AI u videoanalitici – gdje smo sada i kamo idemo?

Korisno je razmišljati o tome gdje smo sada u odnosu na to kamo idemo. Danas se još uvijek više raspravlja o tome što bi moglo biti moguće od stvarnih fizičkih proizvoda na tržištu. Velik dio razgovora usredotočuje se na praktične načine korištenja dubokog učenja i neuronskih mreža te kako te tehnike mogu poboljšati analitiku i značajno smanjiti lažne pozitivne rezultate za važne događaje.

Kada se s krajnjim korisnicima razgovara o analitici, postaje jasno da mnogi još uvijek ne iskorištavaju u potpunosti prednosti analitike.

U nekim slučajevima to može biti zbog povijesti lažnih pozitivnih rezultata s tehnologijom prethodne generacije, ali u drugima jednostavno može biti slučaj da se ne vjeruje da je pouzdana analitika dostižna za njihove jedinstvene potrebe.

Dobra vijest je da s AI, ili točnije, dubokim učenjem i neuronskim mrežama, idemo na novu razinu poboljšane analitike i prikupljanja podataka u dva ključna područja.

Povećana točnost za postojeću analitiku

U prošlosti su programeri pokušavali definirati što je objekt, što je gibanje i što bi se trebalo smatrati zanimljivim gibanjem koje želimo pratiti nasuprot ometajućem gibanju koje želimo zanemariti. Savršen primjer je vjetar koji puše kroz lišće drveća ili plastična vrećica koja leti.

Nešto tako jednostavno kao što je detekcija pokreta bilo je predugo opterećeno lažnim pozitivnim signalima koje stvara vjetar. Korisnici bi mogli pokušati smanjiti osjetljivost na lagani povjetarac, ali čim dođe do velike oluje, pokreću se masovni događaji kretanja.

Korištenje neuronskih mreža i dubokog učenja za definiranje objekata kao što su ljudi, automobili, autobusi i životinje znači da se tradicionalna analitika sada može usredotočiti na objekte. Ovi novi algoritmi naučeni su prepoznati ljudsko biće gledajući tisuće ljudskih slika. Upravo to ponavljajuće učenje je način na koji neuronska mreža može naučiti prepoznati čovjeka ili automobil.

Nakon što nauči ove primjere, može primijeniti ovo napredno znanje na postojeću analitiku.

Na primjer, ako je automobil prešao liniju na ulaznim vratima, to bi moglo biti prihvatljivo. Međutim, ako osoba prođe tu istu liniju, možda bismo željeli upozorenje. Sjenu treba zanemariti i ne uzeti u obzir kretanje drveća. Automobil koji vozi u krivom smjeru svakako zahtijeva uzbunu, no za ljude koji se slobodno kreću je to u redu.

Sva tradicionalna analitika u vezi s kretanjem kao što su pojavljivanje / nestajanje, križanje linija, zaostajanje objekta i lutanje bit će točnije i sposobne za dodatno usavršavanje pomoću AI-a i moći prepoznavanja objekata.

Bolje rudarenje podataka

Koristeći umjetnu inteligenciju, kamere nam mogu reći više o objektima koje detektiraju. Na primjer, to nije samo čovjek, to je čovjek koji nosi zelenu košulju i crne hlače sa sunčanim naočalama, a taj auto je mala crvena limuzina. Ove dodatne informacije ugrađene su u metapodatke snimljene zajedno s videozapisom (metapodaci su zapravo samo podaci o podacima).

Svaki okvir videa ima svoje zaglavlje koje uključuje dodatne analitičke metapodatke. To znači da su metapodaci ispravno tempirani s videozapisom.

Ako su ti podaci pohranjeni na mjestu snimanja, možete pogledati snimljene datoteke i potražiti zelenu košulju u metapodacima. To može smanjiti višesatno pretraživanje na nekoliko minuta ili manje.

Edge vs Server

Analytics se može izvoditi na namjenskom serveru ili na rubu unutar kamere. AI na strani servera koristit će se kada je potrebno više napora kao što su velike usporedbe baze podataka tipične za prepoznavanje lica, ALPR i slično.

Međutim, čak i za računalno intenzivne zadatke, učinkovitost u pogledu brzine obrade i smanjene propusnosti može se pronaći korištenjem hibridnog pristupa s rubnim uređajima i serverima koji rade zajedno.

Metapodaci dobiveni umjetnom inteligencijom s ruba mogu se poslati aplikaciji na strani servera. Za razliku od slanja sirovog videa koji zahtijeva da server dekodira više tokova samo za pokretanje analize.

S ovim novim mogućnostima umjetne inteligencije koje dolaze na rub, sigurnosne kamere su moćnije nego ikad, a točnost analitike se eksponencijalno povećava.