sám. Tímto způsobem je schopen extrahovat z cíle co nejvíce vlastností, včetně abstraktních vlastností, které je obtížné nebo nemožné popsat. Čím více prvků je k dispozici, tím přesnější je rozpoznávání a klasifikace. Mezi nejpřímější výhody, které mohou algoritmy hlubokého učení přinést, patří dosažení srovnatelné nebo dokonce lepší přesnosti rozpoznávání vzorů než člověk, silné schopnosti proti rušení a schopnost klasifikovat a rozpoznávat tisíce znaků.

Výzvy stávajících systémů
Konvenční sledovací systémy většinou detekují pohyblivé cíle bez další analýzy. I chytré IP kamery mohou mapovat pouze jednotlivé body tvaru po jednom, což ztěžuje kalibraci některých prvků (např. čela nebo tváře) a snižuje přesnost.

Například pro zabezpečení perimetru mohou být (a jsou) používány jiné technologie, které zajišťují komplexnější zabezpečení. Všechny však mají své nevýhody. Infračervené emisní detektory lze "přeskočit", ale jsou také náchylné k falešným poplachům způsobeným zvířaty. Elektronické ploty mohou představovat bezpečnostní riziko a v určitých oblastech jsou omezeny. Některá z těchto řešení mohou být také nákladná a složitá na instalaci.

Objekty, jako jsou zvířata, listy nebo dokonce světlo, mohou způsobit falešné poplachy, takže schopnost identifikovat přítomnost lidské postavy skutečně zvyšuje přesnost obvodových funkcí VCA. Časté falešné poplachy jsou vždy problémem pro koncové uživatele, kteří musí věnovat čas prověřování každého z nich, což může zpozdit potřebnou reakci a obecně ovlivnit efektivitu.

obrázek filtru falešného poplachu.jpg

Představte si například scénář, kdy je relativně klid - noční lokalitu, kde je málo aut a lidí. I zde může dojít k 50 falešným poplachům za noc. Předpokládejme, že prověření falešného poplachu trvá 2-3 minuty a že jen 3 z 50 poplachů vyžadují větší pozornost - řekněme 15 minut každý. Strážný musí buď zkontrolovat systém a podívat se zpět na výstrahu, nebo musí být někdo vyslán na místo, kde se rozhlédne a zkontroluje, zda někdo skutečně "vstoupil bez povolení". Ve většině organizací by bylo nutné je také nahlásit/zaznamenat, což by zvýšilo celkový čas strávený tímto "falešným poplachem". Těchto 50 falešných poplachů by tedy v takovém případě mohlo stát více než dvě hodiny promarněného času každou noc.

Hluboké učení však přináší velký rozdíl. Díky velkému množství kvalitních dat z kamer a dalších zdrojů, jako je Hikvision Research Institute, a více než stovce členů týmu pro čištění dat, kteří označují video snímky, byla nashromážděna vzorová data s miliony kategorií v rámci odvětví. Díky tomuto velkému množství kvalitních tréninkových dat jsou modely rozpoznávání vzorů lidí, vozidel a objektů stále přesnější pro použití v oblasti video dohledu.

Na základě řady experimentů se přesnost rozpoznávání řešení pomocí algoritmu hlubokého učení zvýšila o 38 % - to znamená, že na předchozím příkladu ušetříte každou noc téměř jednu hodinu. Díky tomu je technologie hlubokého učení velkou výhodou v řešení zabezpečení perimetru, protože umožňuje mnohem přesnější detekci překročení linie, narušení, vstupu a výstupu.

Další použití
Hodnota technologie hlubokého učení sahá dále než k tradičnímu zabezpečení. Například sledováním pohybových vzorců osob lze zjistit, zda se tyto osoby "potulují" a zda mohou v budoucnu představovat potenciální hrozbu. Prahová hodnota může být nastavena na poloměr pohybu pět metrů nebo deset sekund setrvání na stejném místě. Pokud osoba překročí některou z těchto hranic, může se spustit alarm. Řešení sleduje chování jednotlivce a porovnává je s databází, aby zjistilo, zda rozpozná nějaký vzorec.

Další využití by bylo ve scénáři, kdy by mohl hrozit "pád", například v domově pro seniory. Pokud by byl například nastaven práh výšky 0,5 m a doba trvání 10 sekund, řešení by bylo schopno rozpoznat, že osoba padá dolů (když klesne pod 0,5 m) a může mít potíže (pokud "zůstane dole" déle než 10 sekund). Řešení použije nastavené parametry k porovnání se svou databází a vyvolá poplach.

Díky těmto funkcím a výhodám je snadné pochopit, kolik chytrých aplikací by mohla technologie hlubokého učení obsloužit.

Stručně řečeno, 10,000 zaměstnanců výzkumného a vývojového centra posouvá hranice dohledových řešení a přináší jim ještě více výhod. Umělá inteligence má obrovský potenciál a společnost Hikvision neustále hledá nové způsoby, jak tuto zajímavou technologii uplatnit v bezpečnostním průmyslu i mimo něj.

Informace o boxu

Hlubší inteligence Hlubší dohled.
Řešení Hikvision na bázi hlubokého učení jsou k dispozici ve třech úrovních:
-   Kamera DeepinView dokáže sledovat cíl, třídit ho a zachytit, když je spuštěn alarm.
-   "tradiční" IP kamera pomocí DeepinMind NVR přidá funkci inteligentního vyhledávání podle obrazu, čímž ušetří čas při vyhledávání cílů ve srovnání s běžným NVR.
-   Kamera DeepinView a NVR DeepinMind poskytují řešení s plným výkonem, kdy kamera odesílá informace do NVR, který je pak může analyzovat. To urychluje nahrávání a filtrování falešných poplachů.