Нейросеть 2024

Искусственные нейронные сети применимы практически во всех областях, использующих видеонаблюдение. Как и другие методы машинного зрения, нейросети предназначены для извлечения из потока изображений информации о наблюдаемой сцене и присутствующих на ней объектах.

1. Розничная торговля.
2. Транспорт.
3. Банковская отрасль.
4. Общественная безопасность.
5. Производство, строительство.
6. Охрана природы.
7. Работа с видеоархивом.

Нейронные сети глубокого обучения

Прежде чем перейти непосредственно к технологиям глубокого обучения и нейронным сетям, посмотрим на стандартное машинное обучение "с высоты птичьего полета". Как правило, оно заключается в построении интеллектуальной модели, которая преобразует одни данные в другие и зависит от набора определенных параметров. Модели показывается обучающая выборка, и ее параметры корректируются таким образом, чтобы обученная модель могла давать правильные ответы в соответствии с известными данными из обучающей выборки, а также хорошо работать с новыми данными, которые она еще не видела. Если модель правильно обучилась, то она умеет обобщать, генерализовать и выдавать верные ответы, причем на входе и выходе могут использоваться самые разные типы данных:

• абстрактная информация (векторы с небольшим количеством элементов и др.);
• изображение/видео (компьютерное зрение);
• текст (анализ комментариев);
• аудио (распознавание речи).

Выше перечислены четыре типа данных. Отобразить одни данные в другие, например изображение в текст, аудио в текст или текст в абстрактную информацию, можно с помощью модели. Именно такие задачи лучше всего на сегодняшний день решают глубокие нейронные сети.

Как должны быть сконфигурированы нейронные сети, чтобы качественно работать? Один из используемых методов — обучение внутреннего промежуточного представления, а именно автоматическое извлечение признаков из данных. Если слоев нейронной сети несколько, то промежуточное представление становится более сложным и многоуровневым. Вычисление одного слоя в простых нейронных сетях эквивалентно одной линейной операции.

Самый распространенный подход к обучению нейронных сетей — это обучение с учителем (на примерах). В этом случае используется обучающая выборка из пар входных объектов и правильных ответов и производится поиск параметров, которые минимизируют ошибки. Ошибка вычисляется и корректируется не сразу на всех образцах, а на подвыборке или одном объекте с помощью стохастического градиентного спуска.

Читайте далее статью "Технологии AI: как машины решают интеллектуальные и творческие задачи" >>>

Для обучения нейронной сети необходимы три составляющие: обучающие данные, специализированное программное и аппаратное обеспечение.

Обучающих данных требуется очень много, от десятков тысяч до миллионов объектов. Для подготовки (разметки) обучающих данных разработан ряд инструментов:

• LabelMe – бесплатная утилита от MIT;
• платные сервисы для разметки данных – Prodi.gy, Scale.ai, Supervise.ly;
• краудсорсинговые сервисы – Яндекс.Толока, Amazon Mechanical Turk.

Для обучения нейронных сетей наиболее популярна связка языка Python и одной из библиотек для машинного обучения – Tensorflow, Keras, Caffe, PyTorch.

Читайте мнение эксперта "В чем преимущества и недостатки известных платформ для работы с нейросетями?" >>>

Обучение нейронной сети

Разработка приложений ИИ начинается с обучения глубоких нейронных сетей с большими наборами данных. Для исследователей ИИ и разработчиков приложений графические процессоры NVIDIA Volta и Turing, работающие на тензорных ядрах, обеспечивают быстрое обучение и более высокую производительность. С включенными тензорными ядрами матрица смешанной точности FP32 и FP16 значительно увеличивает пропускную способность и сокращает время обучения ИИ. Для разработчиков приложений, интегрирующих глубокие нейронные сети в свои облачные или встроенные приложения, Deep Learning SDK предоставляет высокопроизводительные библиотеки, которые реализуют API-интерфейсы строительных блоков для реализации обучения и логического вывода непосредственно в своих приложениях. Благодаря единой модели программирования для всех платформ графических процессоров – от настольных компьютеров до центров обработки данных и встраиваемых устройств – специалисты могут начать разработку на своем настольном компьютере, масштабировать в облаке и развертывать на своих периферийных устройствах с минимальными изменениями кода или без изменений.

