З моменту своєї появи на початку 2000-х років відеоаналітика пройшла різні етапи свого розвитку. Новий етап розвитку відеоаналітики настав з появою можливості впровадження в системи відеоспостереження технологій на основі глибокого навчання.
Перші технології аналізу відеоданих розроблялися як рішення для оповіщення: автоматично ініціюючи заклики до дії, вони повинні були звільнити персонал служби безпеки від необхідності безперервно стежити за моніторами. Однак ці рішення, засновані на комп'ютерному зорі, не змогли повністю замінити людину в процесах забезпечення ефективного спостереження. Крім того, вони часто генерували сигнали помилкової тривоги, а також не могли забезпечити отримання точних результатів в процесі пошуку в відеоматеріалах потрібних кадрів.
У середині 2000-х років індустрія зробила прорив, застосувавши нейронні мережі в створенні систем, які могли б самостійно навчатися. Глибоке навчання - це метод, що дозволяє технологіям постійно вдосконалюватися. Нейронні мережі навчаються виявляти, ідентифікувати і класифікувати дані. Успішне навчання залежить від доступу до великих обсягів інформації, що само по собі є складним завданням. Точність відеоаналітики залежить від обсягу даних, що надаються для навчання систем виконанню поставлених перед ними завдань.
Минуло кілька десятиліть, перш ніж дослідники змогли застосувати нейронні мережі в системах аналізу відеоданих. Основна причина полягала в тому, що до певного часу процесори були занадто повільними, а для нейронної мережі була потрібна велика обчислювальна потужність. У середині 2000-х років, з розвитком хмарних обчислень і появою графічних процесорів з більшою обчислювальною потужністю, використовувати нейронні мережі для аналізу зображень і відео стало набагато простіше.
Крім оповіщення про виникнення певних подій, рішення, засновані на глибокому навчанні, дозволяють виявляти на відео дані, що піддаються кількісному вимірюванню і з яких можна отримати корисну інформацію. Завдяки можливостям глибокого навчання і штучного інтелекту, передова відеоаналітика може знаходити, розпізнавати, класифікувати і індексувати об'єкти. Це забезпечує ефективність пошуку потрібної інформації в матеріалах, які створюють IP-відеокамери спостереження. Оператори систем відеоспостереження тепер можуть переглянути все відео за лічені хвилини і швидко ідентифікувати людей та об'єкти, які їх цікавлять.
Джерело www.briefcam.com. Переклад виконала адміністратор сайту Олена Пономаренко.
