In die loop van ons aktiwiteite kom ons daagliks voor die probleem te staan om ontwikkelingsprioriteite te bepaal. Met inagneming van die hoë dinamika van ontwikkeling van die IT-industrie, die voortdurend toenemende vraag van sakeondernemings en die regering na nuwe tegnologieë, maak ons seker dat elke keer as ons die vektor van ontwikkeling bepaal en ons eie kragte en fondse in die wetenskaplike potensiaal van ons maatskappy belê, al ons navorsing en projekte is fundamenteel en interdissiplinêr van aard.
Daarom, deur ons hooftegnologie te ontwikkel - die HIEROGLYPH-dataherkenningsraamwerk, is ons bekommerd oor beide die verbetering van die kwaliteit van dokumentherkenning (ons hoofsakelyn) en die moontlikheid om die tegnologie te gebruik om verwante herkenningsprobleme op te los. In vandag se artikel sal ons jou vertel hoe ons, gebaseer op ons herkenningsenjin (dokumente), erkenning gemaak het van groter, strategies belangrike voorwerpe in 'n videostroom.
Probleemstelling
Deur bestaande ontwikkelings te gebruik, bou 'n tenkherkenningstelsel wat dit moontlik maak om 'n voorwerp te klassifiseer, asook om basiese meetkundige aanwysers (oriëntasie en afstand) in swak beheerde toestande te bepaal sonder die gebruik van gespesialiseerde toerusting.
besluit
Ons het die statistiese masjienleerbenadering gekies as die hoofalgoritme om die probleem op te los. Maar een van die belangrikste probleme van masjienleer is die behoefte om 'n voldoende hoeveelheid opleidingsdata te hê. Natuurlike beelde wat verkry is van werklike tonele wat die voorwerpe bevat wat ons benodig, is natuurlik nie vir ons beskikbaar nie. Daarom is daar gelukkig besluit om die nodige data vir opleiding te genereer . En tog het dit vir ons onnatuurlik gelyk om die data vir hierdie taak heeltemal te sintetiseer, so 'n spesiale uitleg is voorberei om werklike tonele te simuleer. Die model bevat verskeie voorwerpe wat die platteland simuleer: kenmerkende landskapbedekking, bosse, bome, heinings, ens. Beelde is met 'n kleinformaat digitale kamera geneem. Tydens die beeldvasleggingsproses het die agtergrond van die toneel aansienlik verander om die algoritmes meer robuust te maak vir agtergrondveranderinge.
Die teikenvoorwerpe was 4 modelle van gevegstenks: T-90 (Rusland), M1A2 Abrams (VSA), T-14 (Rusland), Merkava III (Israel). Voorwerpe is op verskillende posisies van die veelhoek geleë, waardeur die lys van aanvaarbare sigbare hoeke van die voorwerp uitgebrei is. Ingenieursversperrings, bome, bosse en ander landskapelemente het 'n beduidende rol gespeel.
Dus, binne 'n paar dae het ons 'n voldoende stel versamel vir opleiding en daaropvolgende evaluering van die kwaliteit van die algoritme (verskeie tienduisende beelde).
Hulle het besluit om die herkenning self in twee dele te verdeel: objeklokalisering en objekklassifikasie. Lokalisering is uitgevoer met behulp van 'n opgeleide Viola en Jones-klassifiseerder ('n tenk is immers 'n normale rigiede voorwerp, nie erger as 'n gesig nie, so die "detail-blind" metode van Viola en Jones lokaliseer vinnig die teikenvoorwerp). Maar ons het die klassifikasie en bepaling van die hoek aan 'n konvolusionele neurale netwerk toevertrou - in hierdie taak is dit vir ons belangrik dat die detektor daardie kenmerke suksesvol identifiseer wat byvoorbeeld die T-90 van die Merkava onderskei. As gevolg hiervan was dit moontlik om 'n effektiewe samestelling van algoritmes te konstrueer wat die probleem van lokalisering en klassifikasie van voorwerpe van dieselfde tipe suksesvol oplos.
Vervolgens het ons die gevolglike program op al ons bestaande platforms (Intel, ARM, Elbrus, Baikal, KOMDIV) bekendgestel, geoptimaliseerde berekeningsmoeilike algoritmes om werkverrigting te verhoog (ons het al verskeie kere hieroor geskryf in ons artikels, byvoorbeeld hier of ) en het intyds stabiele werking van die program op die toestel behaal.
As gevolg van al die beskryfde aksies het ons 'n volwaardige sagtewareproduk met beduidende taktiese en tegniese eienskappe verkry.
Slim tenkleser
Dus, ons bied aan u ons nuwe ontwikkeling - 'n program om beelde van tenks in 'n videostroom te herken Slim tenkleser, watter:
- Los die "vriend of vyand" probleem vir 'n gegewe stel voorwerpe in reële tyd op;
- Bepaal meetkundige parameters (afstand tot die voorwerp, voorkeuroriëntasie van die voorwerp);
- Werk in onbeheerde weerstoestande, sowel as in die geval van gedeeltelike blokkering van die voorwerp deur vreemde voorwerpe;
- Ten volle outonome werking op die teikentoestel, insluitend in die afwesigheid van radiokommunikasie;
- Lys van ondersteunde verwerker-argitekture: Elbrus, Baikal, KOMDIV, sowel as x86, x86_64, ARM;
- Lys van ondersteunde bedryfstelsels: Elbrus OS, AstraLinux OS, Atlix OS, sowel as MS Windows, macOS, verskeie Linux-verspreidings wat gcc 4.8, Android, iOS ondersteun;
- Heeltemal huishoudelike ontwikkeling.
Gewoonlik, in die slot van ons artikels oor Habré, verskaf ons 'n skakel na die mark, waar enigiemand wat hul selfoon gebruik 'n demo-weergawe van die toepassing kan aflaai om die prestasie van die tegnologie werklik te evalueer. Hierdie keer, met inagneming van die besonderhede van die gevolglike aansoek, wens ons dat al ons lesers nooit in hul lewens die probleem in die gesig staar om vinnig te bepaal of 'n tenk aan 'n sekere kant behoort nie.
Bron: will.com