UTICAJ DUBOKOG UČENJA NA INDUSTRIJU BEZBEDNOSTI

Široko rasprostranjen monitoring visoke definicije je u kratkom vremenskom periodu uticao na mnogo bolje korišćenje podataka dobijenih video-nadzorom. Efikasno sakupljanje, analiza i inteligentna primena podataka je sve kritičnija u bezbednosnoj industriji
Zbog ovakvog trenda, neizbežno je što pre unaprediti video‑inteligenciju. Korisnici uređaja u bezbednosnoj industriji očekuju da investiranjem u nove proizvode imaju više koristi od pukog sakupljanja podataka nakon nekog bezbednosnog događaja. Umesto toga, oni očekuju da se događaji prate efikasnije nego do sada, odnosno da se alarm pokrene u toku praćenja samog događaja, a ne da se analizira nakon što se dogodio. Da bi se zadovoljili ovi zahtevi potrebne su nove tehnologije. Inteligentni video-nadzor je bio gotovo svima dostupan tokom proteklih godina. Pošto njegova primena nije davala neke značajne rezultate, trebalo je omogućiti korisnicima da zahtevi postanu realni, pa je aktivirano „dublje učenje“.

NEDOSTATAK KLASIČNIH INTELIGENTNIH ALGORITAMA

Klasičan inteligentni video-nadzor ima izuzetno striktne zahteve koji se odnose na pozadinu scene. Preciznost inteligentnog prepoznavanja i analiza u sličnim scenarijima uglavnom je nekonzistentna. U stvari, klasični inteligentni algoritam je dizajniran tako da je uvek subjektivan. Apstraktnije karakteristike – one koji ljudi teže razumeju i opisuju, uglavnom nisu uključene u te analize. U procesu učenja klasifikacija, vremenom se povećava broj dostupnih kategorija, kao i kompleksnost celog tog zadatka. Tradicionalni inteligentni algoritmi generalno koriste plitke modele učenja kako bi obradili događaje sa velikom količinom podataka kod složenih klasifikacija. Zato je analiza rezultata daleko od idealne. Štaviše, ovo rezultira tako što direktno ograničava širinu i dubinu inteligentne aplikacije i daljeg razvoja. U skladu sa potrebom za povećanjem „dubine“, produbljuj se i analiza u bezbednosnoj industriji.

PREDNOSTI ALGORITAMA KOD DUBOKOG UČENJA

Klasične inteligentne algoritme su dizajnirali ljudi. Proces dizajniranja zahteva puno vremena, a kvalitet rešenja zavisi od iskustva onoga ko kreira algoritme. Da li je uopšte moguće da mašine automatski uče neke karakteristike? Da! Ovo i jeste cilj veštačke inteligencije. Način funkcionisanja neuronskih veza u mozgu čoveka služi kao primer za veštačku inteligenciju. Naš mozak može da se vidi kao veoma kompleksni model dubokog učenja. Moždane neuronske veze čine milijarde povezanih neurona, a duboko učenje stimuliše ovu strukturu. Ove višeslojne mreže mogu da sakupe informacije i izvedu radnje u skladu sa tim.

One takođe imaju sposobnost da reaguju na apstraktne pojave. Duboko učenje je potpuno različito od svih ostalih algoritama. Nedostaci tradicionalnih algoritama se rešavaju na nakoliko načina i obuhvataju nekoliko aspekata.

PRVI ASPEKT: OD „PLITKOG“ ka „DUBOKOM“

Algoritamski model za duboko učenje ima mnogo dublju strukturu nego što je troslojna struktura tradicionalnih algoritama. Ponekad, broj slojeva može da dostigne preko stotinu, omogućavajući da se procesuira velika količina podataka u kompleksnim situacijama. Duboko učenje je veoma slično ljudskom procesu učenja koje karakteriše proces apstrahovanja, za šta je potrebno delimično razumevanje (plitko), koje ide ka kompletnom dubljem apstahovanju prilikom uočavanja nekog predmeta.

DRUGI ASPEKT: OD ARTIFICIJELNIH KARAKTERISTIKA DO UČENJA POJAVA

Duboko učenje ne zahteva ručno intervenisanje, već se kompjuterski obrađuju karakteristike. Na ovaj način se dobija veliki broj karakteristika ciljanog objekta, uključujući i one apstraktne, koje je teško ili nemoguće opisati. Što više karakteristika, preciznije je prepoznavanje i klasifikacija.

KLJUČNI FAKTORI ZA DUBOKO UČENJE

Postoji mnogo razloga zašto je duboko učenje postalo popularno tek pre neku godinu, a ne ranije: veliki broj podataka, snažniji kompjuter i bolja mrežna arhitektura. Unapređeni algoritami i performanse su ubrzale duboko učenje u kratkom vremenskom periodu. Zbog većeg obima podataka unapređene su algoritamske performanse, kao i korisničko iskustvo. Takođe, uključeno je sve više korisnika, pa se obrađuje velika količine podataka.