Разработчики и исследователи данных могут получить легкий доступ к оптимизированным контейнерам инфраструктуры глубокого обучения NVIDIA, производительность которых настроена и протестирована для графических процессоров NVIDIA. Это устраняет необходимость управления пакетами и зависимостями или создания структур глубокого обучения из исходного кода.

Например, задача компьютерного зрения является довольно сложной. Цифровые изображения представляют собой огромные таблицы чисел (интенсивности в пикселях), в которых сложно "разглядеть" тот или иной объект. Для решения этой задачи необходим промежуточный этап – извлечение признаков. Грубый пример: чтобы найти на фотографии котика, надо сначала найти его уши, глаза и т.д. Долгое время такого типа визуальные признаки были очень специализированными и конструировались вручную. С приходом в компьютерное зрение сверточных нейросетей появилась возможность обучать этим признакам автоматически из данных.

Читайте далее статью "Нейронные сети: новый прорыв. Мнения экспертов" >>>

Камера с искусственным интеллектом

Современный процессор должен иметь возможность запускать нейросетевую видеоаналитику. В сравнении с обычными процессоры умных камер чаще всего имеют улучшенный графический (GPU, Graphics Processing Unit) чипсет, который дает больше вычислительной мощности для алгоритмов, потребляя при этом меньше энергии и выделяя меньше тепла.

Стоит отметить, что со стремительным развитием искусственного интеллекта начинают появляться специализированные чипсеты, приходящие на смену привычным CPU (Central Processing Unit) и GPU. Среди них NPU (Neral Processing Unit) или TPU (Tensor Processing Unit). Расчетные мощности нейросетей требуют от процессоров значительных ресурсов. До сегодняшнего времени пользователи выбирали, на каком типе процессоров производить расчеты, графическом (GPU) или центральном (CPU). При этом GPU более подходит под требования нейросетевых вычислений, а значит выполняет их более эффективно. В настоящее время производители процессоров, комбинируя преимущества CPU и GPU в одной микросхеме, выпускают специализированные гибридные чипы, узко направленные на нейросетевые вычисления или работу с "морем" множителей, потребляющие при этом меньше энергии. Стоимость таких решений еще достаточно высока, но постепенно снижается.

Как различать камеры с искусственным интеллектом? Читайте в статье "Как устроены камеры с искусственным интеллектом" >>>

Что умеет нейросетевая видеоаналитика?

Часто приходится слышать, что рынок систем видеонаблюдения все больше коммодитизируется. Множество продуктов со схожей функциональностью (или, по крайней мере, схожими обещаниями производителя) затрудняют выбор для пользователя, и одним из главных аргументов становится имя вендора и его репутация. У самих производителей остается два пути: или ввязаться в ценовую войну, делая ставку на максимальную оптимизацию затрат, или предложить что-то действительно новое и прорывное.

Тренд, который пытаются оседлать разработчики, выбравшие второй путь, – искусственный интеллект, основанный на нейронных сетях и глубоком обучении. Зародившийся несколько лет назад рынок ИИ-видеоаналитики находится в стадии взрывного роста. Новая технологическая волна добавила оптимизма небольшим, но амбициозным компаниям. Кажется, у них появился шанс прорваться к лидерству – в перспективе нескольких лет.

Однако хайп, поднятый новым модным трендом, вызывает здравые опасения умудренных опытом профессионалов рынка безопасности, как со стороны клиента, который ищет решение для своих задач, так и со стороны интегратора, который строит стратегию долгосрочного развития. Это очень похоже на очередной технологический "пузырь". Такой, который уже успел надуться вокруг видеоаналитики без нейронных сетей и громко лопнуть, когда стало ясно, что громкие обещания – всего лишь (не очень добросовестная) реклама. Но в пользу того, что ИИ в системах видеонаблюдения не "пузырь", говорит множество фактов.

Первый (и главный) – это работающие системы на реальных объектах. Они выполняют те самые обещания, которые в эпоху предыдущего "пузыря" давали горячие головы, пытающиеся научить компьютер анализировать реальность, используя классический алгоритмический подход.

