Menu
A+ A A-

Savjeti iz Hikvisiona: Kako duboko učenje doprinosi sigurnosnoj industriji

Od uređaja za pohranu u sigurnosnoj industriji redovno se zahtijeva da barataju ogromnom količinom neobrađenih podataka. Kako se sve više susrećemo s projektima sigurnih gradova različitih veličina, broj nadzornih čvorova dosegao je stotine hiljada. Efikasno prikupljanje, analiza i primjena podataka te njihovo inteligentno korištenje po svemu sudeći su neizbježan cilj cjelokupne industrije 
Piše: Odjel marketinga za Evropsku uniju, Hikvision
E-mail: Ova adresa el. pošte je zaštićena od spambotova. Omogućite JavaScript da biste je vidjeli.
 
Korisnici sigurnosnih tehnologija nadaju se da će im investicija u nove proizvode donijeti čak i više prednosti u odnosu na puko praćenje ciljanih osoba i prikupljanja dokaza nakon sigurnosnog incidenta. Neki od primjera dodatne koristi uključuju korištenje najnovijih tehnologija radi zamjene velikog broja zaposlenika koji su bili potrebni za pretraživanje nadzornih snimaka, kao i detektovanje neobičnih podataka te pronalaženje sve efikasnijih načina da se oblast nadzora s praćenja dešavanja nakon incidenta prebaci na upozoravanje tokom samih incidenata – ili čak prije njih. Kako bi se zadovoljili ovi zahtjevi, potrebne su nove tehnologije. Inteligentni videonadzor dostupan je već godinama. Međutim, rezultati njegove primjene nisu bili idealni. Pojava dubokog učenja omogućila je ispunjavanje ovih zahtjeva. 
 
Neadekvatnost tradicionalnih inteligentnih algoritama
Tradicionalni inteligentni videonadzor ima posebno stroge zahtjeve kada je u pitanju pozadina lokacije, odnosno scene. Preciznost inteligentnog prepoznavanja i analize u usporedivim scenarijima i dalje je nekonzistentna. Razlog za ovo je prvenstveno činjenica da tradicionalni algoritmi za videoanalizu imaju mnogo propusta.  
U procesu inteligentnog prepoznavanja i analize, kao što je prepoznavanje ljudskog lica, potrebna su dva ključna koraka: najprije se određuju karakteristike, a zatim se primjenjuje "klasifikacijsko učenje". Stepen preciznosti tokom prvog koraka direktno određuje preciznost algoritma. Zapravo, većina procesiranja kada su u pitanju kalkulacije i testiranje odrađuje se u ovom dijelu. Karakteristike tradicionalnih inteligentnih algoritama osmislili su ljudi i oduvijek su bile u velikoj mjeri subjektivne. Apstraktnije karakteristike – one koje ljudi imaju poteškoća da razumiju ili opišu – neizbježno se previđaju. Uz promjenjivo osvjetljenje i uglove posmatranja, naročito kada je uzorak izuzetno veliki, mnoge karakteristike mogu biti preteške za detektovati. Prema tome, dok tradicionalni inteligentni algoritmi dobro funkcionišu u specifičnim okruženjima, suptilne promjene (kvaliteta slike, okruženje itd.) donose značajne izazove za sigurnost. 
 
Klasifikacijsko učenje
Drugi korak – klasifikacijsko učenje – uglavnom podrazumijeva detekciju objekta i prepoznavanje osobina. Kako se broj dostupnih kategorija za klasifikaciju povećava tako se povećava i nivo težine (kompleksnosti) klasifikacije. Stoga su tradicionalne tehnologije za inteligentnu analizu vrlo precizne u analizi vozila, ali ne i ljudi i objekata. Naprimjer, prilikom detekcije vozila definiše se razlika između vozila i objekata koji nisu vozila, tako da je klasifikacija jednostavna, a nivo njene težine mali. Prepoznavanje karakteristika vozila zahtijeva prepoznavanje različitih dizajnerskih aspekata, marke itd., što rezultate klasifikacije generalno čini preciznim. S druge strane, ako se prepoznavanje provodi na ljudskim licima, svaka osoba je klasifikacija sama za sebe, a odgovarajuće kategorije bit će izuzetno brojne – što, naravno, vodi do vrlo visokog nivoa težine klasifikacije. Tradicionalni inteligentni algoritmi generalno koriste modele plitkog učenja kako bi se nosili s velikom količinom podataka u složenim klasifikacijama. Rezultati takve analize daleko su od savršenih. Osim toga, ovi rezultati direktno ograničavaju opseg i dubinu inteligentnih aplikacija i njihovog daljeg razvoja. Stoga u sigurnosnoj industriji raste potreba za povećavanjem dubine dostupnih podataka u oblasti velikih podataka. 
 
