Из-за широкого использования систем видеонаблюдения высокой четкости, за короткое время объем получаемых с их помощью данных резко возрос. Получение, анализ и применение данных становятся все более важны для специалистов безопасности. Пользователи систем безопасности надеются, что их инвестиции в новые продукты принесут еще больше преимуществ, помимо простого отслеживания и идентификации лиц, а также сбора доказательств после уже произошедших событий. Вместо этого они ищут более эффективные способы, с помощью которых видеонаблюдение может перейти к предупреждающим действиям. Чтобы удовлетворить эти требования, необходимы новые технологии. Интеллектуальное видеонаблюдение существует уже много лет, однако результаты его применения не были идеальными. Появление понятия “глубокое обучение” позволило этим требованиям стать реальностью.
Традиционно интеллектуальные алгоритмы разрабатывались людьми и, в результате, всегда были очень субъективными. Результаты анализа далеко не идеальны. Кроме того, эти результаты напрямую ограничивают масштабы интеллектуальных приложений и их дальнейшее развитие. Отсюда возникает потребность в увеличении «глубины» интеллекта в анализе больших данных отрасли безопасности.
Преимущества технологии глубокого обучения и ее алгоритмов
Можно ли заставить машины автоматически изучать определенные функции? Да! На самом деле это и есть целью искусственного интеллекта. Вдохновение для глубокого обучения разработчики черпают из нейронных сетей человеческого мозга. Наш мозг можно рассматривать как очень сложную модель глубокого обучения. Мозговые нейронные сети состоят из миллиардов взаимосвязанных нейронов, и глубокое обучение имитирует эту структуру. Эти многоуровневые сети могут собирать информацию и выполнять соответствующие действия.
Глубокое обучение по сути отличается от других алгоритмов. Алгоритмическая модель глубокого обучения имеет гораздо более глубокую структуру, чем структуры традиционных алгоритмов. Иногда количество слоев может превышать сотню, что позволяет гораздо эффективнее обрабатывать большие объемы данных. Глубокое обучение не требует ручного вмешательства, так как полагается на самостоятельное извлечение функций компьютером. Чем больше функций, тем точнее будет распознавание и классификация.
Основные факторы глубокого обучения
В целом, есть три основные причины, по которым глубокое обучение стало популярным именно в последние годы, а не раньше: масштаб данных, вычислительная мощность и сетевая архитектура. Высокопроизводительные аппаратные платформы обеспечивают более высокую вычислительную мощность. Для модели глубокого обучения требуется большое количество образцов, что делает неизбежным большой объем расчетов. Быстрое развитие графических процессоров, суперкомпьютеров, облачных вычислений и других высокопроизводительных аппаратных платформ позволило добиться хороших результатов применения глубокого обучения.
Наконец, свою роль в продвижении глубокого обучения играет сетевая архитектура. Благодаря постоянной оптимизации алгоритмов глубокого обучения может быть достигнуто лучшее распознавание целевого объекта.
Применение технологий глубокого обучения
За последние два года технология глубокого обучения превзошла технологию распознавания речи, компьютерное зрение и многие другие. Она даже превзошла человеческие возможности в области распознавания лиц и классификации изображений.
Компания Hikvision уже много лет работает над собственными исследованиями и разработками в сфере безопасности, используя в качестве учебных образцов большое количество реальных видео- и графических данных.
В этом году Hikvision представит системы видеонаблюдения с технологиями глубокого обучения, которые могут точно определять, распознавать и анализировать транспортные средства, объекты и поведение людей. Еще один из заслуживающих упоминания продукт - это NVR от Hikvision серии DeepReading, в котором использованы передовые алгоритмы глубокого обучения и подражания человеческим мыслям и памяти.
Глубокое обучение - это следующий уровень развития искусственного интеллекта. Он выходит за рамки машинного обучения. Применение этого алгоритма для распознавания лиц, распознавания автомобилей, распознавания людей и в других платформах значительно повысит эффективность видеоаналитики.
Источник www.asmag.com. Перевод статьи выполнила администратор сайта Елена Пономаренко