На что способен искусственный интеллект и как работает поведенческая видеоаналитика - читайте полный текст статьи "Что умеет и чего не умеет нейросетевая видеоаналитика?" >>>

Однослойная нейронная сеть

Общепринятым является поиск по кадру и преобразование лица человека с применением глубоких нейронных сетей Галушкина – Хинтона. Принцип обучения глубоких (многослойных) нейронных сетей изобрел в 1974 г. наш соотечественник Александр Галушкин [15]. В 2006 г. "допилил" глубокие нейронные сети до промышленного применения Джефри Хинтон [16]. С тех пор каждая цифровая мыльница имеет приложение, отыскивающее в цифровом кадре лица людей. На рис. 1 работа такого приложения обозначена овалом вокруг обнаруженного в кадре лица. После обнаружения лицо фрагментируется на заданное число элементов анализа и подается на входы многослойной сети искусственных нейронов.

Следует отметить, что обучать и переобучать глубокие нейронные сети очень трудно: их обучение имеет экспоненциальную вычислительную сложность и требует наличия огромных баз биометрических образов. В связи с этим глубокие нейронные сети обучают однократно и далее их применяют длительное время, без какой-либо корректировки. На сегодняшний день лучшие образцы подобных нейросетевых преобразователей принимают решение "свой" или "чужой" с доверительной вероятностью 0,997.

Так как глубокие нейронные сети практически неспособны учиться, связывание особенностей образа лица человека с его открытым криптографическим ключом должны осуществлять однослойные нейронные сети, быстро обучаемые алгоритмом ГОСТ Р 52633.5 [17]. Этот алгоритм обучения имеет линейную вычислительную сложность, и потому его можно реализовать на любой как угодно маленькой вычислительной машине. При этом обучающая выборка должна состоять всего из 16 примеров биометрического образа. Для обучения нейронной сети по ГОСТ Р 52633.5 достаточно нескольких незначительных движений лица в кадре. Исходные данные однослойная нейронная сеть получает с выходов нейронов предшествующей глубокой нейронной сети.

Полный текст статьи "Протоколы биометрико-криптографического рукопожатия" >>>

Нейросеть распознавание лиц

Технологии видеоаналитики

Компания X5 Retail Group пилотирует с помощью видеоаналитики несколько ключевых направлений: анализ доступности товара на полках, табелирование, контроль очередей и пр. Рассмотрим конкретные кейсы и примеры работы решений на реальных данных в разные временные отрезки.

В кейсе распознавания лиц мы сначала детектируем лицо с помощью MTCNN и затем выделяем ключевые точки, чтобы выровнять лицо. После выравнивания оно выглядит как фото на паспорт, только немного искаженное.

Далее мы используем нейросеть, которая выдает эмбеддинги. Это набор абстрактных признаков, которые должны быть разные у людей, не похожих друг на друга и совпадать у одного человека, даже если он был снят в разных условиях.

После этого мы обучаем nmslib. Примечательно то, что мы не обучаем модели под конкретную задачу, мы подбираем трешхолд, по которому определяем, есть ли этот человек в базе или нет.

Антиспуфинг, определение очередей и распознавание действий - в статье "Видеоаналитика в мультиформатной розничной компании X5 Retail Group" >>>

Системы машинного зрения

Что такое современные системы машинного зрения и какие задачи они решают?

ЗАДАЧИ: Поиск объекта, Классификация, Трекинг.

КОМПОНЕНТЫ систем машинного зрения:

• Безусловно это камера (редко одна, чаще несколько десятков, возможно сотни).
• ПО работы и управления видеопотоком (VMS или Video Management System).
• Обученная нейронная сеть (одна, а чаще несколько, работающих на решение одной задачи).
• Серверное оборудование с GPU, где обученные нейросети работают с видеопотоком.
• ПО аналитики или "ПО верхнего уровня" куда отправляются результаты от всех перечисленных подсистем, а также прописывается нужная математика и логика исходя из задачи.

1. Контроль использования СИЗ на производстве
2. Контроль объектов слежения с использованием БПЛА
3. Превентивная работа с целью повышения культуры вождения
4. Социальное дистанцирование

Полный текст читайте в статье "Машинное зрение на практике или наши новые цифровые помощники" >>>

Машинное зрение на практике

В этой статье мы расскажем вам как новейшие технологии машинного зрения могут помочь в решении повседневных бизнес-задач, расскажем почему решений на рынке много, а хорошо работает и довериться можно всего нескольким, а также расскажем о нашем опыте реализации подобных проектов на производстве и в бизнесе.

Для начала, что такое современные системы машинного зрения и какие задачи они решают?

ЗАДАЧИ: Поиск объекта, Классификация, Трекинг.

