`

СПЕЦИАЛЬНЫЕ
ПАРТНЕРЫ
ПРОЕКТА

Архив номеров

BEST CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Глубокое обучение улучшает эффективность слежения за многими объектами

0 
 

Глубокое обучение улучшает эффективность слежения за многими объектами

Отслеживание одновременно нескольких объектов имеет множество приложений, от автономного вождения до общественного наблюдения, которые могут помочь в борьбе с преступностью и снизить частоту аварий. Хотя компьютеры способны отслеживать больше объектов, чем люди, они обычно хуже идентифицируют отдельные объекты и могут путать их между собой в сцене, что в конечном итоге, приводит к неверным результатам отслеживания.

В Институте науки и технологий Кванджу (GIST) группа исследователей попыталась решить эти проблемы, внедряя методы глубокого обучения в структуру отслеживания многих объектов. В недавней статье, опубликованном в журнале Information Sciences, они представили новую модель, основанную на методе, который они называют «глубокой временной ассоциацией сопоставления внешнего вида» (Deep-TAMA).

Дифференцировать обнаруженные объекты на основе выбранных вручную свойств, таких как цвет, обычно не удается из-за изменений условий освещения и взаимного перекрывания. Поэтому, исследователи сосредоточились на создании модели отслеживания с возможностью точно извлекать известные особенности обнаруженных объектов. Использование истории наблюдений позволило алгоритму с помощью сетей долгосрочной краткосрочной памяти (LSTM) преодолеть кратковременные перекрывания отслеживаемых объектов.

По сравнению с традиционными методами, которые извлекают признаки из каждого объекта независимо, предложенный метод совместного анализа (joint inference) демонстрирует лучшую точность в задачах общественного наблюдения, а именно при отслеживании пешеходов. Более того, главный недостаток глубокого обучения — низкую скорость — авторам удалось компенсировать за счет распараллеливания GPU на основе индексации для сокращения времени вычислений.

Испытания на массивах данных систем общественного наблюдения подтвердили, что предлагаемая методика обеспечивает высочайшую точность отслеживания и, следовательно, готова к внедрению.

«Мы считаем, что наши методы могут вдохновить других исследователей на разработку новых подходов, основанных на глубоком обучении, которые в конечном итоге улучшат общественную безопасность», — заключает руководитель работы, профессор Мун Гу Чон (Moongu Jeon).

Захист від кібератак у новому віртуальному світі

0 
 

Напечатать Отправить другу

Читайте также

 
 

  •  Home  •  Рынок  •  ИТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Сети  •  Безопасность  •  Наука  •  IoT