Pri svojem delovanju se vsakodnevno srečujemo s problemom določanja razvojnih prioritet. Glede na visoko dinamiko razvoja IT industrije, nenehno naraščajoče povpraševanje gospodarstva in vlade po novih tehnologijah, vsakič, ko določimo vektor razvoja in vložimo lastne sile in sredstva v znanstveni potencial našega podjetja, poskrbimo, da vse naše raziskave in projekti so temeljne in interdisciplinarne narave.
Zato z razvojem naše glavne tehnologije - ogrodja za prepoznavanje podatkov HIEROGLYPH skrbimo tako za izboljšanje kakovosti prepoznavanja dokumentov (naša glavna poslovna linija) kot za možnost uporabe tehnologije za reševanje s tem povezanih težav pri prepoznavanju. V današnjem članku vam bomo povedali, kako smo na podlagi našega mehanizma za prepoznavanje (dokumentov) naredili prepoznavanje večjih, strateško pomembnih objektov v video toku.
Izjava o težavah
Z obstoječim razvojem zgradite sistem za prepoznavanje rezervoarjev, ki omogoča klasifikacijo predmeta in določanje osnovnih geometrijskih kazalcev (orientacija in razdalja) v slabo nadzorovanih pogojih brez uporabe specializirane opreme.
odločitev
Kot glavni algoritem za reševanje problema smo izbrali pristop statističnega strojnega učenja. Toda ena od ključnih težav strojnega učenja je potreba po zadostni količini podatkov o usposabljanju. Očitno nam naravne slike, pridobljene iz resničnih prizorov, ki vsebujejo predmete, ki jih potrebujemo, niso na voljo. Zato je bilo odločeno, da se na srečo zateče k pridobivanju potrebnih podatkov za usposabljanje . Pa vendar se nam je zdelo nenaravno, da bi podatke za to nalogo popolnoma sintetizirali, zato je bila pripravljena posebna postavitev za simulacijo resničnih prizorov. Model vsebuje različne predmete, ki simulirajo podeželje: značilno pokrajino, grmovje, drevesa, ograje itd. Slike so bile posnete z digitalnim fotoaparatom majhnega formata. Med postopkom zajema slike se je ozadje prizora močno spremenilo, da so algoritmi postali bolj robustni na spremembe ozadja.
Ciljni objekti so bili 4 modeli bojnih tankov: T-90 (Rusija), M1A2 Abrams (ZDA), T-14 (Rusija), Merkava III (Izrael). Objekti so bili locirani na različnih položajih poligona in s tem razširili seznam sprejemljivih vidnih kotov objekta. Pomembno vlogo so imele inženirske ovire, drevesa, grmovje in drugi krajinski elementi.
Tako smo v nekaj dneh zbrali zadosten nabor za usposabljanje in kasnejšo oceno kakovosti algoritma (nekaj deset tisoč slik).
Odločili so se, da samo prepoznavanje razdelijo na dva dela: lokalizacijo objektov in klasifikacijo objektov. Lokalizacija je bila izvedena z uporabo usposobljenega klasifikatorja Viole in Jonesa (navsezadnje je rezervoar običajen tog predmet, nič slabši od obraza, zato metoda Viole in Jonesa »slepa za podrobnosti« hitro lokalizira ciljni predmet). Razvrstitev in določanje kota pa smo zaupali konvolucijski nevronski mreži – pri tej nalogi nam je pomembno, da detektor uspešno identificira tiste lastnosti, po katerih se recimo razlikuje T-90 od Merkave. Posledično je bilo mogoče sestaviti učinkovito sestavo algoritmov, ki uspešno rešuje problem lokalizacije in klasifikacije predmetov iste vrste.
Nato smo nastali program zagnali na vseh naših obstoječih platformah (Intel, ARM, Elbrus, Baikal, KOMDIV), optimizirali računsko težke algoritme za povečanje zmogljivosti (o tem smo že večkrat pisali v naših člankih, npr. tukaj ali ) in dosegel stabilno delovanje programa na napravi v realnem času.
Kot rezultat vseh opisanih dejanj smo dobili popoln programski izdelek s pomembnimi taktičnimi in tehničnimi lastnostmi.
Smart Tank Reader
Torej, predstavljamo vam naš nov razvoj - program za prepoznavanje slik tankov v video toku Smart Tank Reader, ki:
- Reši problem "prijatelj ali sovražnik" za dano skupino predmetov v realnem času;
- Določi geometrijske parametre (razdalja do objekta, prednostna orientacija objekta);
- Deluje v nenadzorovanih vremenskih razmerah, pa tudi v primeru delne blokade objekta s tujimi predmeti;
- Popolnoma avtonomno delovanje na ciljni napravi, tudi v odsotnosti radijske komunikacije;
- Seznam podprtih procesorskih arhitektur: Elbrus, Baikal, KOMDIV, pa tudi x86, x86_64, ARM;
- Seznam podprtih operacijskih sistemov: Elbrus OS, AstraLinux OS, Atlix OS, pa tudi MS Windows, macOS, različne distribucije Linuxa, ki podpirajo gcc 4.8, Android, iOS;
- Popolnoma domači razvoj.
Običajno v zaključku naših člankov na Habréju ponudimo povezavo do tržnice, kjer lahko vsak, ki uporablja svoj mobilni telefon, prenese demo različico aplikacije, da dejansko oceni učinkovitost tehnologije. Tokrat, upoštevajoč posebnosti nastale aplikacije, vsem našim bralcem želimo, da se nikoli v življenju ne soočijo s problemom hitrega ugotavljanja pripadnosti tanka določeni strani.
Vir: www.habr.com