Если вы не участвовали в проектах видеонаблюдения, связанных с искусственным интеллектом и технологией Deep learning, у вас может сложиться впечатление, что эта технология слишком дорога в плане развертывания для чего-либо, кроме высокопроизводительных применений. С появлением нового поколения камер видеонаблюдения, оснащенных встроенным ИИ с глубоким обучением, это далеко не так. Однако жаргон, связанный с технологией (такой, как искусственные нейронные сети и машинное обучение), определенно мог создать впечатление, что возможности того, что может предоставить технология, выходят далеко за рамки того, что требуется большинству конечных пользователей для достижения выгоды от видеонаблюдения.

Устранение ложных срабатываний

Это далеко не так, поскольку большинство ситуаций, в которых, вероятно, будут развернуты интеллектуальные IP камеры видеонаблюдения — возникают там, где есть первостепенная потребность в решении вековой проблемы ложных срабатываний сигнализации, которые десятилетиями преследовали отрасль систем безопасности. Проще говоря, видеоаналитика с ИИ игнорирует видеошум, колыхающиеся деревья и животных — все это обычно может быть причиной ложных срабатываний сигнализации, когда стандартная технология обнаружения движения или охранные датчики используются для обнаружения активности.

Более высокий уровень производительности видеоаналитики на основе искусственного интеллекта с Deep learning означает, что операторы диспетчерской и сотрудники службы безопасности могут сосредоточиться на реагировании на настоящие инциденты и чрезвычайные ситуации, а не тратить время и силы на ложные срабатывания сигнализации. Помимо исключительной точности, Deep learning также дает операторам искать конкретные функции и атрибуты, включая возрастную группу и пол человека, а также то, носит ли он очки, шляпу и прочие аксессуары.

Легкая настройка и эксплуатация

На самом деле, со всеми умными элементами, уже встроенными в интеллектуальные видеокамеры, нет ничего сложного в установке, настройке и использовании ИИ с глубоким обучением. Поэтому интеграторы и установщики должны иметь возможность действенно использовать эту технологию в рамках практически любого проекта видеонаблюдения.

Поскольку ИИ готов к работе «из коробки», хотя и с возможностью настроить его в соответствии с эксплуатационными требованиями конечного пользователя, у потребителя нет реальной необходимости разбираться на глубоком техническом уровне в том, как он работает. Однако ниже приводится обзор технологии.

Начнем с глубокого обучения. Это часть машинного обучения и способ достижения искусственного интеллекта путем обучения машины выполнению задач на большом количестве примеров. Для этого в глубоком обучении используются многослойные или глубокие искусственные нейронные сети, которые по сути являются математическими моделями, вдохновленными человеческим мозгом. Тот факт, что они глубокие, делает их очень подходящими для решения сложных задач, таких как идентификация и распознавание объектов и событий в необработанном видео с чрезвычайно высокой точностью.

Например, для того, чтобы правильно определить пол человека, необходимы опытные инженеры для разработки, обучения и проверки сети глубокого обучения, которая на этапе обучения использует базу данных из миллионов подходящим образом выбранных лиц. Каждый из них помечен своим известным истинным полом. После нескольких дней обучения инженеров, нейронная сеть готова к работе и, вероятно, будет иметь точность около 98 процентов, что примерно соответствует способности людей делать то же самое.

Методы глубокого обучения ИИ обеспечивают гораздо более высокую производительность по сравнению с более традиционной видеоаналитикой. Последние обычно основаны на обнаружении движения и поэтому недостаточно сложны, чтобы обнаруживать статические объекты, такие как припаркованные автомобили, или справляться с видеошумом (например, световым загрязнением от фар или движущимися тенями), которые часто становятся причинами ложных срабатываний.

Производительность ПО для видеонаблюдения с видеоаналитикой столь же впечатляющая в быстро меняющихся или очень загруженных средах, что улучшает криминалистический поиск улик и ускоряет расследования. По этим и другим причинам, возможно, неизбежно, что ИИ с глубоким обучением постепенно заменит традиционную видеоаналитику для большинства применений, особенно тех, которые больше всего страдают от ложного обнаружения. Это позволяет, например, розничным торговцам собирать и анализировать бизнес-аналитику, такую как возраст и пол, позволяя им детально анализировать демографические данные клиентов и при этом лучше понимать поведение клиентов и модели покупок.

Следует отметить, что искусственный интеллект с глубоким обучением внес ценный вклад за последний год, поскольку лежал в основе применений для распознавания лиц в медицинских масках, измерения расстояния и мониторинга занятости.