• Вт. Ноя 29th, 2022

Физическая и техническая охрана

Калуга и Калужская область

Три критических вопроса при выборе видеоаналитики для видеонаблюдения

На самом деле никогда не стоял вопрос «оправдает ли» технология видеоаналитики свое обещание стать «следующей большой вещью» в области физической безопасности; вопрос был просто в том, когда отрасль начнет массовую адаптацию решения.

Судя по всему, это время очень близко.

Согласно отчету Deloitte State of AI in the Enterprise 5th Edition Report, опубликованному в октябре, 94% опрошенных бизнес-лидеров считают, что искуственный интеллект имеет решающее значение для будущего успеха их организаций.

В отчете IBM Global AI Adoption Index 2022 сообщается, что 35 % опрошенных компаний сообщили, что они уже используют ИИ сегодня, и еще 42 % сообщили, что изучают ИИ для будущего развертывания.

Поскольку искуственный интеллект меняет способы внедрения и оптимизации процессов, показателей и протоколов в крупных корпорациях, очевидно, что технология ИИ будет продолжать играть большую роль на предприятии.

Ничто из этого не является неожиданностью для специалистов по безопасности, которые активно изучают далеко идущие возможности, точность и производительность новой видеоаналитики Wave 2, чтобы обеспечить более высокий уровень анализа и понимания обнаружения, классификации, отслеживания и криминалистики событий.

И, как и следовало ожидать, такой интенсивный интерес к видеоаналитике сопровождается повышенным уровнем конкуренции и заявлений о производительности, многие из которых в лучшем случае вводят в заблуждение и могут вновь вызвать тот же уровень скептицизма, который годами преследовал видеоаналитику.

Это делает процесс проверки наилучшего решения для видеоаналитики критической задачей, которая начинается с постановки правильных вопросов.

Чтобы начать процесс, вот три основных вопроса, которые вы должны задать каждому поставщику видеоаналитики ИИ, чтобы лучше понять их конкретное решение.

Откуда берутся данные для обучения аналитике?

Аналитика на основе ИИ опирается на модели, использующие обучающие данные, которые изучают шаблоны, используемые для выполнения ряда различных задач, включая обнаружение изображений, распознавание, классификацию и многое другое.

Чтобы системы были точными и эффективными, эти шаблоны должны иметь сильную корреляцию с данными, проанализированными в реальном мире.

Аналитическое решение, в котором отсутствует однородное распределение с точки зрения количества и качества этих шаблонов, в конечном итоге приводит к неоптимальной производительности.

Одна из распространенных проблем, связанных с обучением видеоаналитики обнаружению конкретных событий, связана с использованием необъективных источников данных. Уменьшение последствий предубеждений может помочь смягчить любые ненужные негативные последствия для людей, затронутых самой технологией ИИ.

Например, обучающие модели, которые используют общедоступные изображения для создания своих моделей распознавания лиц, приводят к тысячам снимков людей, которые часто находятся в поле зрения общественности, таких как звезды спорта, политики и актеры, которые могут не представлять, что такое «средний» человек. ты и я.

Устранение этих потенциальных аналитических предубеждений требует надлежащего обучения алгоритмов ИИ, чтобы свести к минимуму человеческое и системное влияние. Это требует разработки алгоритмов, учитывающих несколько различных факторов, выходящих за рамки самой технологии. Форма обучения синтетическим данным позволяет алгоритмам создавать любой желаемый сценарий обнаружения без нюансов.

Кроме того, многие алгоритмы компьютерного зрения с открытым исходным кодом, разработанные для общих приложений, не способны автоматически определять, когда происходит очень конкретное событие.

Хорошим примером является способность обнаруживать, когда дорогостоящее оборудование, такое как неонатальный ультразвуковой аппарат, удаляется из назначенного места.

Если решение для видеоаналитики было надлежащим образом «обучено», оно будет самостоятельно обнаруживать такие случаи и предупреждать оперативников и/или сотрудников службы безопасности о том, что устройство было удалено из зоны действия санкций. Та же аналитика может использоваться для определения местонахождения оборудования, чтобы его можно было найти и разместить там, где оно должно быть.

Более общая форма аналитики, такая как обнаружение объектов, не может быть эффективно реализована для такого узкоспециализированного приложения.

Для таких уровней специализации требуется некоторая форма обучения синтетической аналитике.

Gartner прогнозирует, что к 2024 году 60% данных, используемых для разработки и обучения проектов ИИ и аналитики, будут генерироваться синтетическим путем.

Следовательно, знание источника обучающих данных, управляющих решением для видеоаналитики, является важным критерием оценки при определении его способности обнаруживать определенные аномалии.

