Искусственный интеллект на основе глубокого обучения — технология, доступная для всех

Искусственный интеллект на основе глубокого обучения — уже не «зарождающаяся технология» и, следовательно, может применяться не только на объектах с повышенными требованиями к безопасности или в критически важных системах видеонаблюдения. Почему это так, объясняет, Ури Гютерман, глава направления продуктов и маркетинга компании Hanwha Techwin Europe.

Те, кто не связан с проектами по видеонаблюдению, основанными на искусственном интеллекте, могут думать, что эта технология стоит слишком дорого, чтобы применять её где-либо, кроме передовых приложений. Однако с введением нового поколения доступных по цене камер, содержащих искусственный интеллект на основе глубокого обучения, такие опасения более не имеют под собой почвы.

В то же время, сами термины, связанные с этим направлением, — «искусственные нейронные сети», «машинное обучение» и т.д. — звучат чрезвычайно громко. Нередко это создаёт впечатление, что данная технология по своим возможностям сильно превосходит те пределы, которых стараются достичь обычные заказчики систем видеонаблюдения. Однако это не так.

Исключая ложные тревоги

В большинстве случаев камеры с искусственным интеллектом ставятся там, где необходимо решить проблему ложных тревог. А её никак нельзя считать экзотической или неактуальной для рядовых заказчиков — в течение десятилетий эта проблема является одной из важнейших для всей индустрии электронных средств безопасности в целом.

По-простому говоря, видеоаналитика на искусственном интеллекте с глубоким обучением игнорирует видеошумы, движущиеся облака и животных. Всё это является источником ложных тревог в стандартных детекторах движения из-за того, что они не обучены их отсекать.

Этот, более высокий уровень эффективности видеоаналитики, основанной на глубоком обучении, означает, что операторы систем видеонаблюдения и персонал служб безопасности могут фокусироваться на реагировании на реальные инциденты и чрезвычайные ситуации и не тратить время и усилия на ложные тревоги. В дополнение к крайне высокой точности глубокое обучение позволяет операторам искать в видеоматериалах отдельные признаки и атрибуты, например пол и возраст людей, а также наличие у них очков, шляп и портфелей.

Лёгкая настройка и использование

Даже самая современная и предельно насыщенная умными функциями камера с глубоким обучением не сулит никаких сложностей с инсталляцией и настройкой, а также с использованием этих функций. Следовательно, системные интеграторы могут применять такие камеры практически в любых проектах по построению систем видеонаблюдения.

Искусственный интеллект с глубоким обучением вполне может использоваться в коробочном варианте, хотя и с возможностью приспособить его к операционным требованиям конечного пользователя. Поэтому глубоко понимать на техническом уровне, как он работает, от пользователя не требуется. В целом же технология представляет собой нижеследующее.

При машинном обучении искусственный интеллект формируется путём подготовки компьютера к выполнению определённых задач на большом числе примеров. В случае глубокого обучения для этого используется многоуровневая или глубокая искусственная нейронная сеть, математическая модель которой навеяна особенностями мозга человека. Тот факт, что сеть является глубокой, делает её хорошо приспособленной для решения сложных проблем, таких как идентификация и распознавание объектов и событий на исходном видеоизображении, выполняемые с высокой точностью.

Например, для того, чтобы корректно определять автоматически пол человека, эксперты компании Hanwha Techwin разработали сеть глубокого обучения, обучили её и удостоверились в правильности её работы. На стадии обучения сети использовалась база данных из миллионов подходящих для этого лиц людей, для каждого из которых указан его истинный пол. После нескольких дней работы, выполняемой инженерами компании, нейронная сеть была готова к применению. При этом она имеет точность порядка 98%, что примерно равно этому же показателю для человека.

Искусственный интеллект с глубоким обучением демонстрирует намного более высокую эффективность, чем традиционная видеоаналитика. Последняя обычно основана на детектировании движения и, следовательно, недостаточно успешна в обнаружении статичных объектов, например припаркованных автомобилей, или в том, чтобы справиться с видеошумами, такими как отблески света или движущиеся тени.

Эффективность видеоаналитики на основе глубокого обучения является наиболее впечатляющей в случае сцен с быстрым движением или с большим числом объектов. Это улучшает процедуру сбора доказательств и ускоряет расследования. По этим и другим причинам системы глубокого обучения, возможно, постепенно заменят традиционную видеоаналитику в большинстве приложений, особенно в тех, которые больше других страдают от ложных срабатываний детекторов.

Искусственный интеллект на основе глубокого обучения будет особенно полезен в приложениях, которые требуют более высокой степени сложности, чем предлагает традиционная видеоаналитика. Он, например, позволяет ритейлерам получать и анализировать такие данные, как пол и возраст покупателей, чтобы детально анализировать их предпочтения, достигать лучшего понимания их поведения и, в конечном итоге, оптимизировать бизнес.

Следует отметить, что в течение последнего года искусственный интеллект на основе глубокого обучения стал фундаментом для построения систем проверки наличия маски на лице, измерения дистанции между людьми в общественных пространствах и мониторинга заполненности помещений.

Вывод

Искусственный интеллект на основе глубокого обучения не только помогает сделать более эффективными системы безопасности. Имеется бессчётное число способов, которыми он способствует улучшениям в бизнесе и защите людей от инфекции в условиях пандемии. Камеры, снабжённые этой технологией, стали более доступными по цене. В итоге конечные пользователи теперь вправе рассчитывать на быстрый возврат сделанных в эти камеры инвестиций, независимо от того, как именно они их используют.

Компания:  Hanwha Techwin