മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിച്ച് ഒരു വീഡിയോ സ്ട്രീമിലെ ടാങ്കുകളുടെ തിരിച്ചറിയൽ (എൽബ്രസ്, ബൈക്കൽ പ്ലാറ്റ്‌ഫോമുകളിലെ +2 വീഡിയോകൾ)

ഞങ്ങളുടെ പ്രവർത്തനങ്ങളിൽ, വികസന മുൻഗണനകൾ നിർണ്ണയിക്കുന്നതിനുള്ള പ്രശ്നം ഞങ്ങൾ ദിനംപ്രതി അഭിമുഖീകരിക്കുന്നു. ഐടി വ്യവസായത്തിന്റെ വികസനത്തിന്റെ ഉയർന്ന ചലനാത്മകത, പുതിയ സാങ്കേതികവിദ്യകൾക്കായി ബിസിനസിൽ നിന്നും സർക്കാരിൽ നിന്നും നിരന്തരം വർദ്ധിച്ചുവരുന്ന ആവശ്യം കണക്കിലെടുത്ത്, ഓരോ തവണയും ഞങ്ങൾ വികസനത്തിന്റെ വെക്റ്റർ നിർണ്ണയിക്കുകയും ഞങ്ങളുടെ കമ്പനിയുടെ ശാസ്ത്രീയ സാധ്യതകളിൽ സ്വന്തം ശക്തികളും ഫണ്ടുകളും നിക്ഷേപിക്കുകയും ചെയ്യുന്നു. ഞങ്ങളുടെ എല്ലാ ഗവേഷണങ്ങളും പ്രോജക്ടുകളും അടിസ്ഥാനപരവും ഇന്റർ ഡിസിപ്ലിനറി സ്വഭാവവുമാണ്.

അതിനാൽ, ഞങ്ങളുടെ പ്രധാന സാങ്കേതികവിദ്യയായ ഹൈറോഗ്ലിഫ് ഡാറ്റ തിരിച്ചറിയൽ ചട്ടക്കൂട് വികസിപ്പിക്കുന്നതിലൂടെ, ഡോക്യുമെന്റ് തിരിച്ചറിയലിന്റെ (ഞങ്ങളുടെ പ്രധാന ബിസിനസ്സ് ലൈൻ) ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നതിലും ബന്ധപ്പെട്ട തിരിച്ചറിയൽ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് സാങ്കേതികവിദ്യ ഉപയോഗിക്കുന്നതിനുള്ള സാധ്യതയെക്കുറിച്ചും ഞങ്ങൾ ആശങ്കാകുലരാണ്. ഇന്നത്തെ ലേഖനത്തിൽ, ഞങ്ങളുടെ തിരിച്ചറിയൽ എഞ്ചിൻ (പ്രമാണങ്ങൾ) അടിസ്ഥാനമാക്കി, ഒരു വീഡിയോ സ്ട്രീമിലെ വലിയ, തന്ത്രപ്രധാനമായ ഒബ്ജക്റ്റുകൾ ഞങ്ങൾ എങ്ങനെ തിരിച്ചറിഞ്ഞുവെന്ന് നിങ്ങളോട് പറയും.

പ്രശ്ന പ്രസ്താവന

നിലവിലുള്ള സംഭവവികാസങ്ങൾ ഉപയോഗിച്ച്, ഒരു ഒബ്ജക്റ്റ് വർഗ്ഗീകരിക്കുന്നത് സാധ്യമാക്കുന്ന ഒരു ടാങ്ക് തിരിച്ചറിയൽ സംവിധാനം നിർമ്മിക്കുക, കൂടാതെ പ്രത്യേക ഉപകരണങ്ങൾ ഉപയോഗിക്കാതെ മോശമായി നിയന്ത്രിത സാഹചര്യങ്ങളിൽ അടിസ്ഥാന ജ്യാമിതീയ സൂചകങ്ങൾ (ഓറിയന്റേഷനും ദൂരവും) നിർണ്ണയിക്കുക.

