U svom djelovanju svakodnevno se susrećemo s problemom određivanja prioriteta razvoja. S obzirom na visoku dinamiku razvoja IT industrije, stalno rastuću potražnju gospodarstva i države za novim tehnologijama, svaki put kad odredimo vektor razvoja i uložimo vlastite snage i sredstva u znanstveni potencijal naše tvrtke, brinemo se da sva naša istraživanja i projekti temeljne su i interdisciplinarne prirode.
Stoga, razvijajući našu glavnu tehnologiju - okvir za prepoznavanje podataka HIEROGLYPH, brinemo i za poboljšanje kvalitete prepoznavanja dokumenata (naša glavna poslovna linija) i za mogućnost korištenja tehnologije za rješavanje povezanih problema prepoznavanja. U današnjem članku ćemo vam reći kako smo na temelju našeg mehanizma za prepoznavanje (dokumenti) izvršili prepoznavanje većih, strateški važnih objekata u video streamu.
Formuliranje problema
Koristeći postojeće razvoje, izgradite sustav za prepoznavanje tenkova koji omogućuje klasificiranje objekta, kao i određivanje osnovnih geometrijskih pokazatelja (orijentacija i udaljenost) u slabo kontroliranim uvjetima bez upotrebe specijalizirane opreme.
odluka
Odabrali smo pristup statističkog strojnog učenja kao glavni algoritam za rješavanje problema. Ali jedan od ključnih problema strojnog učenja je potreba za dovoljnom količinom podataka za obuku. Očito, prirodne slike dobivene iz stvarnih scena koje sadrže objekte koji su nam potrebni nisu nam dostupne. Stoga je odlučeno pribjeći generiranju potrebnih podataka za obuku, na sreću . Pa ipak, činilo nam se neprirodnim potpuno sintetizirati podatke za ovaj zadatak, pa je pripremljen poseban izgled za simulaciju stvarnih scena. Model sadrži razne objekte koji simuliraju krajolik: karakterističan krajolik, grmlje, drveće, ograde itd. Slike su snimljene digitalnom kamerom malog formata. Tijekom procesa snimanja slike, pozadina scene značajno se promijenila kako bi algoritmi bili otporniji na promjene pozadine.
Ciljani objekti su bila 4 modela borbenih tenkova: T-90 (Rusija), M1A2 Abrams (SAD), T-14 (Rusija), Merkava III (Izrael). Objekti su smješteni na različitim pozicijama poligona, čime je proširen popis prihvatljivih vidljivih kutova objekta. Inženjerske barijere, drveće, grmlje i drugi elementi krajolika odigrali su značajnu ulogu.
Tako smo u nekoliko dana prikupili dovoljan set za obuku i naknadnu procjenu kvalitete algoritma (nekoliko desetaka tisuća slika).
Odlučili su samo prepoznavanje podijeliti u dva dijela: lokalizaciju objekta i klasifikaciju objekta. Lokalizacija je provedena pomoću uvježbanog klasifikatora Viole i Jonesa (uostalom, tenk je normalan kruti objekt, ništa lošiji od lica, tako da Viola i Jonesova metoda "slijepog detalja" brzo lokalizira ciljni objekt). No, klasifikaciju i određivanje kuta povjerili smo konvolucijskoj neuronskoj mreži - u ovom zadatku važno nam je da detektor uspješno identificira one karakteristike po kojima se, recimo, T-90 razlikuje od Merkave. Kao rezultat toga, bilo je moguće konstruirati učinkovit sastav algoritama koji uspješno rješava problem lokalizacije i klasifikacije objekata iste vrste.
Zatim smo pokrenuli rezultirajući program na svim našim postojećim platformama (Intel, ARM, Elbrus, Baikal, KOMDIV), optimizirali računalno teške algoritme za povećanje performansi (o tome smo već pisali nekoliko puta u našim člancima, na primjer ovdje ili ) i postignut stabilan rad programa na uređaju u stvarnom vremenu.
Kao rezultat svih opisanih radnji dobili smo potpuni programski proizvod sa značajnim taktičko-tehničkim karakteristikama.
Pametni čitač spremnika
Dakle, predstavljamo vam naš novi razvoj - program za prepoznavanje slika tenkova u video streamu Pametni čitač spremnika, koji:
- Rješava problem "prijatelj ili neprijatelj" za određeni skup objekata u stvarnom vremenu;
- Određuje geometrijske parametre (udaljenost do objekta, željenu orijentaciju objekta);
- Radovi u nekontroliranim vremenskim uvjetima, kao iu slučaju djelomičnog blokiranja objekta stranim predmetima;
- Potpuno autonomni rad na ciljnom uređaju, uključujući i odsutnost radio komunikacije;
- Popis podržanih procesorskih arhitektura: Elbrus, Baikal, KOMDIV, kao i x86, x86_64, ARM;
- Popis podržanih operativnih sustava: Elbrus OS, AstraLinux OS, Atlix OS, kao i MS Windows, macOS, razne Linux distribucije koje podržavaju gcc 4.8, Android, iOS;
- Potpuno domaći razvoj.
Obično, u zaključku naših članaka na Habréu, nudimo poveznicu na tržište, gdje svatko tko koristi svoj mobilni telefon može preuzeti demo verziju aplikacije kako bi stvarno procijenio izvedbu tehnologije. Ovog puta, uzimajući u obzir specifičnosti nastale aplikacije, svim našim čitateljima želimo da se nikada u životu ne suoče s problemom brzog utvrđivanja pripadnosti tenka nekoj strani.
Izvor: www.habr.com