Hikvision dugo postoji u bezbednosnoj industriji, sprovodi istraživanja i ulaže u razvoj koristeći pri tom veliki broj realnog videa i slika za trening zaposlenih. Uz veliku količinu podataka dobrog kvaliteta i preko sto članova tima koji su imenovali video-snimke, prikupljen je veliki broj kategorija snimaka. Hardverske platforme velikih performansi omogućavaju veliku kompjutersku snagu.

Za duboko učenje potreban je veliki broj semplova koji prave određene neizbežne kalkulacije. Brzi razvoj GPUs, kompjuterskog oblaka i drugih hardverskih platformi visokih performansi omogućio je razvoj dubokog učenja.

Osim toga, visoke performanse hardverskih platformi omogućiće veću računarsku snagu. Model „dubokog učenja“ zahteva veliku količinu uzoraka, za šta je potreban i veliki broj proračuna. Nekad hardverski uređaji nisu mogli da obrade složene modele „dubokog učenja“ sa preko stotinu slojeva. Google Deep Mind je koristio 1.000 uređaja sa 16.000 procesora za simulaciju neuronske mreže sa oko milijardu neurona. Danas je potrebno samo nakoliko GPUs da se postigne ista računarska snaga za još brže ponavljanje. Jednom rečju, nagli razvoj GPUs, klauda i drugih hardverskih platformi visokih performansi, omogućili su pojavu i razvoj „dubokog učenja“.

Mrežna arhitektura igra važnu ulogu u unapređenju učenja. Kroz konstantnu optimizaciju algoritma za duboko učenje postiže se bolje prepoznavanje mete odnosno objekta. Za kompleksnije aplikacije kao što je prepoznavanje lica ili scenariji sa različitim svetlom, uglovima, pozama, ekspresijama i sl. mrežna arhitektrura će uticati na preciznost prepoznavanja.

Hikvision je 2016. dostigao vodeću poziciju u kategoriji klasifikacije scene na takmičenju (Image net Large Scale Visual Recognition Challange 2016). Tim iz Hikvision instituta za istraživanje je koristio inception-style mreže i ne tako duboke mreže koje imaju bolje performanse u kraćem vremenskom periodu.

Preciznija detekcija sa DeepinView kamerama

Ove godine Hikvision će unaprediti seriju proizvoda sa tehnologijom dubokog učenja. Reč je o DeepinView seriji inteligentnih kamera za preciznu detekciju, prepoznavanje i analizu ponašanja ljudi i kretanja vozila, kao i njihovih karakteristika. Treba spomenuti još neke proizvode kompanije Hikvision, kao što je nova linija Deep Mind serija NVR sa unapređenim algoritmima za duboko učenja, koji oponašaju ljudske misli i memoriju. Duboko učenje je sledeći nivo razvoja, koji predstavlja viši nivo mašine za učenje, u čiji algoritam se postavljaju klasifikovane karakteristike i šeme. Hikvision je razvio ovaj koncept sa mnogo preciznijim algoritmom, što je rezultat višeslojnog učenja i produženog sakupljanja podataka. Primenom ovog algoritma za prepoznavanje lica, vozila i drugih platformi značajno će se unaprediti ukupne performanse analitike.

Za više informacija posetite sajt: www.hikvision.com

 

PRIMENA PROIZVODA ZA DUBOKO UČENJE

U protekle dve godine tehnologija dubokog učenja je napredovala u prepoznavanju govora, kompjuterskoj viziji, prenosu glasa i mnogo toga drugog. Prevaziđene su čak i ljudske sposobnosti u oblastima prepoznavanja lica i klasifikacije slika. Dakle puno toga postignuto je na polju video-bezbednosti, posebno u detekciji i prepoznavanju lica, detekciji vozila, prepoznavanju karakteristika ljudskog tela višestrukog praćenja meta itd.

Ovi oblici inteligentnih funkcija zahtevaju seriju prednjih bezbednosnih kamera, servera i drugih proizvoda koji podržavaju duboko učenje algoritama. U aplikacijama manjeg obima, kamere mogu da obrađuju i do hiljade slika ljudskih lica preko uređaja da bi se primenilo direktno poređenje crta lica, čime se smanjuju troškovi komunikacije sa serverom. U aplikacijama velike razmere zadnje (front-end) kamere rade sa zadnjim serverima. Strukturirani video‑zadatak obrađuju prednji uređaji smanjujući opterećenje zadnjih uređaja. Tako se povećava efikasnost uparivanja i pretrage zadnjih servera. 

Dodajte novi komentar