Передовая разработка позволит переместить распознавание людей на границу сети

Метод персональной реидентификации (Person Re-identification, ReID), в котором искусственный интеллект применяется для распознавания изображений одного и того же человека, снятых разными камерами в разной обстановке, помогает следить за перемещениями подозреваемых в пределах действия сетей камер видеонаблюдения, охватывающих большие публичные пространства.

Однако реализация метода ReID на компьютерах сопряжена с большими трудностями, так как от машин требуется надежно узнавать человека несмотря на меняющиеся условия освещения, позы, углы наблюдения и одежду.

На открывающейся вскоре в Сеуле (Южная Корея) Международной конференции по компьютерному зрению, специалисты из Центра зрения, речи и обработки сигналов (CVSSP) при университете Суррея (Великобритания) подробно расскажут о созданной ими системе OSNet. По их мнению, OSNet представляет шаг вперед в сравнении с многими популярными сегодня системами идентификации и претендует на то, чтобы стать стандартом технологий визуального распознавания.

Коллектив CVSSP показал, что OSNet для улучшения процесса реидентификации принимает во внимание информацию множества различных пространственных масштабов, учитывая как мельчайшие детали, вроде значков и логотипов, так и крупные факторы, включая тип верхней одежды, предпочитаемый распознаваемым объектом.

Самой же поразительной особенностью OSNet является то, что система в своей работе обходится всего 2,2 миллионами параметров — совершенно ничтожное количество в контексте моделей нейросетей глубокого обучения. При этом она превосходит по производительности многих конкурентов, построенных на популярной инфраструктуре ResNet50, которая использует 24 млн параметров.

Столь малое число параметров означает, что данная модель может быть развёрнута на границе сети. Основные вычисления будут выполняться не удалённым датацентром, а самой камерой наблюдений, благодаря чему можно будет обойтись без пересылки огромных объёмов видеоданных и обеспечить существенную экономию пропускной способности сети.

«С OSNet, мы планировали разработать инструмент, способный преодолеть многие проблемы реидентификации людей, свойственные другим методам, — но результат превзошёл наши ожидания, — заявил Тао Сян (Tao Xiang), почётный профессор компьютерного зрения и машинного обучения в CVSSP. — Точность реидентификации, достигаемая OSNet, явно превосходит возможности человеческих операторов».