Am Laf vun eisen Aktivitéiten sti mir all Dag mam Problem vun der Bestëmmung vun Entwécklungsprioritéiten. Bedenkt vun der héijer Dynamik vun der Entwécklung vun der IT Industrie, déi stänneg wuessend Nofro vu Geschäfter a Regierung fir nei Technologien, all Kéier wann mir de Vektor vun der Entwécklung bestëmmen an eis eege Kräften a Fongen an de wëssenschaftleche Potenzial vun eiser Firma investéieren, suerge mir dofir datt all eis Fuerschung a Projete sinn fundamental an interdisziplinär Natur.
Dofir, duerch d'Entwécklung vun eiser Haapttechnologie - den HIEROGLYPH Datenerkennungsframework, si mir besuergt iwwer d'Verbesserung vun der Qualitéit vun der Dokumenterkennung (eis Haaptgeschäft Linn) an d'Méiglechkeet d'Technologie ze benotzen fir verbonnen Unerkennungsproblemer ze léisen. Am heutegen Artikel wäerte mir Iech soen wéi mir, op Basis vun eisem Unerkennungsmotor (Dokumenter), méi grouss, strategesch wichteg Objeten an engem Videostream unerkennen.
Problemerklärung
Mat der Hëllef vun existente Entwécklungen, bauen en Tankerkennungssystem, deen et méiglech mécht en Objet ze klassifizéieren, wéi och d'Basis geometresch Indikatoren (Orientéierung an Distanz) a schlecht kontrolléierte Bedéngungen ze bestëmmen ouni d'Benotzung vu spezialiséiertem Ausrüstung.
Decisioun
Mir hunn déi statistesch Maschinn Léieren Approche als Haaptalgorithmus gewielt fir de Problem ze léisen. Awer ee vun de Schlësselproblemer vum Maschinnléieren ass de Besoin fir eng genuch Betrag vun Trainingsdaten ze hunn. Natierlech sinn natierlech Biller, déi aus echte Szenen kritt goufen, déi d'Objeten enthalen, déi mir brauchen, fir eis net verfügbar. Dofir gouf decidéiert, fir déi néideg Donnéeën fir Training ze generéieren, glécklecherweis . An awer huet et eis onnatierlech geschéngt fir d'Donnéeën fir dës Aufgab komplett ze synthetiséieren, sou datt e spezielle Layout preparéiert gouf fir real Szenen ze simuléieren. De Modell enthält verschidden Objeten, déi d'Landschaft simuléieren: charakteristesch Landschaftsdeckung, Bëscher, Beem, Fiederen, asw. D'Biller goufen mat engem klengen Format Digitalkamera ageholl. Wärend dem Bildopfangprozess huet den Hannergrond vun der Szen wesentlech geännert fir d'Algorithmen méi robust ze maachen fir Hannergrond Ännerungen.
Zilobjekte waren 4 Modeller vun der Schluecht Panzer: T-90 (Russland), M1A2 Abrams (USA), T-14 (Russland), Merkava III (Israel). D'Objete ware op verschiddene Positiounen vum Polygon lokaliséiert, wouduerch d'Lëscht vun akzeptablen sichtbare Winkele vum Objet erweidert gouf. Eng bedeitend Roll hunn d'Ingenieursbarrièren, Beem, Bëscher an aner Landschaftselementer gespillt.
Also, an e puer Deeg hu mir e genuch Set fir Training a spéider Evaluatioun vun der Qualitéit vum Algorithmus gesammelt (e puer Zéngdausende vu Biller).
Si hunn decidéiert d'Unerkennung selwer an zwee Deeler opzedeelen: Objektlokaliséierung an Objektklassifikatioun. D'Lokalisatioun gouf mat engem ausgebilten Viola a Jones Klassifizéierer duerchgefouert (schliisslech ass en Tank en normale steife Objet, net méi schlëmm wéi e Gesiicht, sou datt d'"Detailblannen" Method vu Viola a Jones séier den Zilobjekt lokaliséiert). Awer mir hunn d'Klassifikatioun an d'Bestëmmung vum Wénkel un engem konvolutionalen neuralen Netzwierk uvertraut - an dëser Aufgab ass et wichteg fir eis datt den Detektor erfollegräich dës Fonctiounen identifizéiert, déi zum Beispill den T-90 vun der Merkava ënnerscheeden. Als Resultat war et méiglech eng effektiv Zesummesetzung vun Algorithmen ze bauen, déi de Problem vun der Lokalisatioun an der Klassifikatioun vun Objeten vun der selwechter Aart erfollegräich léist.
Als nächst hu mir de resultéierende Programm op all eis existent Plattformen (Intel, ARM, Elbrus, Baikal, KOMDIV) lancéiert, optiméiert computationally schwiereg Algorithmen fir d'Performance ze erhéijen (mir hu schonn e puer Mol an eisen Artikelen geschriwwen, zum Beispill hei oder ) an erreecht eng stabil Operatioun vum Programm um Apparat an Echtzäit.
Als Resultat vun all beschriwwenen Aktiounen hu mir e vollwäertege Softwareprodukt mat bedeitende takteschen an technesche Charakteristiken kritt.
Smart Tank Lieser
Also, mir presentéieren Iech eis nei Entwécklung - e Programm fir Biller vun Panzer an engem Video Stream ze erkennen Smart Tank Lieser, déi:
- Léist de "Frënd oder Feind" Problem fir e bestëmmte Set vun Objeten an Echtzäit;
- Bestëmmt geometresch Parameteren (Distanz zum Objet, bevorzugt Orientéierung vum Objet);
- Schafft an onkontrolléiert Wiederkonditiounen, wéi och am Fall vun deelweis Blockéierung vum Objet duerch auslännesch Objeten;
- Ganz autonom Operatioun op der Zil- Apparat, och an der Verontreiung vu Radio Kommunikatioun;
- Lëscht vun ënnerstëtzte Prozessorarchitekturen: Elbrus, Baikal, KOMDIV, souwéi x86, x86_64, ARM;
- Lëscht vun ënnerstëtzte Betribssystemer: Elbrus OS, AstraLinux OS, Atlix OS, souwéi MS Windows, macOS, verschidde Linux Verdeelungen, déi gcc 4.8, Android, iOS ënnerstëtzen;
- Ganz Heem Entwécklung.
Normalerweis, am Ofschloss vun eisen Artikelen iwwer Habré, gi mir e Link op de Maartplaz, wou jidderee mat sengem Handy eng Demo-Versioun vun der Applikatioun erofluede kann fir d'Performance vun der Technologie tatsächlech ze evaluéieren. Dës Kéier, andeems d'Spezifizitéiten vun der resultéierender Applikatioun berécksiichtegt, wënschen mir all eise Lieser ni an hirem Liewen de Problem ze stellen fir séier ze bestëmmen ob en Tank zu enger bestëmmter Säit gehéiert.
Source: will.com