തീരുമാനം

പ്രശ്നം പരിഹരിക്കുന്നതിനുള്ള പ്രധാന അൽഗോരിതമായി ഞങ്ങൾ സ്റ്റാറ്റിസ്റ്റിക്കൽ മെഷീൻ ലേണിംഗ് സമീപനം തിരഞ്ഞെടുത്തു. എന്നാൽ മെഷീൻ ലേണിംഗിന്റെ പ്രധാന പ്രശ്നങ്ങളിലൊന്ന് മതിയായ പരിശീലന ഡാറ്റയുടെ ആവശ്യകതയാണ്. നമുക്ക് ആവശ്യമുള്ള വസ്തുക്കൾ അടങ്ങിയ യഥാർത്ഥ ദൃശ്യങ്ങളിൽ നിന്ന് ലഭിക്കുന്ന സ്വാഭാവിക ചിത്രങ്ങൾ നമുക്ക് ലഭ്യമല്ലെന്ന് വ്യക്തം. അതിനാൽ, പരിശീലനത്തിന് ആവശ്യമായ ഡാറ്റ സൃഷ്ടിക്കാൻ അവലംബിക്കാൻ തീരുമാനിച്ചു, ഭാഗ്യവശാൽ ഈ സ്ഥലത്ത് ഞങ്ങൾക്ക് ധാരാളം അനുഭവങ്ങളുണ്ട്. എന്നിട്ടും, ഈ ടാസ്ക്കിനായി ഡാറ്റ പൂർണ്ണമായും സമന്വയിപ്പിക്കാൻ ഞങ്ങൾക്ക് അസ്വാഭാവികമായി തോന്നി, അതിനാൽ യഥാർത്ഥ ദൃശ്യങ്ങൾ അനുകരിക്കാൻ ഒരു പ്രത്യേക ലേഔട്ട് തയ്യാറാക്കി. മോഡലിൽ ഗ്രാമപ്രദേശങ്ങളെ അനുകരിക്കുന്ന വിവിധ വസ്തുക്കൾ അടങ്ങിയിരിക്കുന്നു: സ്വഭാവ സവിശേഷതകളുള്ള ലാൻഡ്സ്കേപ്പ്, കുറ്റിക്കാടുകൾ, മരങ്ങൾ, വേലികൾ മുതലായവ. ചെറിയ ഫോർമാറ്റ് ഡിജിറ്റൽ ക്യാമറ ഉപയോഗിച്ചാണ് ചിത്രങ്ങൾ പകർത്തിയത്. ഇമേജ് ക്യാപ്‌ചർ പ്രക്രിയയ്ക്കിടെ, പശ്ചാത്തല മാറ്റങ്ങളിലേക്ക് അൽഗോരിതങ്ങൾ കൂടുതൽ ശക്തമാക്കുന്നതിന് സീനിന്റെ പശ്ചാത്തലം ഗണ്യമായി മാറി.

ടി-4 (റഷ്യ), എം 90 എ 1 അബ്രാംസ് (യുഎസ്എ), ടി -2 (റഷ്യ), മെർക്കാവ III (ഇസ്രായേൽ) എന്നീ 14 മോഡലുകൾ യുദ്ധ ടാങ്കുകളായിരുന്നു ലക്ഷ്യം. വസ്തുക്കൾ ബഹുഭുജത്തിന്റെ വിവിധ സ്ഥാനങ്ങളിൽ സ്ഥിതിചെയ്യുന്നു, അതുവഴി വസ്തുവിന്റെ സ്വീകാര്യമായ ദൃശ്യ കോണുകളുടെ പട്ടിക വികസിപ്പിക്കുന്നു. എഞ്ചിനീയറിംഗ് തടസ്സങ്ങൾ, മരങ്ങൾ, കുറ്റിക്കാടുകൾ, മറ്റ് ലാൻഡ്സ്കേപ്പ് ഘടകങ്ങൾ എന്നിവ ഒരു പ്രധാന പങ്ക് വഹിച്ചു.

