Многие специалисты по видеонаблюдению сталкивались с такими терминами, как искусственный интеллект, машинное обучение и глубокое обучение. Но что означают эти термины и как они влияют на видеонаблюдение?

Искусственный интеллект, машинное обучение и глубокое обучение

Искусственный интеллект — это широкий термин, который относится к применению человеческого интеллекта к компьютерным программам или позволяет программам учиться с течением времени с целью достижения лучших результатов в процессе обучения. Машинное обучение — это метод, используемый для достижения уровня искусственного интеллекта, а глубокое обучение — это эволюция машинного обучения. В двух словах, глубокое обучение — это продвинутая и более сложная техника машинного обучения, и оба являются способами достижения уровня искусственного интеллекта.

применение в видеонаблюдении. В видеонаблюдении видеоаналитика использует методы машинного обучения и глубокого обучения для идентификации объектов, их классификации и определения их свойств.

Всякий раз, когда люди получают новую информацию, наш мозг пытается сравнить эти данные с аналогичными элементами, чтобы понять их смысл. Этот метод сравнения — это та же концепция, которая используется в алгоритмах машинного обучения и глубокого обучения.

Алгоритмы машинного обучения и глубокого обучения различаются тем, как они запрограммированы для определения того, что представляет собой известный объект. Машинное обучение требует от программистов большего вмешательства человека, чтобы установить желаемые параметры для достижения желаемых результатов. Глубокое обучение независимо идентифицирует свойства объекта и может учитывать особенности, которые программисты не рассматривали бы.

Что машинное обучение и глубокое обучение означают для видеоаналитики?

Оба этих подхода описывают методы программирования для обучения системы на основе наборов данных. В машинном обучении атрибуты данных, которые ищет система, часто предварительно устанавливаются или корректируются программистами-людьми. Например, систему можно запрограммировать так, чтобы она отображала объект, который шире и выше, чем он есть на самом деле, перемещала конечность определенным образом и т. д. и обозначала объект как «человек».

Глубокое обучение считается лучшим, чем машинное обучение, отчасти потому, что программисты могут быть не в состоянии определить наиболее важные критерии. Используя предыдущий алгоритм для идентификации человека, человек, который сидит неподвижно, может не вызвать точного обнаружения.

Благодаря глубокому обучению алгоритмы видеоаналитики могут получать массивные наборы данных, представляющие объекты. Этот шаг называется обучением, и алгоритм обучается распознавать один тип объекта. Например, в системе есть тысячи фотографий людей разного пола, стиля одежды, национальности, фото, сделанные с разных ракурсов и так далее.

Алгоритм вычисляет сходные и непохожие свойства и определяет, как взвесить корреляцию этих признаков. Проанализировав тысячи изображений, алгоритм может подсчитать, что большинство изображений включают треугольный объект в верхней части изображения с двумя темными овальными пятнами в нижней части, которые мы можем представить как нос на чьем-то лице. На самом деле, алгоритм мог определить множество других таких особенностей, о которых мы и не подумали.

Прежде чем пользователи смогут использовать интеллектуальное программное обеспечение ИИ, разработчики обучат систему. Этот процесс требует большой вычислительной мощности, гораздо большей, чем требуется для обнаружения и классификации объектов при использовании в полевых условиях. В результате система обращается к файлу, чтобы определить, соответствуют ли обнаруженные объекты классификации.

Поскольку процесс глубокого обучения использует машины для определения характеристик объекта, он приводит к аналитике, которая может обеспечить более точную классификацию. Например, старые методы могут обнаружить человека, но анализ, основанный на глубоком обучении, может определить, является ли человек мужчиной, женщиной или ребенком. Он также может определять соответствующие характеристики людей, а также тип или марку транспортного средства.

ИИ требует кумулятивного обучения

Искусственный интеллект в видеонаблюдении обучается на этапе проектирования и в некоторых случаях не становится постепенно «умнее» при использовании в полевых условиях. Глубокое обучение и машинное обучение имеют эту возможность, и видеоаналитика также может учиться со временем, если используются методы глубокого обучения.

Типичные приложения могут включать определение того, что является нормальным в сцене. Например, во время перемен в школьных коридорах примерно каждые 45 минут наблюдается пик скопления людей. В часы пик толпы людей рассредоточены, а не сосредоточены в каком-либо конкретном месте.

Кроме того, всем непривычно двигаться на очень высоких скоростях. Если система зафиксирует необычное скопление объектов, это может указывать на драку. Если все бегут в одном направлении за пределами обычного перерыва, это может указывать на чрезвычайную ситуацию.

Более умные системы, лучшие результаты анализа

Системы видеонаблюдения генерируют огромные объемы данных.

Мониторинг и фильтрация таких огромных объемов информации делает задачу быстрого выявления инцидентов безопасности и поиска доказательств более сложной, чем когда-либо. Интеллектуальные системы, использующие глубокое обучение, могут более своевременно выявлять доказательства и анализировать видео в режиме реального времени, чтобы предупреждать операторов системы о подозрительных событиях, обеспечивая лучшие результаты для программ безопасности пользователей.

Платформа интеллектуального структурированного анализа видео безопасности TSINGSEE EasyCVR имеет интегрированную технологию глубокого обучения, которая может осуществлять интеллектуальный анализ подключенных изображений видеонаблюдения.

EasyCVR может собирать аудио- и видеоинформацию от разных производителей, разных протоколов, разных моделей камер и устройств-источников видео, а также передавать видеопоток на облачную платформу с помощью унифицированного и стандартного формата видео и протокола передачи, чтобы дополнить легкий вес города. массовые ресурсы видео наблюдения Доступ и распространение, реализация взаимосвязи оборудования и платформ и формирование комплексной платформы, объединяющей восприятие, хранение, знания и использование.

Основываясь на новых технологиях, таких как алгоритмы искусственного интеллекта, глубокое обучение, интеллектуальный анализ больших данных, граничные вычисления и 5G, мы расширим возможности экологических сценариев приложений видео + ИИ и ускорим внедрение видео ИИ в большем количестве отраслей.