Toimintamme aikana kohtaamme päivittäin kehittämisen painopisteiden määrittämisen ongelman. Ottaen huomioon IT-alan korkean kehityksen dynamiikan, yritysten ja valtion jatkuvasti kasvavan uusien teknologioiden kysynnän, joka kerta kun määritämme kehityksen vektorin ja sijoitamme omat voimamme ja varojamme yrityksemme tieteelliseen potentiaaliin, varmistamme, että kaikki tutkimuksemme ja projektimme ovat perustavanlaatuisia ja monitieteisiä.
Siksi kehittämällä pääteknologiaamme - HIEROGLYPH-tiedontunnistuskehystä, olemme huolissamme sekä asiakirjojen tunnistuksen laadun parantamisesta (pääliiketoimintalinjamme) että mahdollisuudesta käyttää tekniikkaa siihen liittyvien tunnistusongelmien ratkaisemiseen. Tämän päivän artikkelissa kerromme, kuinka tunnistusmoottorimme (asiakirjojen) perusteella tunnistimme videostreamissa suuremmat, strategisesti tärkeät kohteet.
Ongelma
Rakenna olemassa olevan kehityksen avulla säiliön tunnistusjärjestelmä, joka mahdollistaa kohteen luokittelun sekä geometristen perusindikaattoreiden (suunnan ja etäisyyden) määrittämisen huonosti valvotuissa olosuhteissa ilman erikoislaitteita.
päätös
Valitsimme tilastollisen koneoppimislähestymistavan pääalgoritmiksi ongelman ratkaisemiseksi. Mutta yksi koneoppimisen keskeisistä ongelmista on tarve saada riittävästi koulutusdataa. On selvää, että todellisista kohtauksista saadut luonnolliset kuvat, jotka sisältävät tarvitsemamme esineet, eivät ole käytettävissämme. Siksi päätettiin onneksi turvautua tarvittavien tietojen tuottamiseen harjoittelua varten . Ja silti, meistä tuntui luonnottomalta syntetisoida tiedot kokonaan tätä tehtävää varten, joten valmistettiin erityinen asettelu oikeiden kohtausten simuloimiseksi. Malli sisältää erilaisia maaseutua simuloivia esineitä: tunnusomaista maisemapeitettä, pensaita, puita, aitoja jne. Kuvat on otettu pienellä digitaalikameralla. Kuvanottoprosessin aikana kohtauksen tausta muuttui merkittävästi, jotta algoritmit olisivat kestävämpiä taustamuutoksille.
Kohteena oli neljä taistelupanssarimallia: T-4 (Venäjä), M90A1 Abrams (USA), T-2 (Venäjä), Merkava III (Israel). Objektit sijaitsivat monikulmion eri paikoissa, mikä laajentaa kohteen hyväksyttävien näkyvien kulmien luetteloa. Teknisillä esteillä, puilla, pensailla ja muilla maisemaelementeillä oli merkittävä rooli.
Keräsimme siis parissa päivässä riittävän sarjan koulutukseen ja sen jälkeen algoritmin laadun arviointiin (useita kymmeniä tuhansia kuvia).
He päättivät jakaa tunnistuksen kahteen osaan: objektin lokalisointiin ja objektien luokitukseen. Lokalisointi suoritettiin koulutetulla Viola and Jones -luokittimella (tankki on loppujen lopuksi normaali jäykkä esine, ei huonompi kuin kasvot, joten Violan ja Jonesin "detail-blind" -menetelmä paikallistaa kohdeobjektin nopeasti). Mutta uskoimme luokittelun ja kulman määrittämisen konvoluutiohermoverkkoon - tässä tehtävässä meille on tärkeää, että ilmaisin tunnistaa onnistuneesti ne piirteet, jotka esimerkiksi erottavat T-90:n Merkavasta. Tuloksena oli mahdollista rakentaa tehokas algoritmien koostumus, joka ratkaisee onnistuneesti samantyyppisten objektien lokalisointi- ja luokitteluongelman.
Seuraavaksi käynnistimme tuloksena olevan ohjelman kaikilla olemassa olevilla alustoillamme (Intel, ARM, Elbrus, Baikal, KOMDIV), optimoimme laskennallisesti vaikeita algoritmeja suorituskyvyn lisäämiseksi (olemme kirjoittaneet tästä jo useita kertoja artikkeleissamme, esimerkiksi täällä tai ) ja saavutti ohjelman vakaan toiminnan laitteessa reaaliajassa.
Kaikkien kuvattujen toimien tuloksena olemme saaneet täysimittaisen ohjelmistotuotteen, jolla on merkittävät taktiset ja tekniset ominaisuudet.
Smart Tank Reader
Joten esittelemme sinulle uuden kehitystyömme - ohjelman tankkien kuvien tunnistamiseen videovirrassa Smart Tank Reader, joka:
- Ratkaisee "ystävä tai vihollinen" -ongelman tietylle esinejoukolle reaaliajassa;
- Määrittää geometriset parametrit (etäisyys kohteeseen, kohteen ensisijainen suunta);
- Toimii hallitsemattomissa sääolosuhteissa sekä siinä tapauksessa, että esineet tukkivat osittain vieraita esineitä;
- Täysin itsenäinen toiminta kohdelaitteessa, myös radioviestinnän puuttuessa;
- Luettelo tuetuista prosessoriarkkitehtuureista: Elbrus, Baikal, KOMDIV sekä x86, x86_64, ARM;
- Luettelo tuetuista käyttöjärjestelmistä: Elbrus OS, AstraLinux OS, Atlix OS sekä MS Windows, macOS, erilaiset gcc 4.8:a tukevat Linux-jakelut, Android, iOS;
- Täysin kotimaista kehitystä.
Yleensä Habré-artikkelidemme päätteeksi tarjoamme linkin markkinapaikkaan, josta jokainen matkapuhelintaan käyttävä voi ladata sovelluksen demoversion arvioidakseen tekniikan suorituskykyä. Tällä kertaa, ottaen huomioon tuloksena saadun sovelluksen erityispiirteet, toivomme, että kaikki lukijat eivät koskaan elämässään kohtaa ongelmaa, joka liittyy siihen, että säiliön kuuluvuus tietylle puolelle voidaan määrittää nopeasti.
Lähde: will.com