Zelflerende analyse

Intelligentie die met gebruik groeit

Zelflerende analyse

Intelligentie die met gebruik groeit

Zelfstudie

Wat is Hikvision's zelflerende analysetechnologie?
Er is geen universele oplossing voor videoanalyse in perimeterbeveiliging. Elke implementatieomgeving is uniek en er kunnen objecten zijn die niet in de trainingsmonsters worden behandeld. Hikvision heeft een technologie ontwikkeld waarmee een algoritme kan leren en verbeteren in de daadwerkelijk geïmplementeerde omgeving.

Wat is Hikvision's zelflerende analysetechnologie?

Er is geen universele oplossing voor videoanalyse in perimeterbeveiliging. Elke implementatieomgeving is uniek en er kunnen objecten zijn die niet in de trainingsmonsters worden behandeld. Hikvision heeft een technologie ontwikkeld waarmee een algoritme kan leren en verbeteren in de daadwerkelijk geïmplementeerde omgeving.
There is no one-size-fits-all solution for video analytics in perimeter protection. Every deployment environment is unique, and there may be objects that are not covered in the training samples. Hikvision has developed a technology that enables an algorithm to learn and improve in the actual deployed environment.

De technologie, Self-Learning Analytics, beschikt over het zelfbewaakte leerparadigma (SSL) in machine learning. Het is niet afhankelijk van handmatige etikettering, waardoor apparaten voor videoanalyse zich autonoom aan de dynamiek binnen de scène kunnen aanpassen.

Self-Learning Analytics bevat een inferentie-engine in een NVR om automatisch valse alarmen te identificeren en annoteren die tijdens de eerste analyseronde zijn gegenereerd. Er is periodiek die informatie nodig om een nieuw algoritme in de NVR op te leiden en te implementeren.

Na verloop van tijd wordt het algoritme beter in het maken van onderscheid tussen mensen, voertuigen en andere objecten, vooral die afzonderlijke objecten in de implementatieomgeving.

De technologie, Self-Learning Analytics, beschikt over het zelfstudieparadigma (SSL) in machine learning. Het is niet afhankelijk van handmatige etikettering, waardoor apparaten voor videoanalyse zich autonoom aan de dynamiek binnen de scène kunnen aanpassen.

Self-Learning Analytics bevat een inferentie-engine in een NVR om automatisch valse alarmen te identificeren en annoteren die tijdens de eerste analyseronde zijn gegenereerd. Er is periodiek die informatie nodig om een nieuw algoritme in de NVR op te leiden en te implementeren.

Na verloop van tijd wordt het algoritme beter in het maken van onderscheid tussen mensen, voertuigen en andere objecten, vooral die afzonderlijke objecten in de implementatieomgeving.

De eerste analyse
(Gelabeld door personen, voertuigen of anderen)
Monsterafname
Detweede analyse
Zelfitering
Zelf annoteren
Zelftraining
Alarmnauwkeurigheid verbeterd
Inferentie proces

Secundaire analyse van alle gerapporteerde beelden
Trainingsproces

Het gebruikt monsters van specifieke scenarioomstandigheden om nieuwe algoritmen te trainen en te implementeren
Inferentie en training werken gelijktijdig in NVR, waarbij algoritmen worden herhaald op basis van scenario's.

De eerste analyse
(Gelabeld door personen, voertuigen of anderen)
Monsterafname
Detweede analyse
Zelfitering
Zelf annoteren
Zelftraining
Alarmnauwkeurigheid verbeterd
Inferentie proces

Secundaire analyse van alle gerapporteerde beelden
Trainingsproces

Het gebruikt monsters van specifieke scenarioomstandigheden om nieuwe algoritmen te trainen en te implementeren
Inferentie en training werken gelijktijdig in NVR, waarbij algoritmen worden herhaald op basis van scenario's.

The power of Self-Learning Analytics

De kracht van zelfstudieanalyse
Implementeren, leren en ontwikkelen
Het algoritme herhaalt automatisch na de implementatie, zonder dat de gebruiker zich hoeft in te spannen.
Van toepassing op alle scenario's
Het algoritme past zich aan de specifieke omstandigheden van een scenario aan met een groeiende detectienauwkeurigheid.
Bruikbaar in alle videokanalen
De functie werkt in de NVR en ondersteunt toepassing op alle aangesloten videokanalen en is compatibel met conventionele niet-AI-camera's.

Implementeren, leren en ontwikkelen
Het algoritme herhaalt automatisch na de implementatie, zonder dat de gebruiker zich hoeft in te spannen.
Van toepassing op alle scenario's
Het algoritme past zich aan de specifieke omstandigheden van een scenario aan met een groeiende detectienauwkeurigheid.
Bruikbaar in alle videokanalen
De functie werkt in de NVR en ondersteunt toepassing op alle aangesloten videokanalen en is compatibel met conventionele niet-AI-camera's.

Waar moet ik Self-Learning Analytics gebruiken?

Woonplaatsen

Magazijnen

Parkeerterreinen

Zakelijke parken

DS-7600NXI-M2(/XP)/VPro

DS-7700NXI-M4(/XP)/VPro

DS-9600NXI-M8(R)/VPro

DS-9600NXI-M16(R)/VPro

Netwerkcamera met AcuSense
NVR's uit de K-VPro-serie
· Kernwaarde

- Zelf-iteratieve algoritmen om de nauwkeurigheid van alarmen te verbeteren

- Verminder handmatige onderhoudskosten om arbeid en moeite te besparen
· Toepassingsscenario's
Woonplaatsen
Magazijnen

Netwerkcamera met AcuSense
NVR's uit de K-VPro-serie
· Kernwaarde

- Zelf-iteratieve algoritmen om de nauwkeurigheid van alarmen te verbeteren

- Verminder handmatige onderhoudskosten om arbeid en moeite te besparen
· Toepassingsscenario's
Woonplaatsen
Magazijnen

Netwerkcamera met AcuSense
NVR's uit de M-VPro-serie
· Kernwaarde

- Zelf-iteratieve algoritmen om de nauwkeurigheid van het alarm te verbeteren

- Verminder de werklast en verhoog de efficiëntie van beveiligingspersoneel
· Toepassingsscenario's
Fabrieken
Industriële parken

Netwerkcamera met AcuSense
NVR's uit de M-VPro-serie
· Kernwaarde

- Zelf-iteratieve algoritmen om de nauwkeurigheid van het alarm te verbeteren

- Verminder de werklast en verhoog de efficiëntie van beveiligingspersoneel
· Toepassingsscenario's
Fabrieken
Industriële parken