Многие специалисты по видеонаблюдению сталкивались с такими понятиями, как искусственный интеллект (AI), машинное обучение (ML) и глубокое обучение (DL). Но что означают эти термины и как они влияют на камеры видеонаблюдения?
ИИ — это термин, который в весомой степени относится к применению человеческого интеллекта к компьютерным программам или позволяет программам учиться с течением времени, с целью получения впечатляющих результатов в процессе обучения. Машинное обучение — это техника, что используется для достижения уровня искусственного интеллекта. Глубокое обучение — это эволюция машинного обучения. Проще говоря, Deep Learning — это продвинутая, сложная техника машинного обучения, и обе являются методами достижения уровня искусственного интеллекта.
В сегменте видеонаблюдения и программного обеспечения с видеоаналитикой используются методы машинного и глубокого обучения для идентификации объектов, классификации и определения их свойств. Всякий раз, когда люди получают новую информацию, наш мозг пытается сравнить данные с аналогичными элементами, чтобы понять их. Этот сравнительный подход считается той же концепцией, которую используют алгоритмы машинного и глубокого обучения.
Алгоритмы машинного и глубокого обучения различаются по тому, как они запрограммированы для определения того, что составляет нужный объект. Машинное обучение требует большего вмешательства со стороны программиста, чтобы установить желаемые параметры для достижения желаемого результата. Deep Learning определяет атрибуты объекта независимо и может учитывать характеристики, которые не будут учитывать программисты.
Что же машинное обучение и Deep Learning означают для видеоаналитики? Оба подхода описывают методы программирования, в которых устройство обучается на основе набора данных. При машинном обучении атрибуты данных, которые ищет система, устанавливаются или исправляются программистами-людьми. Например, технология может быть запрограммирована на то, чтобы разграничить конкретный объект и пометить его как «человека». Deep Learning считается превосходящим машинное обучение, отчасти потому, что программисты могут не распознавать подходящие критерии: используя предыдущий алгоритм для идентификации, сидящий и неподвижный человек может не инициировать точное обнаружение.
С помощью технологии Deep Learning алгоритмы ПО для видеонаблюдения с видеоаналитикой получают обширный набор данных, представляющих объект. Этот шаг называется обучением, когда алгоритм обучается распознавать тип объекта. Например, камеры видеонаблюдения подают тысячи изображений людей разного пола, этнического происхождения, а также изображений, снятых под всевозможными углами и прочего.
Алгоритм вычисляет атрибуты, которые похожи и различаются, а также определяет, как взвешивать релевантность этих характеристик. После анализа тысяч изображений алгоритм способен рассчитать, что большинство изображений включают объект треугольной формы вблизи верхней части изображения с двумя затемненными овальными пятнами возле его дна, которые мы могли бы рассматривать как нос на чьем-то лице. Так, алгоритм возможно идентифицировал массу других таких характеристик, о которых люди не задумались бы.
Обучение системы проводится разработчиками программного обеспечения до того, как оно будет использовано потребителем. Процесс занимает весомое количество вычислительной мощности; гораздо больше, чем требуется для обнаружения и классификации объектов при использовании в полевых условиях. Результатом считается файл, на который ссылается устройство, чтобы определить, соответствует ли обнаруженный объект классификации.
Поскольку процесс глубокого обучения использует машину для определения характеристик объекта, он привел к аналитике, которая способна обеспечить детальную классификацию. Например, старые подходы могут быть в состоянии обнаружить человека, но видеоаналитика с Deep Learning способна определить, является ли человек мужчиной, женщиной или ребенком. Технология также может быть в состоянии выявить связанные характеристики человека, а также тип транспортного средства или марку.
Умные технологии — впечатляющие результаты
Как правило, искусственный интеллект в сегменте видеонаблюдения обучается во время разработки и, в отдельных случаях, не становится постепенно «умнее» при использовании в полевых условиях. Однако, у Deep Learning и машинного обучения предусмотрена такая опция, если используется видеоаналитика, которая может обучаться с течением времени.
IP камеры видеонаблюдения выдают весомые объемы данных. Мониторинг и фильтрация такого впечатляющего количества информации делает задачу ускоренной идентификации инцидентов безопасности и поиска доказательств сложнее, чем прежде. Интеллектуальные системы безопасности, что используют Deep Learning, могут помочь людям быстрее выявлять доказательства и анализировать видео в режиме текущего времени, чтобы предупредить о подозрительных событиях, обеспечивая впечатляющие результаты.