КОМПОНЕНТЫ систем машинного зрения:

• Безусловно это камера (редко одна, чаще несколько десятков, возможно сотни).
• ПО работы и управления видеопотоком (VMS или Video Management System).
• Обученная нейронная сеть (одна, а чаще несколько, работающих на решение одной задачи).
• Серверное оборудование с GPU, где обученные нейросети работают с видеопотоком.
• ПО аналитики или "ПО верхнего уровня" куда отправляются результаты от всех перечисленных подсистем, а также прописывается нужная математика и логика исходя из задачи.

Стоит отметить, что среда подготовки и обучения нейросетей не входит в список компонентов машинного зрения, т.к. эта часть выносится за рамки работы готовой системы, но именно ее функционал и возможности играют ключевую роль в качестве обученной нейросети, ее последующего администрирования и изменения под изменяющиеся бизнес-задачи или требования. В список компонентов также не вошли и вторичные системы как программные, так и аппаратные, подключаемые к системам машинного зрения и работающими с командами, полученными от ПО аналитики.

Читайте полный текст в статье "Машинное зрение на практике или наши новые цифровые помощники" >>>

Нейросети в повседневной жизни

Понятие "нейросеть" было придумано достаточно давно и является синонимом алгоритма машинного обучения. Первая версия формального нейрона, ячейки нейронной сети, была предложена Уорреном Мак-Каллоком и Уолтером Питтсом в 1943 г. А уже в 1958 г. Фрэнк Розенблатт разработал первую нейронную сеть. Но первый блин оказался комом, и другие алгоритмы машинного обучения отодвинули на какое-то время нейросети на второй план.

Популярность нейронные сети стали завоевывать после 2010 г. Для того чтобы разобраться, почему это произошло, мы должны понимать, как устроена нейросеть и в чем ее особенность.

Нейронные сети с помощью аппаратных и программных средств имитируют паутину нейронов в человеческом мозге. Но так как мы говорим о машинном обучении, результатом всех вычислений являются ноль (нет) или единица (да): то есть машина нам дает ответ, который близок к значению "нет" или "да". Соответственно, для того чтобы обучить машину распознавать числа, нам понадобится нейросеть, состоящая из секторов, каждый из которых будет отвечать за свою цифру от 0 до 9. Чем больше вариантов ответов может быть, тем крупнее будет наша нейросеть.

Читайте полный текст статьи "Нейросети в повседневной жизни" >>>

Нейросеть предскажет вам дату смерти

Искусственный интеллект в Пенсильвании научили предсказывать повышенный риск смерти пациентов... по результатам ЭКГ. Система сообщает, кто выживет, а кто умрет в течение следующего года.

Разработчики системы утверждают, что данный метод прогнозирования работает точнее других существующих.

Полный текст "Нейросеть предскажет вам дату смерти" >>>

Решения для промышленных предприятий в борьбе с COVID-19

Эпидемия COVID-19 заставила компании пересмотреть систему организации работы сотрудников для минимизации рисков распространения коронавирусной инфекции среди персонала. Особенно важно было найти решения для предприятий непрерывного цикла, сотрудников которых невозможно перевести на удаленный режим работы. Специалисты ООО "Делетрон" разработали и использовали целый комплекс решений, благодаря чему количество случаев заражения сотрудников на предприятиях значительно снизилось.

В марте 2020 г. перед компанией "Делетрон" встала задача – исключить доступ на территорию крупного промышленного предприятия сотрудников с повышенной температурой. Учитывая то, что в утреннее время через КПП проходит более 30 тыс. человек, основной целью являлось сохранение необходимой пропускной способности. При этом требовалось обеспечить быстрый замер температуры бесконтактным способом. Именно поэтому технические специалисты остановили свой выбор на тепловизорах потокового типа для реализации системы тепловизионного контроля с заданными параметрами.

При настройке системы тепловизионного контроля специалисты "Делетрона" столкнулись с рядом проблем. Почти все потоковые тепловизоры имеют релейные выходы, и теоретически не должно было составить труда включить их в логику работы турникета. В случае фиксации факта превышения температуры проход через турникет должен блокироваться. Однако количество релейных выходов и внутренняя логика работы самого тепловизора не позволяли использовать его более чем на одной точке прохода, в противном случае все турникеты в поле видимости камеры (до трех в кадре) оказывались бы заблокированными, что неприемлемо при подобном потоке людей. 

Полный текст статьи "Решения для промышленных предприятий в борьбе с COVID-19" >>>