Через широке використання систем відеоспостереження високої чіткості, за короткий час обсяг одержуваних з їх допомогою даних різко зріс. Отримання, аналіз і застосування даних стають все більш важливі для фахівців безпеки. Користувачі систем безпеки сподіваються, що їх інвестиції в нові продукти принесуть ще більше переваг, крім простого відстеження та ідентифікації осіб, а також збору доказів після злочинів що вже сталися. Замість цього вони шукають більш ефективні способи, за допомогою яких відеоспостереження може перейти до запобіжних дій. Щоб задовольнити ці вимоги, необхідні нові технології. Інтелектуальне відеоспостереження існує вже багато років, проте результати його застосування були ідеальними. Поява поняття "глибоке навчання" дозволило цим вимогам стати реальністю.
Традиційно інтелектуальні алгоритми розроблялися людьми і, в результаті, завжди були дуже суб'єктивними. Результати аналізу далеко не ідеальні. Крім того, ці результати безпосередньо обмежують масштаби інтелектуальних додатків і їх подальший розвиток. Звідси виникає потреба в збільшенні «глибини» інтелекту в аналізі великих даних галузі безпеки.
Переваги технології глибокого навчання і її алгоритмів
Чи можна змусити машини автоматично вивчати певні функції? Так! Насправді це і є метою штучного інтелекту. Натхнення для глибокого навчання розробники черпають з нейронних мереж людського мозку. Наш мозок можна розглядати як дуже складну модель глибокого навчання. Мозкові нейронні мережі складаються з мільярдів взаємопов'язаних нейронів, і глибоке навчання імітує цю структуру. Ці багаторівневі мережі можуть збирати інформацію і виконувати відповідні дії.
Глибоке навчання по суті відрізняється від інших алгоритмів. Алгоритмічна модель глибокого навчання має набагато глибшу структуру, ніж структури традиційних алгоритмів. Іноді кількість шарів може перевищувати сотню, що дозволяє набагато ефективніше обробляти великі обсяги даних. Глибоке навчання не вимагає ручного втручання, так як покладається на самостійне вилучення функцій комп'ютером. Чим більше функцій, тим точніше буде розпізнавання і класифікація.
Основні фактори глибокого навчання
В цілому, є три основні причини за якими глибоке навчання стало популярним саме в останні роки, а не раніше: масштаб даних, обчислювальна потужність і мережева архітектура. Високопродуктивні апаратні платформи забезпечують більш високу обчислювальну потужність. Для моделі глибокого навчання потрібна велика кількість зразків, що робить неминучим великий обсяг розрахунків. Швидкий розвиток графічних процесорів, суперкомп'ютерів, хмарних обчислень та інших високопродуктивних апаратних платформ дозволило добитися гарних результатів застосування глибокого навчання.
Нарешті, свою роль в просуванні глибокого навчання грає мережева архітектура. Завдяки постійній оптимізації алгоритмів глибокого навчання може бути досягнуто краще розпізнавання цільового об'єкта.
Застосування технологій глибокого навчання
За останні два роки технологія глибокого навчання перевершила технологію розпізнавання мови, комп'ютерний зір і багато інших. Вона навіть перевершила людські можливості в області розпізнавання облич і класифікації зображень.
Компанія Hikvision вже багато років працює над власними дослідженнями і розробками в сфері безпеки, використовуючи в якості навчальних зразків велику кількість реальних відео- і графічних даних.
Цього року Hikvision представить системи відеоспостереження з технологіями глибокого навчання, які можуть точно визначати, розпізнавати і аналізувати транспортні засоби, об'єкти і поведінку людей. Ще один із продуктів що заслуговує згадки - це NVR від Hikvision серії DeepReading, в якому використані передові алгоритми глибокого навчання і наслідування людських думок і пам'яті.
Глибоке навчання - це наступний рівень розвитку штучного інтелекту. Він виходить за рамки машинного навчання. Застосування цього алгоритму для розпізнавання облич, розпізнавання автомобілів, розпізнавання людей і в інших платформах значно підвищить ефективність відеоаналітики.
Джерело www.asmag.com. Переклад статті виконала адміністратор сайту Олена Пономаренко