Откуда взялась архитектура вашей модели — это был код с открытым исходным кодом или написанный провайдером?

Использование специализированного решения для видеоаналитики, основанного на вычислительной эффективности и точности, обеспечивает метрики и данные, необходимые для быстрого и легкого масштабирования приложений безопасности сверхэффективным образом.

Эффективность и точность вычислительных данных измеряются с помощью ряда стандартизированных показателей проверки, включая наборы данных Common Objects in Context (COCO) или Технологического института Карлсруэ и Технологического института Toyota (KITTI). Думайте об этих стандартах тестирования как о запросе эффективности использования топлива в недавно купленном автомобиле или использовании теоремы Байеса для проверки точности диагностики медицинских процедур.

COCO — это крупномасштабный стандарт тестирования обнаружения объектов, сегментации и подписей, в котором используются высококачественные наборы данных для компьютерного зрения, созданные с единственной целью улучшения распознавания изображений с использованием современных нейронных сетей.

Стандарты тестирования используются в качестве обучающих наборов данных для сегментации изображений в модели глубокого обучения, а также в качестве эталона для сравнения производительности обнаружения объектов в реальном времени.

Наборы данных используются для обучения и измерения алгоритмов, предназначенных для выполнения таких задач, как обнаружение объектов, сегментация экземпляров объектов и сегментация материалов.

KITTI — еще один инструмент для проверки данных, популярный в наборах данных для использования в мобильной робототехнике и автономном вождении. Используя почти 130 000 изображений, эталонный тест KITTI содержит множество задач, таких как стереометрия, оптический поток и визуальная одометрия, которые помогают проверять большие наборы данных.

Являясь золотым стандартом измерения видеоаналитики, COCO и KITTI можно использовать для обеспечения эффективности и точности наборов данных перед внедрением сверхэффективной масштабируемости.

Использование специализированных решений, созданных с использованием наборов данных COCO и KITTI, гарантирует, что решение для видеоаналитики можно легко масштабировать для различных приложений. Такие стандарты тестирования применяются для проверки новой видеоаналитики Wave 2, в которой используются синтетические высококачественные обучающие данные.

Такая мощная новая видеоаналитика Wave 2 может использоваться по-новому для облегчения развертывания точных, эффективных и масштабируемых алгоритмов искусственного интеллекта для конкретных аналитических приложений. Следовательно, новые средства видеоаналитики Wave 2 неизменно превосходят модели с открытым исходным кодом, такие как YOLO и SSD, предоставляя более быстрые, точные и более масштабируемые решения видеоаналитики для конкретных приложений безопасности и бизнес-аналитики.

Как вы измеряете производительность видеоаналитики?

Способность определять производительность основана на точности: сколько людей и/или событий было правильно обнаружено и идентифицировано за указанное время. Это относится как к новым событиям, так и к повторяющимся событиям, например, синяя тележка для гольфа всегда является синей тележкой для гольфа с двумя игроками в гольф и так далее.

После обнаружения определенного объекта архитектура машинного обучения видеоаналитики должна предоставить более подробную информацию о том, что происходит на сцене.

Это включает в себя извлечение точной информации, такой как пол человека, тип транспортного средства и его конкретный цвет, а также возможность отслеживать конкретных людей и / или объекты в данной сцене и в нескольких сценах с течением времени.

Это позволяет создавать расширенные графы знаний, которые связывают людей с объектами в пространственно-временных областях, обеспечивая новый уровень понимания и анализа событий.

Связывая уникальную цифровую подпись с каждым обнаруженным объектом, новая видеоаналитика Wave 2 использует модель глубокого обучения, обученную обнаруживать изменения в освещении, углах, полях зрения, разрешении, положениях и позах тела, погодных условиях и т. д. Это означает, что два обнаружение одного и того же объекта/человека/лица, снятое двумя разными камерами, может коррелировать две разные сигнатуры.

Это позволяет решению для видеоаналитики использовать образцы для анализа нового обучения без дополнительных вычислительных затрат. Это обеспечивает новую аналитику Wave 2 более разумным подходом к обучению данных, более быстрым и точным для профессиональных приложений безопасности и бизнес-аналитики.

Хотя наука о видеоаналитике на основе ИИ существует уже много лет, она продолжает быстро развиваться и развиваться для реальных приложений, создавая высокий спрос и интерес, а также много путаницы.

Хотя три относительно простых вопроса, поднятых здесь, требуют несколько сложных ответов, они закладывают основу для оценки и сравнения различных решений.

Поставщик видеоаналитики, который уделяет время изучению этих проблем с документацией и доказательствами производительности, — это тот, кому вы должны доверять, чтобы обеспечить максимальную отдачу от ваших инвестиций в безопасность.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *