UTICAJ ALGORITAMA DUBOKOG UČENJA NA VIDEO-ANALITIKU

Tvorci video-analitike su hrabro ušetali u bezbednosnu arenu. Godinama unazad previše su obećavali. To se naročito manifestovalo u praksi, pa je video-analitika možda pre vremena stekla lošu reputaciju zbog premalo ispunjenih očekivanja. Da li su se stvari tokom vremena promenile i šta danas nude tržištu?

Jedna od najvećih pritužbi avangardnijih korisnika odnosila se na „nesposobnost“ video‑analitike da ispravno identifikuje objekte u situacijama koje ljudskom posmatraču izgledaju trivijalno, što je inače njena svrha. U mnogim slučajevima, zavladala je tendencija generisanja ozbiljnog broja lažnih uzbuna, jer analitika nije uspevala da ispravno detektuje stvarne događaje. Sve navedeno, uz složene postupke prilikom konfigurisanja i velike potrebe za manuelnim finim podešavanjima, uticalo je da video‑analitika ne bude opšteprihvaćena aplikacija koja se ugrađuje u veliki broj kam

MAŠINSKO UČENJE I VIDEO-ANALITIKA

Mašinsko učenje je afirmisano polje istraživanja koje postoji decenijama unazad, i već je prisutno u mnogim proizvodima i aplikacijama. Mašinsko učenje zasniva se na sakupljanju velikih količina podataka specifičnih za određeni problem, treningu modela uz pomoć ovih podataka, a zatim primene ovog modela za obradu novih podataka. Što se tiče video-analitike, jedan od najkritičnijih problema koji utiču na preciznost jeste klasifikacija objekata. Osnovna stvar za poboljšanje učinka u ovom pogledu je mogućnost da algoritam „nauči“da razlikuje ljude, životinje, vrste vozila i izvore buke sa izuzetno visokim nivoom preciznosti.

ALGORITMI DUBOKOG UČENJA

Sve do nedavno primena mašinskog učenja u video-analitičkim proizvodima bila je minimalna, uglavnom usled visoke složenosti i velikog korišćenja resursa, što je ovakve proizvode činilo suviše skupim za opštu primenu. Međutim, poslednjih nekoliko godina svedoci smo mnogobrojnih istraživanja i usavršavanja u oblasti mašinskog učenja pod nazivom „duboko učenje“. Duboko učenje je ime koje se koristi za opis porodice algoritama zasnovanih na konceptu neuronskih mreža. Uopšteno govoreći, ovi algoritmi pokušavaju da imitiraju funkcionalnost neurona mozga, što im omogućava da efikasno uče iz primera, i potom naučeno primjenjuju na nove podatke.

Skorašnje povećanje interesovanja za duboko učenje je u velikoj meri rezultat dostupnosti snažnih grafičkih procesora (GPU) koji mogu efikasno da treniraju i izvršavaju algoritme dubokog učenja. To je naučnoj zajednici omogućilo da ubrza istraživanja i primenu u ovoj oblasti i odvelo algoritme do tačke u kojoj po performansama prevazilaze većinu tradicionalnih algoritama mašinskog učenja u nekoliko kategorija.

 

ELIMINIŠITE LAŽNE ALARME

Ukoliko se algoritam dubokog učenja trenira na slikama prikupljenim sa YouTube-a, Google pretrage i drugih lokacija na internetu, može se desiti da potpuno podbaci ako pokuša da analizira slike sa kamera za nadzor, zbog razlike u uglovima gledanja, rezolucije i kvaliteta slike. Nakon što se prikupi dovoljno slika, algoritam dubokog učenja za klasifikaciju može se trenirati i primeniti u sklopu rešenja za video- analitiku, što omogućava da se praktično eliminiše većina postojećih uzroka lažnih alarma.

KLASIFIKOVANJE PREDMETE POMOĆU DUBOKOG UČENJA

Ovaj naslov ukazuje na to da duboko učenje sada može da se koristi za rešavanje centralnog problema sa kojim se suočava video-analitika – klasifikacijom predmeta – prikupljanjem više hiljada slika sa stotina kamera za nadzor, koje najpre čovek mora ručno da označi i klasifikuje, u niz kategorija među kojima su: ljudi, automobili, autobusi, kamioni, ptice, vegetacija, životinje i još mnogo toga. Da bi se postigao potreban stepen tačnosti, materijal za jednu tako ogromnu bazu podataka mora se sakupljati i identifikovati iz konkretnih snimaka kamera za nadzor.

Ukoliko se algoritam dubokog učenja trenira na slikama prikupljenim sa YouTube-a, Google pretrage i drugih lokacija na internetu, može se desiti da potpuno podbaci ako pokuša da analizira slike sa kamera za nadzor, zbog razlike u uglovima gledanja, rezolucije i kvaliteta slike. Nakon što se prikupi dovoljno slika, algoritam dubokog učenja za klasifikaciju može se trenirati i primeniti u sklopu rešenja za video-analitiku, što omogućava da se praktično eliminiše većina postojećih uzroka lažnih alarma.

Usled zahteva koji se postavljaju pred GPU jedinice za efikasno izvršavanje ovih algoritama, rešenja video‑analitike koja koriste duboko učenje u početku moraju da se izvršavaju na serveru. Nekoliko rešenja ovog tipa već se mogu nabaviti i predstavljaju dramatičan skok u performansama u poređenju sa tradicionalnom video‑analitikom, uz drastično smanjenje stope lažnih alarma i značajno povećanje preciznosti detekcije. Istovremeno, ova nova rešenja ne zahtevaju od korisnika manuelno podešavanje i praktično su „uključi i koristi“, zbog čega je realno očekivati da će doživeti masovnu primenu.

PRIMENA DUBOKOG UČENJE U NADZORU

Osnovna klasifikacija i smanjenje lažnih alarma su prve primene dubokog učenja u video-analitici, ali one nipošto nisu jedine. U bliskoj budućnosti, duboko učenje će nam omogućiti danas još uvek neizvodljive primene video-analitike, kao što su identifikovanje predmeta koje neka osoba nosi, kao što su pištolj, torbica ili nož, ili brzo pronalaženje ljudi i vozila slične spoljašnjosti na većem broju kamera, i još mnogo toga.

Tokom narednih nekoliko godina, bićemo svedoci tranzicije video‑analitike koja se oslanja na duboko učenje i koja se izvršava na serverima, zahvaljujući tome što će biti dostupan snažan, jeftin hardver na kome se mogu izvršavati aplikacije dubokog učenja. To će dodatno doprineti prihvatanju video‑analitike, usled čega će ona na kraju postati osnovni element svake kamere za nadzor.

NOVIJE VERZIJE , BOLJA PRECIZNOST

Središnja komponenta u postizanju i održavanju visokih performansi aplikacija zasnovanih na dubokom učenju je mogućnost kontinuiranog ažuriranja modela uporedo sa prikupljanjem veće količine podataka, što će omogućiti povećanje preciznosti modela. Time će usluge video-analitike bazirane na oblaku steći određenu prednost, budući da one mogu da sakupljaju ogromne količine podataka sa kamera povezanih sa ovim servisom, treniraju nove modele u oblaku pomoću ovih podataka, a zatim otpremati ove nove modele do kamera na obodu mreže. Ovaj kontinuirani ciklus poboljšanja omogućiće da video-analitika unapredi bezbednost i sigurnost ljudi, tako što će kamere za nadzor biti precizne kao i čovek. 

Dodajte novi komentar