Prednosti dubokog učenja i njegovih algoritama
Tradicionalne inteligentne algoritme osmislili su ljudi. Jesu li dobro osmišljeni ili ne uveliko zavisi od iskustva, pa čak i sreće, a ovaj proces zahtijeva mnogo vremena. Prema tome, da li je uopće moguće postići to da mašine automatski uče nove karakteristike? Da, moguće je! Ovo je, zapravo, cilj vještačke inteligencije (AI). Inspiracija za duboko učenje dolazi od neuronskih mreža ljudskog mozga. Naše mozgove možemo gledati kao vrlo složene modele dubokog učenja. Neuronske mreže mozga sastoje se od milijardi međusobno povezanih neurona, a duboko učenje simulira ovu strukturu. Ove višeslojne mreže mogu prikupljati informacije i obavljati odgovarajuće akcije. One također imaju sposobnost apstrakcije objekta i njegovog ponovnog kreiranja. Duboko učenje suštinski je drugačije od drugih algoritama. Način na koji ono rješava nedostatke tradicionalnih algoritama obuhvaćen je sljedećim aspektima:
 
1. Od plitkog ka dubokom. Algoritamski model za duboko učenje ima mnogo dublju strukturu od troslojnih struktura tradicionalnih algoritama. Ponekad broj slojeva može preći stotinu, što omogućava procesiranje velike količine podataka u kompleksnim klasifikacijama. Duboko učenje vrlo je slično procesu ljudskog učenja i ima proces apstrakcije karakteristika sloj po sloj. Svaki sloj imat će različit "prioritet", koji se odražava na određivanje toga šta je to što je naučeno o "komponentama" slike. Što je nivo viši, to su komponente specifičnije. Simulirajući ljudski mozak, originalni signal u dubokom učenju prolazi kroz slojeve procesiranja. Nakon toga formira se djelomično razumijevanje (plitki dio) cjelokupne apstrakcije (duboki dio), pri čemu možemo opaziti objekat. 
 
2. Od vještačkih karakteristika do učenja karakteristika. Duboko učenje ne zahtijeva ručnu intervenciju, već se oslanja na to da računar samostalno izvuče karakteristike. Time je moguće odrediti što više karakteristika ciljanog objekta, uključujući i apstraktne karakteristike koje je teško ili nemoguće opisati. Što je više karakteristika, to će prepoznavanje i klasifikacija biti precizniji. Neke od direktnih prednosti koje algoritmi dubokog učenja mogu donijeti uključuju postizanje preciznosti prepoznavanja obrazaca koja je jednaka onoj koju imaju ljudi ili čak i bolja, zatim pouzdanu otpornost na smetnje te sposobnost klasifikacije i prepoznavanja hiljada karakteristika.
 
Više o ovoj temi čitajte u printanom izdanju...
 

     

Global Security d.o.o.
Safeta Zajke 115c, 71000 Sarajevo, Bosna i Hercegovina
Tel: +387 (0)33/788-985
Fax: +387 (0)33/788-986
Web site: www.asadria.com
Marketing: marketing@asadria.com
Pretplata: pretplata@asadria.com
PDV broj: 201142740001
Identifi kacioni broj: 4201142740001
www.asadria.com
ISSN 1986-5

  

Magazin a&s Adria – stručni magazin za kompletna sigurnosna rješenja – mjesečna je publikacija licencirana od strane kompanije Messe Frankfurt New Era Business Media za Adriatic regiju: Bosnu i Hercegovinu, Crnu Goru, Hrvatsku, Kosovo, Makedoniju, Sloveniju i Srbiju.

Magazin a&s Adria je mjesečna publikacija iz oblasti sigurnosti i zaštite čiji je primarni cilj da informiše, educira i poveže sigurnosno tržište u Adriatic regiji. Magazin nastoji biti graditelj i poveznica između proizvođača i krajnjih korisnika u čijem lancu su neizostavni sistem-integratori i instalaterske kompanije kao ponuđači usluga. Zahvaljujući jasnoj viziji razvoja koja prepoznaje potrebe tržišta, a&s Adria se etablirala kao pouzdan izvor informacija i kao takva je prepoznata od strane čitalaca još od samih početaka 2006. godine.