Пристрої зберігання даних в галузі безпеки регулярно потрібні для обробки величезної кількості та багатьох рівнів необроблених даних. 

В міру того, як проекти "Безпечне місто" різного розміру стають більш поширеними, кількість вузлів відеоспостереження досягла сотень тисяч. І через широке використання моніторингу високої роздільної здатності, кількість даних, що бере участь у відеоспостереженні безпеки, суттєво зросла за короткий час. Ефективне накопичення, аналіз та застосування даних та їх інтелектуальне використання стають дедалі важливішими у цій галузі. Таким чином, розвиток систем відеоспостереження є пріоритетним завданням у галузі безпеки.

Користувачі безпеки сподіваються, що їх вкладення в нові продукти дадуть ще більше переваг, крім простого стеження та стеження за особами, що представляють інтерес, та збирання доказів після заходу безпеки. Деякі приклади додаткових переваг включають використання новітніх технологій для заміни великої кількості енергоспоживання, раніше необхідних для пошуку відеозаписів, виявлення аномальних даних та пошуку все більш ефективних способів переходу спостереження від відстеження подій до інцидентів під час інцидентів - або навіть попередні сповіщення. Для виконання цих вимог необхідні нові технології. Інтелектуальне відеоспостереження існує вже багато років, проте результати його застосування не були ідеальними. Поява глибокого навчання дозволило цим вимогам стати реальністю.

Недостатність традиційних інтелектуальних алгоритмів

Традиційне інтелектуальне відеоспостереження має особливо суворі вимоги до фону сцени. Точність інтелектуального визначення та аналізу в порівнянних сценаріях залишається суперечливою. Це, в першу чергу, пов'язано з тим, що традиційні інтелектуальні алгоритми аналізу відеозаписів все ще мають багато недоліків. У процесі інтелектуального розпізнавання та аналізу, як-от  розпізнавання людських обличчь, потрібні два основних кроки: по-перше, функції дістаються, а по-друге, виконується "класифікація навчання".

Ступінь точності на цьому першому кроці безпосередньо визначає точність алгоритму. Фактично, більша частина обчислення системи та тестування навантаження відбувається в цій частині. Особливості традиційних інтелектуальних алгоритмів розроблені людьми і завжди були дуже суб'єктивними. Більш абстрактні риси - те, що люди усвідомлюють або описують, труднощі - обов'язково пропускають. Зі змінними кутами та освітленням, і особливо коли розмір вибраної області величезний, багато функцій можуть бути занадто складними для виконання. Тому, хоча традиційні інтелектуальні алгоритми добре працюють у дуже специфічних середовищах, тонкі зміни (якість зображення, середовище тощо) створюють значні труднощі до точності результатів.

Визначення цілей та розпізнавання деталей

Другий етап - класифікація навчання в основному, включає виявлення цілей та розпізнавання деталей. Оскільки кількість доступних категорій для класифікації зростає, то і рівень складності відповідно теж зростає. Отже, традиційні технології інтелектуального аналізу дуже точні в аналізі транспортних засобів, але не в аналізі людей та об'єктів. Наприклад, при виявленні автомобіля проводиться розмежування між автомобілем та об'єктом, що не є транспортним засобом, тому класифікація проста і рівень складності є низьким. Щоб визначити деталі транспортного засобу, потрібно визнати різні конструкції автомобілів, логотипи тощо. Проте, їх порівняно мало, що робить результати класифікації загалом точними. З іншого боку, якщо відбувається розпізнавання людських обличчь, кожна людина має власну класифікацію, а відповідні категорії будуть надзвичайно численні - логічно що, це веде до дуже високого рівня складності.

Традиційні інтелектуальні алгоритми, як правило, використовують моделі неглибокого навчання для обробки ситуацій із великою кількістю даних у складних класифікаціях. Результати аналізу далекі від ідеалу. Крім того, ці результати безпосередньо обмежують широту та глибину інтелектуальних застосувань та подальшого розвитку. Звідси виникає потреба у збільшенні "глибини" інтелекту за великими даними для індустрії безпеки.

Переваги глибокого машинного навчання та його алгоритми

Традиційні інтелектуальні алгоритми розроблені людьми. Незалежно від того, розроблені вони чи ні, вони сильно залежать від досвіду і навіть успіху, і цей процес вимагає багато часу. Отже, чи можна отримати машини для автоматичного вивчення деяких функцій? Так! Насправді це є метою штучного інтелекту (AI).

Натхнення для глибокого навчання починається з нейронних мереж людського мозку. Наш мозок можна розглядати як дуже складну глибоку модель навчання. Нейронні мережі мозку складаються з мільярдів взаємозв'язаних нейронів; глибоке навчання імітує цю структуру. Ці багаторівневі мережі можуть збирати інформацію та виконувати відповідні дії. Вони також мають здатність до абстракції та відновлення об'єктів. Глибоке навчання принципово відрізняється від інших алгоритмів. Спосіб вирішення недоліків традиційних алгоритмів охоплює наступні аспекти.

Алгоритм глибокого навчання.

Алгоритм для глибокого навчання має набагато глибшу структуру, ніж двох трьох рівневі структури традиційних алгоритмів. Іноді кількість шарів може досягати більше сотні, що дозволяє обробляти великі обсяги даних у складних класифікаціях. Глибоке навчання дуже схоже на процес навчання людини і має шаблон-функцію абстракції. Кожен шар має різний "ваговий коефіцієнт", і цей ваговий коефіцієнт показує те, що дізнався про "компоненти" зображень. "Чим вище рівень шару, тим більш точніші компоненти. Симулюючи людський мозок, оригінальний сигнал при глибокому вивченні проходить через шари обробки. Далі, це вимагає часткового розуміння (мілкого) до загальної абстракції (глибини), де ми можемо сприймати об'єкт. Глибоке навчання не вимагає ручного втручання, але покладається на комп'ютер, щоб самостійно використовувати функції. Таким чином, він може використовувати якомога більше функцій із цілі, включаючи абстрактні функції, які важко або неможливо описати. Чим більше функцій існує, тим точніше буде визнання та класифікація. Деякі з найбільш прямих переваг, які можуть принести глибокі алгоритми навчання, включають досягнення порівняльної або навіть кращої точності розпізнавання образів, потужних антиінференційних можливостей та можливості класифікувати та розпізнавати тисячі функцій.

Автор: Олександр Сацик

Провідний спеціалість в галузі відеонагляду