Олівер Філіпу, старший аналітик дослідницької компанії IHS Markit, розповів про те, що технологія глибинного навчання дозволяє зробити відеоспостереження "розумнішими".
Індустрія відеоаналітики досі оговтується від шкоди репутації, який вона зазнала в результаті занадто великих обіцянок і дуже незначних результатів. Протягом багатьох років надійність відеоаналітики була під сумнівом: виробники намагалися розробити алгоритми, які могли б функціонувати в різних умовах. За останні роки індустрія пройшла довгий шлях і можливості відеоаналітики виросли. Інновації в сфері глибинного навчання допомагають зробити революцію в галузі і прискорити розвиток можливостей відеоаналітики. За останні кілька років спостерігається значне зростання в дослідженнях і розробках нейронних мереж глибинного навчання, яке доводить їх можливості і надає їм доступ до набагато більш широких груп користувачів.
Забезпечення більшої точності і надійності
Існує дві основні області, в яких відеоаналітіка на основі глибинного навчання може запропонувати великі переваги в порівнянні з технологією, яка їй передувала:
1. Точність
Претензії, які довгий час пред'являлися до відеоаналітики, полягали в тому, що її алгоритми не могли забезпечити точну класифікацію об'єктів і предметів. Цей недолік в алгоритмах комп'ютерного зору приводив або до втрачених з поля зору загроз безпеки, або до помилкових тривог. Здатність алгоритмів глибинного навчання сприймати те, що відбувається інтуїтивно, як людина, означає, що точність виявлення значно зростає, а кількість помилкових тривог знижується. Нейронні мережі - важлива для індустрії відеоаналітики розробка. Хоча не всім користувачам потрібно аналітичне рішення, яке завжди точне на 100%, багато випадків використання вимагають того, щоб система безпеки була якомога близькою до такого результату. Деякі користувачі не можуть собі дозволити випустити з уваги загрозу безпеці і їм доводиться витрачати великі суми грошей на розслідування помилкових тривог. Алгоритми глибокого навчання довели, що можуть досягати 99,9-процентної точності там, де звичайні системи чи досягнуть 95 відсотків точності. У багатьох випадках навіть ці кілька відсотків мають вирішальне значення.
2. Надійність
Мало того, що глибинне навчання продемонструвало свою здатність підвищити ефективність комп'ютера в класифікуванні об'єктів і предметів, воно також дозволяє обробляти і аналізувати всі зростаючі обсяги відеоматеріалів за більш короткий час. Такі компанії як Avigilon, Qognify і IronYun, використовуючи глибинне навчання, створюють рішення для маркетингових завдань. За короткий час вони можуть перетворити величезну кількість відеоматеріалів в корисну інформацію. Програмне забезпечення для обробки відео, яке дозволяє користувачам керувати матеріалами своїх систем відеоспостереження з використанням інтерфейсу, подібного Google, значно скорочує час, необхідний для пошуку відповідних відеоматеріалів в архіві, у якому може зберігатись відео тисяч каналів.
Розпізнавання облич - це область, яка багато в чому виграла від використання технологій глибинного навчання. Глибинне навчання не тільки підвищує точність розпізнавання осіб, а й дозволяє виявляти обличчя в місцях великого скупчення людей. З огляду на зростаючу загрозу терактів в людних місцях, ця можливість може радикально змінити весь підхід до забезпечення безпеки, дозволяючи правоохоронним органам відслідковувати підозрюваних з набагато більшою швидкістю і ефективністю.
Джерело www.psimagazine.co.uk. Переклад статті виконала адміністратор сайту Олена Пономаренко.
