በኤቲኤም ውስጥ በእጅ የተሸፈነው የመግቢያ ፒን ኮድ ከቪዲዮ ቀረጻ የመወሰን ዘዴ

የፓዱዋ ዩኒቨርሲቲ (ጣሊያን) እና የዴልፍት ዩኒቨርሲቲ (ኔዘርላንድ) የተመራማሪዎች ቡድን በእጅ በተሸፈነ የኤቲኤም የመግቢያ ቦታ ላይ የገባውን ፒን ኮድ እንደገና ለመገንባት የማሽን መማሪያን ለመጠቀም የሚያስችል ዘዴ አሳትመዋል። . ባለ 4-አሃዝ ፒን ኮድ በሚያስገቡበት ጊዜ ትክክለኛውን ኮድ የመተንበይ እድሉ 41% ሲሆን ይህም ከመታገዱ በፊት ሶስት ሙከራዎችን የማድረግ እድልን ግምት ውስጥ በማስገባት ነው. ለባለ 5 አሃዝ ፒን ኮዶች፣ የመተንበይ እድሉ 30% ነበር። 78 በጎ ፈቃደኞች ከተመሳሳይ የተቀረጹ ቪዲዮዎች ፒን ኮድ ለመተንበይ የሞከሩበት የተለየ ሙከራ ተካሂዷል። በዚህ ሁኔታ, የተሳካ ትንበያ እድል ከሶስት ሙከራዎች በኋላ 7.92% ነበር.

የኤቲኤም ዲጂታል ፓኔል በመዳፍዎ ሲሸፍኑ ግብአቱ የተሠራበት የእጅ ክፍል ሳይሸፈን ይቀራል፣ ይህም የእጁን ቦታ በመቀየር እና ሙሉ በሙሉ ያልተሸፈኑ ጣቶችን በመቀየር ክሊኮችን ለመተንበይ በቂ ነው። የእያንዳንዱን አሃዝ ግብአት ሲተነተን ስርዓቱ የሸፈነው እጅ ያለበትን ቦታ ግምት ውስጥ በማስገባት ሊጫኑ የማይችሉ ቁልፎችን ያስወግዳል እንዲሁም የመጫኛ እጁን አቀማመጥ ከቁልፎቹ አቀማመጥ አንጻር ሲታይ በጣም ብዙ ሊሆኑ የሚችሉ አማራጮችን ያሰላል. . የግቤትን የማወቅ እድል ለመጨመር የቁልፍ ጭነቶች ድምጽ በተጨማሪ ሊቀዳ ይችላል ይህም ለእያንዳንዱ ቁልፍ ትንሽ የተለየ ነው.

ሙከራው በ LSTM (የረዥም ጊዜ ማህደረ ትውስታ) አርክቴክቸር ላይ የተመሰረተ ኮንቮሉሽን ኒዩራል ኔትወርክ (ሲኤንኤን) እና ተደጋጋሚ የነርቭ ኔትወርክን በመጠቀም የማሽን መማሪያ ዘዴን ተጠቅሟል። የ CNN አውታረ መረብ ለእያንዳንዱ ፍሬም የመገኛ ቦታ መረጃን የማውጣት ሃላፊነት ነበረው እና የ LSTM አውታረመረብ ይህንን ውሂብ ጊዜ-ተለዋዋጭ ቅጦችን ለማውጣት ተጠቅሞበታል። ሞዴሉ በተሳታፊዎች የተመረጡ የግቤት ሽፋን ዘዴዎችን በመጠቀም 58 የተለያዩ ሰዎች ፒን ኮድ በሚያስገቡበት ቪዲዮ ላይ የሰለጠኑ ናቸው (እያንዳንዱ ተሳታፊ 100 የተለያዩ ኮዶችን አስገብቷል ፣ ማለትም ፣ 5800 የግቤት ምሳሌዎች ለስልጠና ጥቅም ላይ ውለዋል)። በስልጠናው ወቅት አብዛኛው ተጠቃሚ ከሶስቱ ዋና ዋና የግብአት መሸፈኛ ዘዴዎች አንዱን እንደሚጠቀም ተገልጧል።

የማሽን መማሪያ ሞዴሉን ለማሰልጠን በXeon E5-2670 ፕሮሰሰር ላይ የተመሰረተ አገልጋይ 128 ጂቢ ራም እና ሶስት ቴስላ K20m ካርዶች እያንዳንዳቸው 5ጂቢ ሚሞሪ ያላቸው ናቸው። የሶፍትዌር ክፍሉ የኬራስ ቤተ-መጽሐፍትን እና የ Tensorflow መድረክን በመጠቀም በፓይዘን ተጽፏል። የኤቲኤም ግብዓት ፓነሎች የተለያዩ ስለሆኑ እና የትንበያ ውጤቱ እንደ ቁልፍ መጠን እና ቶፖሎጂ ባሉ ባህሪያት ላይ ስለሚወሰን ለእያንዳንዱ የፓነል አይነት የተለየ ስልጠና ያስፈልጋል።

ከታቀደው የጥቃት ዘዴ ለመከላከል እንደ እርምጃዎች ከተቻለ ከ 5 ይልቅ ባለ 4 አሃዞች ፒን ኮድ እንዲጠቀሙ ይመከራል እና እንዲሁም በተቻለ መጠን ብዙ የግቤት ቦታን በእጅዎ ለመሸፈን ይሞክሩ (ዘዴው ውጤታማ ከሆነ ይቀጥላል) 75% የሚሆነው የግቤት ቦታ በእጅዎ የተሸፈነ ነው). የኤቲኤም አምራቾች ግብዓትን የሚደብቁ ልዩ የመከላከያ ስክሪኖችን እንዲጠቀሙ ይመከራሉ, እንዲሁም ሜካኒካል ሳይሆን የግቤት ፓነሎችን ይንኩ, የቁጥሮች አቀማመጥ በዘፈቀደ ይለዋወጣል.

ምንጭ: opennet.ru