Oma tegevuse käigus puutume igapäevaselt kokku arenguprioriteetide määramise probleemiga. Arvestades IT-tööstuse suurt arengudünaamikat, ettevõtete ja valitsuse pidevalt kasvavat nõudlust uute tehnoloogiate järele, siis iga kord, kui määrame kindlaks arenguvektori ning investeerime oma jõud ja raha oma ettevõtte teaduslikku potentsiaali, veendume, et kõik meie uuringud ja projektid on fundamentaalsed ja interdistsiplinaarsed.
Seetõttu oleme oma põhitehnoloogiat - HIEROGLYPH andmetuvastusraamistikku arendades mures nii dokumentide tuvastamise kvaliteedi (meie põhitegevusala) parandamise kui ka tehnoloogia kasutamise võimaluse pärast sellega seotud tuvastamisprobleemide lahendamisel. Tänases artiklis räägime teile, kuidas me oma tuvastusmootori (dokumentide) põhjal tegime videovoos suuremate strateegiliselt oluliste objektide äratundmise.
Probleemi avaldus
Olemasolevate arenduste abil ehitage tankituvastussüsteem, mis võimaldab halvasti kontrollitud tingimustes ilma spetsiaalseid seadmeid kasutamata klassifitseerida objekti, samuti määrata põhilised geomeetrilised näitajad (orientatsioon ja kaugus).
otsus
Peamiseks probleemi lahendamise algoritmiks valisime statistilise masinõppe lähenemisviisi. Kuid masinõppe üks põhiprobleeme on vajadus piisava hulga koolitusandmete järele. Ilmselgelt pole meile kättesaadavad looduspildid, mis on saadud reaalsetest stseenidest, mis sisaldavad meile vajalikke objekte. Seetõttu otsustati õnneks kasutada koolituseks vajalike andmete genereerimist . Ja veel, tundus meile ebaloomulik selle ülesande jaoks andmete täielik sünteesimine, nii et tegelike stseenide simuleerimiseks valmistati ette spetsiaalne paigutus. Mudel sisaldab erinevaid maaelu simuleerivaid objekte: iseloomulik maastikukate, põõsad, puud, piirded jne. Pildid on jäädvustatud väikese formaadi digikaameraga. Pildistamise protsessi käigus muutus stseeni taust oluliselt, et muuta algoritmid taustamuutustele vastupidavamaks.
Sihtobjektideks olid 4 lahingutankide mudelit: T-90 (Venemaa), M1A2 Abrams (USA), T-14 (Venemaa), Merkava III (Iisrael). Objektid paiknesid polügooni erinevates kohtades, laiendades seeläbi objekti vastuvõetavate nähtavate nurkade loendit. Olulist rolli mängisid tehnilised tõkked, puud, põõsad ja muud maastikuelemendid.
Nii kogusime paari päevaga piisava komplekti koolituseks ja järgnevaks algoritmi kvaliteedi hindamiseks (mitukümmend tuhat pilti).
Nad otsustasid jagada äratundmise kaheks osaks: objekti lokaliseerimine ja objektide klassifikatsioon. Lokaliseerimine viidi läbi koolitatud Viola ja Jonesi klassifikaatori abil (lõppude lõpuks on tank tavaline jäik objekt, mitte halvem kui nägu, nii et Viola ja Jonesi “detail-pime” meetod lokaliseerib sihtobjekti kiiresti). Kuid me usaldasime nurga klassifitseerimise ja määramise konvolutsioonilisele närvivõrgule - selle ülesande puhul on meie jaoks oluline, et detektor tuvastaks edukalt need omadused, mis eristavad näiteks T-90 Merkavast. Selle tulemusena oli võimalik konstrueerida efektiivne algoritmide koostis, mis lahendab edukalt sama tüüpi objektide lokaliseerimise ja klassifitseerimise probleemi.
Järgmisena käivitasime saadud programmi kõikidel olemasolevatel platvormidel (Intel, ARM, Elbrus, Baikal, KOMDIV), optimeerisime jõudluse suurendamiseks arvutuslikult raskeid algoritme (oleme sellest juba korduvalt oma artiklites kirjutanud, näiteks siin või ) ja saavutas programmi stabiilse töö seadmes reaalajas.
Kõigi kirjeldatud toimingute tulemusena oleme saanud täisväärtusliku tarkvaratoote, millel on olulised taktikalised ja tehnilised omadused.
Nutikas paagilugeja
Seega tutvustame teile meie uut arendust - programmi tankide kujutiste tuvastamiseks videovoos Nutikas paagilugeja, mis:
- Lahendab reaalajas teatud objektide komplekti "sõbra või vaenlase" probleemi;
- Määrab geomeetrilised parameetrid (kaugus objektist, objekti eelistatud orientatsioon);
- Töötab kontrollimatute ilmastikutingimuste korral, samuti objekti osalise blokeerimise korral võõrkehade poolt;
- Täielikult autonoomne töö sihtseadmel, sealhulgas raadioside puudumisel;
- Toetatud protsessoriarhitektuuride loend: Elbrus, Baikal, KOMDIV, samuti x86, x86_64, ARM;
- Toetatud operatsioonisüsteemide loend: Elbrus OS, AstraLinux OS, Atlix OS, samuti MS Windows, macOS, erinevad gcc 4.8 toetavad Linuxi distributsioonid, Android, iOS;
- Täiesti kodumaine arendus.
Tavaliselt anname oma Habré-teemaliste artiklite kokkuvõttes lingi turuplatsile, kust igaüks, kes kasutab oma mobiiltelefoni, saab alla laadida rakenduse demoversiooni, et hinnata tehnoloogia toimivust. Seekord, võttes arvesse saadud rakenduse spetsiifikat, soovime, et kõik meie lugejad ei puutuks kunagi oma elus silmitsi probleemiga, et teha kindlaks, kas tank kuulub teatud poolele.
Allikas: www.habr.com