അങ്ങനെ, ഏതാനും ദിവസങ്ങൾക്കുള്ളിൽ, പരിശീലനത്തിനും തുടർന്നുള്ള അൽഗോരിതത്തിന്റെ ഗുണനിലവാരം വിലയിരുത്തുന്നതിനും ആവശ്യമായ ഒരു സെറ്റ് ഞങ്ങൾ ശേഖരിച്ചു (നിരവധി പതിനായിരക്കണക്കിന് ചിത്രങ്ങൾ).

തിരിച്ചറിയൽ തന്നെ രണ്ട് ഭാഗങ്ങളായി വിഭജിക്കാൻ അവർ തീരുമാനിച്ചു: ഒബ്ജക്റ്റ് ലോക്കലൈസേഷൻ, ഒബ്ജക്റ്റ് ക്ലാസിഫിക്കേഷൻ. പരിശീലനം ലഭിച്ച വിയോള, ജോൺസ് ക്ലാസിഫയർ ഉപയോഗിച്ചാണ് പ്രാദേശികവൽക്കരണം നടത്തിയത് (എല്ലാത്തിനുമുപരി, ഒരു ടാങ്ക് ഒരു സാധാരണ കർക്കശ വസ്തുവാണ്, മുഖത്തേക്കാൾ മോശമല്ല, അതിനാൽ വിയോളയുടെയും ജോൺസിന്റെയും "വിശദാംശ-അന്ധ" രീതി ടാർഗെറ്റ് ഒബ്ജക്റ്റിനെ വേഗത്തിൽ പ്രാദേശികവൽക്കരിക്കുന്നു). എന്നാൽ കോണിന്റെ വർഗ്ഗീകരണവും നിർണ്ണയവും ഞങ്ങൾ ഒരു കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കിലേക്ക് ഏൽപ്പിച്ചു - ഈ ടാസ്ക്കിൽ, ഡി -90 നെ മെർക്കാവയിൽ നിന്ന് വേർതിരിക്കുന്ന സവിശേഷതകൾ ഡിറ്റക്ടർ വിജയകരമായി തിരിച്ചറിയുന്നത് ഞങ്ങൾക്ക് പ്രധാനമാണ്. തൽഫലമായി, ഒരേ തരത്തിലുള്ള വസ്തുക്കളുടെ പ്രാദേശികവൽക്കരണത്തിന്റെയും വർഗ്ഗീകരണത്തിന്റെയും പ്രശ്നം വിജയകരമായി പരിഹരിക്കുന്ന അൽഗോരിതങ്ങളുടെ ഫലപ്രദമായ ഘടന നിർമ്മിക്കാൻ സാധിച്ചു.

അടുത്തതായി, ഞങ്ങളുടെ നിലവിലുള്ള എല്ലാ പ്ലാറ്റ്‌ഫോമുകളിലും (Intel, ARM, Elbrus, Baikal, KOMDIV) തത്ഫലമായുണ്ടാകുന്ന പ്രോഗ്രാം ഞങ്ങൾ സമാരംഭിച്ചു, പ്രകടനം വർദ്ധിപ്പിക്കുന്നതിനായി കമ്പ്യൂട്ടേഷണലി ബുദ്ധിമുട്ടുള്ള അൽഗോരിതങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്തു (ഞങ്ങളുടെ ലേഖനങ്ങളിൽ ഇതിനെക്കുറിച്ച് ഞങ്ങൾ ഇതിനകം നിരവധി തവണ എഴുതിയിട്ടുണ്ട്, ഉദാഹരണത്തിന് ഇവിടെ https://habr.com/ru/company/smartengines/blog/438948/ അഥവാ https://habr.com/ru/company/smartengines/blog/351134/) കൂടാതെ തത്സമയം ഉപകരണത്തിൽ പ്രോഗ്രാമിന്റെ സ്ഥിരമായ പ്രവർത്തനം കൈവരിച്ചു.

വിവരിച്ച എല്ലാ പ്രവർത്തനങ്ങളുടെയും ഫലമായി, കാര്യമായ തന്ത്രപരവും സാങ്കേതികവുമായ സവിശേഷതകളുള്ള ഒരു സമ്പൂർണ്ണ സോഫ്റ്റ്വെയർ ഉൽപ്പന്നം ഞങ്ങൾക്ക് ലഭിച്ചു.

