Deep Learning – To επόμενο μεγάλο βήμα στη βίντεο επιτήρηση

Σε πρόσφατη αναφορά του, ο αναλυτής θεμάτων τεχνολογίας βιντεοεπιτήρησης της εταιρίας ερευνών IHS Markit, Oliver Philippou, αναδεικνύει το πώς η τάση του “Deep Learning” (εκμάθηση εις βάθος) μπορεί να καταστήσει την επιτήρηση βίντεο ακόμα περισσότερο ευφυέστερη και πιο αποτελεσματική για τον εντοπισμό συμβάντων που μπορεί να απειλήσουν την ασφάλεια.

Στην αναφορά του, ο αναλυτής επισημαίνει ότι οι τεχνολογίες των video analytics τα τελευταία χρόνια έχουν ανακάμψει σημαντικά, τόσο στο θέμα της αξιοπιστίας όσο και στην απόδοση τους και τις δυνατότητες που έχουν ευρύτερα, μιας και έχουν αναπτυχθεί αλγόριθμοι που μπορούν να λειτουργήσουν αποτελεσματικά, ακόμα και σε ιδιαίτερα πολύπλοκες συνθήκες και περιστατικά.

Τώρα πλέον, τα deep learning analytics – που αποτελούν μια υποκατηγορία της τεχνητής νοημοσύνης – είναι έτοιμα να φέρουν επανάσταση στην αγορά των συστημάτων επιτήρησης, προσφέροντας μια αλματώδη εξέλιξη στις δυνατότητες των video analytics. Είναι αλήθεια, ότι τα τελευταία δύο χρόνια, σημειώθηκε μια αξιοσημείωτη αύξηση της έρευνας και της ανάπτυξης στα νευρωνικά δίκτυα deep learning, που είχε ως αποτέλεσμα την ενίσχυση των δυνατοτήτων τους και την ευρύτερη αξιοποίηση τους.

Μεγαλύτερη ακρίβεια και αξιοπιστία

Η τεχνολογική τάση του Deep Learning φαίνεται ότι πλέον είναι σε θέση να προσφέρει ένα υψηλό επίπεδο ακρίβειας και αξιοπιστίας στην αξιολόγηση αντικειμένων και συμπεριφορών, επιτρέποντας στα video analytics να προσφέρουν πολύ υψηλότερες δυνατότητες σε σχέση με το παρελθόν. Η μακρόχρονη συζήτηση για την έλλειψη αξιοπιστίας των παλαιότερων εκδόσεων των video analytics, σχετίζονταν κυρίως με το γεγονός ότι οι συμβατικές λύσεις ανάλυσης της εικόνας δεν διέθεταν τους απαραίτητους αλγόριθμους για να διακρίνουν την κατηγοριοποίηση μεταξύ αντικειμένων και συμπεριφορών, σε σχέση με το πόσο επηρεάζουν την ασφάλεια. Κάτι, που είχε ως αποτέλεσμα, είτε διάφορες παραλήψεις στην ασφάλεια, είτε εσφαλμένους συναγερμούς.

Οι δυνατότητες όμως των αλγορίθμων Deep Learning, επιτρέπουν την απεικόνιση μιας σκηνής διαισθητικά – όπως δηλαδή ένας άνθρωπος – και ενισχύουν την ακρίβεια στην ανίχνευση αντικειμένων και συμπεριφορών που απειλούν την ασφάλεια, ενώ παράλληλά μειώνουν στο ελάχιστο τα ποσοστά των εσφαλμένων συναγερμών.

Τα νευρωνικά δίκτυα επιτυγχάνουν την εφαρμογή μιας σειράς πολλών αξιολογήσεων και κατηγοριοποιήσεων σε μια δεδομένη κατάσταση. Πρόκειται στην ουσία, για μια σημαντική εξέλιξη για τη βιομηχανία των video analytics, που μπορεί να βοηθήσει σημαντικά τις εφαρμογές ασφάλειας – ιδιαίτερα σε κρίσιμες υποδομές, όπου οι απαιτήσεις σε αξιοπιστία και υψηλό επίπεδο προστασίας είναι υψηλές. Έρευνες έχουν δείξει ότι στη πράξη οι αλγόριθμοί deep learning, μπορούν να “μάθουν” να επιτυγχάνουν ακόμα 99,9 % ακρίβεια σε ορισμένες εφαρμογές, όπου τα συμβατικά συστήματα φτάνουν με δυσκολία το 95 %. Σε πολλές εφαρμογές επιτήρησης, αυτές οι λίγες φαινομενικά εκατοστιαίες μονάδες μπορούν να κάνουν την μεγάλη διαφορά.

Το Deep Learning καθιστά εφικτή επίσης την επεξεργασία και ανάλυση εικόνων ενός μεγάλου όγκου περιεχομένου, σε χρόνο πολύ μικρότερο σε σχέση με τα μέχρι πρόσφατα συστήματα ανάλυσης. Το λογισμικό επεξεργασίας βίντεο που χρησιμοποιούν τα συστήματα που βασίζονται στο Deep Learning, επιτρέπει στους χρήστες να αλληλοεπιδρούν με αρχεία βίντεο, αξιοποιώντας ένα περιβάλλον αναζήτησης τύπου Google με όρους αναζήτησης φυσικής γλώσσας, κάτι που μειώνει δραστικά τον χρόνο που απαιτείται για την εύρεση σχετικού αρχείο βίντεο.

Κλείνοντας την αναφορά στο Deep Learning, ο αναλυτής επισήμανε ότι η αναγνώριση προσώπου είναι ένας τομέας που έχει επωφεληθεί σε μεγάλο βαθμό από την συγκεκριμένη αρχιτεκτονική, αυξάνοντας την ακρίβεια των ανιχνεύσεων προσώπων σε ακόμα μεγαλύτερες και πολυπληθέστερες σκηνές. Η εξέλιξη αυτή μπορεί να αλλάξει ριζικά την όλη προσέγγιση στην παρακολούθηση υπόπτων για τρομοκρατικές ενέργειες, επιτρέποντας στις υπηρεσίες και τις αρχές ασφάλειας να εντοπίζουν υπόπτους με πολύ μεγαλύτερη ταχύτητας και αποτελεσματικότητα.