In de loop van onze activiteiten worden wij dagelijks geconfronteerd met het probleem van het vaststellen van ontwikkelingsprioriteiten. Gezien de hoge dynamiek van de ontwikkeling van de IT-industrie, de voortdurend toenemende vraag van het bedrijfsleven en de overheid naar nieuwe technologieën, zorgen we er elke keer dat we de ontwikkelingsvector bepalen en onze eigen krachten en fondsen investeren in het wetenschappelijke potentieel van ons bedrijf, voor dat al onze onderzoeken en projecten zijn fundamenteel en interdisciplinair van aard.
Door onze belangrijkste technologie te ontwikkelen - het HIEROGLYPH-framework voor gegevensherkenning, maken we ons daarom zorgen over zowel het verbeteren van de kwaliteit van documentherkenning (onze belangrijkste bedrijfslijn) als over de mogelijkheid om de technologie te gebruiken om gerelateerde herkenningsproblemen op te lossen. In het artikel van vandaag vertellen we je hoe we, op basis van onze herkenningsengine (documenten), grotere, strategisch belangrijke objecten in een videostream konden herkennen.
Formulering van het probleem
Bouw met behulp van bestaande ontwikkelingen een tankherkenningssysteem dat het mogelijk maakt een object te classificeren en geometrische basisindicatoren (oriëntatie en afstand) te bepalen in slecht gecontroleerde omstandigheden zonder het gebruik van gespecialiseerde apparatuur.
beslissing
We kozen voor de statistische machine learning-benadering als het belangrijkste algoritme om het probleem op te lossen. Maar een van de belangrijkste problemen van machinaal leren is de noodzaak om over voldoende trainingsgegevens te beschikken. Het is duidelijk dat natuurlijke beelden die zijn verkregen uit echte scènes met de objecten die we nodig hebben, niet voor ons beschikbaar zijn. Daarom werd besloten om gelukkig de nodige gegevens voor training te genereren . En toch leek het ons onnatuurlijk om de gegevens voor deze taak volledig te synthetiseren, dus werd een speciale lay-out voorbereid om echte scènes te simuleren. Het model bevat verschillende objecten die het platteland nabootsen: karakteristieke landschapsbedekking, struiken, bomen, hekken, etc. De beelden zijn vastgelegd met een digitale camera van klein formaat. Tijdens het beeldopnameproces veranderde de achtergrond van de scène aanzienlijk om de algoritmen robuuster te maken voor achtergrondveranderingen.
De doelobjecten waren 4 modellen gevechtstanks: T-90 (Rusland), M1A2 Abrams (VS), T-14 (Rusland), Merkava III (Israël). Objecten bevonden zich op verschillende posities van de polygoon, waardoor de lijst met acceptabele zichtbare hoeken van het object werd uitgebreid. Technische barrières, bomen, struiken en andere landschapselementen speelden een belangrijke rol.
Zo hebben we binnen een paar dagen een voldoende set verzameld voor training en daaropvolgende evaluatie van de kwaliteit van het algoritme (enkele tienduizenden afbeeldingen).
Ze besloten de herkenning zelf in twee delen te splitsen: objectlokalisatie en objectclassificatie. De lokalisatie werd uitgevoerd met behulp van een getrainde Viola en Jones-classificator (een tank is tenslotte een normaal stijf object, niet slechter dan een gezicht, dus de "detailblinde" methode van Viola en Jones lokaliseert het doelobject snel). Maar we hebben de classificatie en bepaling van de hoek toevertrouwd aan een convolutioneel neuraal netwerk - bij deze taak is het belangrijk voor ons dat de detector met succes die kenmerken identificeert die bijvoorbeeld de T-90 van de Merkava onderscheiden. Als resultaat was het mogelijk om een effectieve samenstelling van algoritmen te construeren die met succes het probleem van lokalisatie en classificatie van objecten van hetzelfde type oplost.
Vervolgens hebben we het resulterende programma gelanceerd op al onze bestaande platforms (Intel, ARM, Elbrus, Baikal, KOMDIV), en hebben we computationeel moeilijke algoritmen geoptimaliseerd om de prestaties te verbeteren (we hebben hier al verschillende keren over geschreven in onze artikelen, bijvoorbeeld hier of ) en zorgde voor een stabiele werking van het programma op het apparaat in realtime.
Als resultaat van alle beschreven acties hebben we een volwaardig softwareproduct verkregen met belangrijke tactische en technische kenmerken.
Slimme tanklezer
Daarom presenteren wij u onze nieuwe ontwikkeling: een programma voor het herkennen van afbeeldingen van tanks in een videostream Slimme tanklezer, welke:
- Lost het ‘vriend of vijand’-probleem voor een gegeven reeks objecten in realtime op;
- Bepaalt geometrische parameters (afstand tot het object, voorkeursoriëntatie van het object);
- Werkt bij ongecontroleerde weersomstandigheden, evenals bij gedeeltelijke blokkering van het object door vreemde voorwerpen;
- Volledig autonome werking op het doelapparaat, ook bij afwezigheid van radiocommunicatie;
- Lijst met ondersteunde processorarchitecturen: Elbrus, Baikal, KOMDIV, evenals x86, x86_64, ARM;
- Lijst met ondersteunde besturingssystemen: Elbrus OS, AstraLinux OS, Atlix OS, evenals MS Windows, macOS, verschillende Linux-distributies die gcc 4.8 ondersteunen, Android, iOS;
- Volledig binnenlandse ontwikkeling.
Meestal geven we in de conclusie van onze artikelen over Habré een link naar de marktplaats, waar iedereen die zijn mobiele telefoon gebruikt een demoversie van de applicatie kan downloaden om de prestaties van de technologie daadwerkelijk te evalueren. Deze keer willen we, rekening houdend met de specifieke kenmerken van de resulterende toepassing, dat al onze lezers nooit in hun leven te maken krijgen met het probleem om snel te bepalen of een tank tot een bepaalde kant behoort.
Bron: www.habr.com