Sajrone kegiatan, saben dina kita ngadhepi masalah kanggo nemtokake prioritas pembangunan. Ngelingi dinamika pangembangan industri IT sing dhuwur, panjaluk sing terus-terusan saka bisnis lan pamrentah kanggo teknologi anyar, saben-saben kita nemtokake vektor pangembangan lan nandur modal pasukan lan dana dhewe ing potensial ilmiah perusahaan, kita nggawe manawa kabeh riset lan proyek kita sifate dhasar lan interdisipliner.
Mulane, kanthi ngembangake teknologi utama kita - kerangka pangenalan data HIEROGLYPH, kita prihatin babagan ningkatake kualitas pangenalan dokumen (garis bisnis utama kita) lan kemungkinan nggunakake teknologi kasebut kanggo ngatasi masalah pangenalan sing gegandhengan. Ing artikel dina iki kita bakal pitutur marang kowe carane, adhedhasar mesin pangenalan (dokumen), kita nggawe pangenalan luwih gedhe, obyek strategis penting ing stream video.
Formulasi masalah
Nggunakake pembangunan sing wis ana, mbangun sistem pangenalan tank sing ndadekake iku bisa kanggo nggolongake obyek, uga nemtokake pratondho geometris dhasar (orientasi lan jarak) ing kahanan sing ora bisa dikontrol tanpa nggunakake peralatan khusus.
kaputusan
Kita milih pendekatan pembelajaran mesin statistik minangka algoritma utama kanggo ngrampungake masalah kasebut. Nanging salah sawijining masalah utama pembelajaran mesin yaiku kabutuhan duwe data latihan sing cukup. Temenan, gambar alami sing dipikolehi saka pemandangan nyata sing ngemot obyek sing dibutuhake ora kasedhiya kanggo kita. Mulane, diputusake kanggo ngasilake data sing dibutuhake kanggo latihan, untunge . Nanging, ketoke ora wajar kanggo kita nyintesis data kanggo tugas iki, mula tata letak khusus disiapake kanggo simulasi adegan nyata. Model kasebut ngemot macem-macem obyek sing simulasi deso: tutup lanskap karakteristik, semak, wit, pager, lsp. Gambar dijupuk nggunakake kamera digital format cilik. Sajrone proses njupuk gambar, latar mburi pemandangan diganti sacara signifikan kanggo nggawe algoritma luwih kuat kanggo owah-owahan latar mburi.
Objek target yaiku 4 model tank perang: T-90 (Rusia), M1A2 Abrams (USA), T-14 (Rusia), Merkava III (Israel). Obyek dumunung ing macem-macem posisi poligon, saΓ©ngga ngembangake dhaptar sudut sing bisa ditrima saka obyek kasebut. Rintangan teknik, wit, semak lan unsur lanskap liyane nduweni peran penting.
Mangkono, ing sawetara dina kita diklumpukake pesawat cekap kanggo latihan lan evaluasi sakteruse saka kualitas algoritma (sawetara puluhan ewu gambar).
Dheweke mutusake kanggo misahake pangenalan kasebut dadi rong bagean: lokalisasi obyek lan klasifikasi obyek. Pelokalan dileksanakake nggunakake klasifikasi Viola lan Jones sing dilatih (sawise kabeh, tank minangka obyek kaku normal, ora luwih elek tinimbang pasuryan, saΓ©ngga metode "buta rinci" Viola lan Jones kanthi cepet nglokalisasi obyek target). Nanging kita dipasrahake klasifikasi lan netepake sudut menyang jaringan syaraf convolutional - ing tugas iki penting kanggo kita detektor kasil ngenali fitur sing, ngomong, mbedakake T-90 saka Merkava. AkibatΓ©, bisa mbangun komposisi algoritma sing efektif sing bisa ngatasi masalah lokalisasi lan klasifikasi obyek saka jinis sing padha.
Sabanjure, kita ngluncurake program sing diasilake ing kabeh platform sing ana (Intel, ARM, Elbrus, Baikal, KOMDIV), ngoptimalake algoritma komputasi sing angel kanggo nambah kinerja (kita wis nulis babagan iki kaping pirang-pirang ing artikel kita, contone ing kene. utawa ) lan entuk operasi stabil program ing piranti ing wektu nyata.
Minangka asil saka kabeh tumindak sing diterangake, kita wis entuk produk piranti lunak lengkap kanthi ciri taktik lan teknis sing signifikan.
Smart Tank Reader
Dadi, kita menehi sampeyan pangembangan anyar - program kanggo ngenali gambar tank ing stream video Smart Tank Reader, kang:
- Ngatasi masalah "kanca utawa mungsuh" kanggo obyek tartamtu ing wektu nyata;
- Nemtokake paramèter geometris (jarak menyang obyek, orientasi obyek sing disenengi);
- Dianggo ing kondisi cuaca sing ora bisa dikendhaleni, uga ing kasus pamblokiran parsial obyek dening obyek manca;
- Operasi kanthi otonom ing piranti target, kalebu ora ana komunikasi radio;
- Dhaptar arsitektur prosesor sing didhukung: Elbrus, Baikal, KOMDIV, uga x86, x86_64, ARM;
- Dhaptar sistem operasi sing didhukung: Elbrus OS, AstraLinux OS, Atlix OS, uga MS Windows, macOS, macem-macem distribusi Linux sing ndhukung gcc 4.8, Android, iOS;
- Pembangunan domestik rampung.
Biasane, ing kesimpulan kanggo artikel kita ing HabrΓ©, kita nyedhiyakake link menyang pasar, ing ngendi sapa wae sing nggunakake ponsel bisa ndownload versi demo aplikasi kasebut supaya bisa ngevaluasi kinerja teknologi kasebut. Wektu iki, kanthi nggatekake spesifikasi aplikasi sing diasilake, kita pengin kabeh para pamaca ora nate ngadhepi masalah kanthi cepet nemtokake manawa tank ana ing sisih tartamtu.
Source: www.habr.com