സ്മാർട്ട് ടാങ്ക് റീഡർ

അതിനാൽ, ഞങ്ങളുടെ പുതിയ വികസനം ഞങ്ങൾ നിങ്ങൾക്ക് അവതരിപ്പിക്കുന്നു - ഒരു വീഡിയോ സ്ട്രീമിലെ ടാങ്കുകളുടെ ചിത്രങ്ങൾ തിരിച്ചറിയുന്നതിനുള്ള ഒരു പ്രോഗ്രാം സ്മാർട്ട് ടാങ്ക് റീഡർ, ഏത്:

• തന്നിരിക്കുന്ന ഒബ്‌ജക്റ്റുകളുടെ "സുഹൃത്ത് അല്ലെങ്കിൽ ശത്രു" പ്രശ്നം തത്സമയം പരിഹരിക്കുന്നു;
• ജ്യാമിതീയ പാരാമീറ്ററുകൾ നിർണ്ണയിക്കുന്നു (ഒബ്ജക്റ്റിലേക്കുള്ള ദൂരം, വസ്തുവിന്റെ മുൻഗണനയുള്ള ഓറിയന്റേഷൻ);
• അനിയന്ത്രിതമായ കാലാവസ്ഥാ സാഹചര്യങ്ങളിൽ പ്രവർത്തിക്കുന്നു, അതുപോലെ തന്നെ വിദേശ വസ്തുക്കളാൽ വസ്തുവിനെ ഭാഗികമായി തടയുന്ന സാഹചര്യത്തിലും;
• റേഡിയോ ആശയവിനിമയത്തിന്റെ അഭാവത്തിൽ ഉൾപ്പെടെ ടാർഗെറ്റ് ഉപകരണത്തിൽ പൂർണ്ണമായും സ്വയംഭരണ പ്രവർത്തനം;
• പിന്തുണയ്ക്കുന്ന പ്രോസസർ ആർക്കിടെക്ചറുകളുടെ പട്ടിക: എൽബ്രസ്, ബൈക്കൽ, കോംഡിവിവ്, അതുപോലെ x86, x86_64, ARM;
• പിന്തുണയ്ക്കുന്ന ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങളുടെ ലിസ്റ്റ്: Elbrus OS, AstraLinux OS, Atlix OS, അതുപോലെ MS Windows, macOS, gcc 4.8, Android, iOS എന്നിവയെ പിന്തുണയ്ക്കുന്ന വിവിധ ലിനക്സ് വിതരണങ്ങൾ;
• പൂർണ്ണമായും ആഭ്യന്തര വികസനം.

സാധാരണയായി, Habré-യെക്കുറിച്ചുള്ള ഞങ്ങളുടെ ലേഖനങ്ങളുടെ ഉപസംഹാരത്തിൽ, ഞങ്ങൾ മാർക്കറ്റിലേക്ക് ഒരു ലിങ്ക് നൽകുന്നു, അവിടെ അവരുടെ മൊബൈൽ ഫോൺ ഉപയോഗിക്കുന്ന ആർക്കും സാങ്കേതികവിദ്യയുടെ പ്രകടനം യഥാർത്ഥത്തിൽ വിലയിരുത്തുന്നതിന് ആപ്ലിക്കേഷന്റെ ഒരു ഡെമോ പതിപ്പ് ഡൗൺലോഡ് ചെയ്യാം. ഈ സമയം, തത്ഫലമായുണ്ടാകുന്ന ആപ്ലിക്കേഷന്റെ പ്രത്യേകതകൾ കണക്കിലെടുത്ത്, ഞങ്ങളുടെ എല്ലാ വായനക്കാരും അവരുടെ ജീവിതത്തിൽ ഒരിക്കലും ഒരു ടാങ്ക് ഒരു നിശ്ചിത വശത്ത് പെട്ടതാണോ എന്ന് വേഗത്തിൽ നിർണ്ണയിക്കുന്നതിനുള്ള പ്രശ്നം നേരിടരുതെന്ന് ഞങ്ങൾ ആഗ്രഹിക്കുന്നു.

അവലംബം: www.habr.com