ПН - ПТ
9:00 - 17:00

Уменьшение ложных тревог с помощью глубокого исследования

Техническая статья - Уменьшение ложных тревог с помощью глубокого исследования


Феномен глубокого исследования продолжает волновать мир IT с вычислительной мощностью на том уровне где его можно надлежащим образом использовать в практических приложениях. HikVision находится на первом плане применения технологий в индустрии наблюдения и за ее пределами и уже выпустил свой первый набор продуктов, которые используют силу искусственного интеллекта.

Концепция глубокого исследования направлена на то как работает человеческий мозг. Наши мозги можно рассматривать как модель глубокого обучения. Мозговые нейронные сети состоят из миллиардов взаимосвязанных нейронов - глубокое обучение имитирует эту структуру. Эти многоуровневые сети могут собирать информацию и выполнять соответствующие действия с соответствии с анализом этой информации.

За последние два года технология превзошла в распознавании речи, компьютерном видении, голосовом переводе и многом другом. Это даже превзошло человеческие возможности в области проверки лица и классификации изображения - следовательно, это высоко ценится в области видеонаблюдения и индустрии безопасности.

Эта способность повышает узнаваемость людей, отличая их от животных, например, делая технологию отличным дополнением, к арсеналу безопасности. Это особенно актуально в мире, где ложные тревоги составляют 94%-99% всех аварийных сигналов, согласно статистическим данным полиции и пожарной службы. 


Как работают глубокие исследования?

Глубокое обучение по сути отличается от других алгоритмов. Способ устранение недостатков традиционных алгоритмов охватывает следующие аспекты.


Модель алгоритма глубокого изучения имеет более глубокую структуру чем традиционный алгоритм. Иногда количество слоев может достигать более ста, что позволяет обрабатывать большие объемы данных в сложных классификациях. Глубокие исследования очень похожи на процесс обучения человека и имеет поэтапный процесс абстракции. Каждый слой будет иметь разное "взвешивание" и это взвешивание отражает то что было известно о компонентах изображений. Чем выше уровень слоя тем более конкретные компоненты. Подобно человеческому мозгу, исходный сигнал в глубоком исследовании проходит через слои обработки: далее, он принимает частичное понимание (неглубокое) к общей абстракции (глубокой), где он может воспринимать объект.


Проблемы существующих систем.

Обычные системы наблюдения в основном обнаруживают движущиеся цели без дальнейшего анализа. Даже интеллектуальные IP камеры могут отображать отдельные точки на фигуре один за другим, что затрудняет расшифровку некоторых функций (например, лоб или щеку), что снижает точность. Например, для защиты периметра другие технологии могут использовать (или используют) для обеспечения более полной безопасности но они все имеют свои недостатки. Инфракрасные детекторы излучения могут "перепрыгивать" но также подвержены ложным тревогам вызванными животными. Электронные ограждения могут представлять опасность для безопасности и ограничены в определенных областях. Некоторые из этих решений могут быть дорогими и сложными для установки. Объекты, такие как животные, листья или даже свет может вызывать ложные тревоги, поэтому возможность идентифицировать присутствие человеческой формы действительно повышает точность функций VCA периметра. Частые ложные тревоги всегда являются проблемой для конечных пользователей, которым необходимо потратить время на исследование каждого из них, что потенциально задерживает любой необходимый ответ, в целом влияет на эффективность.


Представим себе, например,локация тихая местность,ночью, где мало машин и людей. Даже здесь ночью может быть 50 ложных тревог. Предположим, для проверки ложной тревоги требуется 2-3 минуты и только 3 из 50 больше внимания - скажем по 15 мин каждый. Охранник либо должен проверить систему, либо оглянуться назад на предупреждение, либо кто-то должен быть отправлен на место и осмотреться, проверяя "действительно ли кто-то влез без разрешения". Итак, эти 50 ложных тревог могут стоить более двух часов каждую ночь впустую, в этом сценарии.

Однако глубокие исследования имеют большое значение.  Благодаря большому количеству качественных данных от камер и других источников, таких как Научно-исследовательский институт Hikvision, и более чем сотню членов команды по очистке данных для маркировки видеоизображений, накоплены данные по образцам с миллионами категорий в отрасли.  Благодаря этому большому количеству качественных данных обучения модели распознавания образов человека, транспортных средств и объектов становятся все более точными для использования в системах видеонаблюдения.

Основываясь на серии экспериментов, точность распознавания решений с использованием алгоритма Глубокого Исследования повысила точность на 38% - применяя это к предыдущему примеру, это экономия почти на один час каждую ночь.  Это делает технологию Глубокого Исследования отличным преимуществом в решении для защиты периметра, с гораздо более точным пересечением линии, вторжением, обнаружением входа и выхода.

Решения Глубокого Исследования Hikvision доступны на трех уровнях: - камера DeepinView может отслеживать, оценивать и захватывать целевые объекты, когда срабатывает тревога.  - «традиционная» IP-камера с использованием DeepinMind NVR добавит функцию интеллектуального поиска изображения, экономя время на поиск целей по сравнению с обычным NVR. Камера DeepinView и DeepinMind NVR обеспечивают полнофункциональное решение, при этом камера отправляет информацию в NVR, которая затем может ее проанализировать.  Это ускоряет фильтрацию записи и ложных тревог.  

Оригинальный текст - www.hikvision.com

19.03.2018