Препознавање тенкова у видео стреаму користећи методе машинског учења (+2 видео снимка на платформама Елбрус и Баикал)

У току наших активности свакодневно се суочавамо са проблемом одређивања приоритета развоја. С обзиром на високу динамику развоја ИТ индустрије, стално растућу потражњу привреде и државе за новим технологијама, сваки пут када одредимо вектор развоја и уложимо сопствене снаге и средства у научни потенцијал наше компаније, водимо рачуна да сва наша истраживања и пројекти су фундаменталне и интердисциплинарне природе.

Стога, развојем наше главне технологије - оквира за препознавање података ХИЈЕРОГЛИФ, бринемо и за побољшање квалитета препознавања докумената (наша главна пословна линија) и за могућност коришћења технологије за решавање сродних проблема препознавања. У данашњем чланку ћемо вам рећи како смо, на основу нашег механизма за препознавање (документа), направили препознавање већих, стратешки важних објеката у видео стриму.

Проблем статемент

Користећи постојеће развоје, изградити систем за препознавање резервоара који омогућава класификацију објекта, као и одређивање основних геометријских индикатора (оријентација и растојање) у лоше контролисаним условима без употребе специјализоване опреме.

одлука

Као главни алгоритам за решавање проблема изабрали смо приступ статистичког машинског учења. Али један од кључних проблема машинског учења је потреба за довољном количином података за обуку. Очигледно, природне слике добијене из стварних сцена које садрже објекте који су нам потребни нису нам доступне. Стога је одлучено да се прибегне генерисању потребних података за обуку, на срећу Имамо много искуства на овом месту. Па ипак, чинило нам се неприродним да у потпуности синтетишемо податке за овај задатак, па је припремљен посебан распоред за симулацију стварних сцена. Модел садржи различите објекте који симулирају крајолик: карактеристични пејзажни покривач, жбуње, дрвеће, ограде итд. Слике су снимљене дигиталном камером малог формата. Током процеса снимања слике, позадина сцене се значајно променила како би алгоритми били отпорнији на промене у позадини.

Циљни објекти су била 4 модела борбених тенкова: Т-90 (Русија), М1А2 Абрамс (САД), Т-14 (Русија), Меркава ИИИ (Израел). Објекти су се налазили на различитим позицијама полигона, чиме је проширена листа прихватљивих видљивих углова објекта. Инжењерске баријере, дрвеће, жбуње и други елементи пејзажа играли су значајну улогу.

Тако смо за пар дана прикупили довољан сет за обуку и накнадну процену квалитета алгоритма (неколико десетина хиљада слика).

Одлучили су да поделе само препознавање на два дела: локализацију објеката и класификацију објеката. Локализација је извршена помоћу обученог класификатора Виоле и Јонеса (на крају крајева, тенк је нормалан крути објекат, ништа гори од лица, тако да метода „слепих детаља“ Виоле и Јонеса брзо локализује циљни објекат). Али класификацију и одређивање угла смо поверили конволуционој неуронској мрежи – у овом задатку нам је важно да детектор успешно идентификује оне карактеристике које, рецимо, разликују Т-90 од Меркаве. Као резултат тога, било је могуће конструисати ефикасан састав алгоритама који успешно решава проблем локализације и класификације објеката истог типа.

Затим смо покренули резултирајући програм на свим нашим постојећим платформама (Интел, АРМ, Елбрус, Баикал, КОМДИВ), оптимизовали рачунски тешке алгоритме за повећање перформанси (о томе смо већ писали неколико пута у нашим чланцима, на пример овде https://habr.com/ru/company/smartengines/blog/438948/ или https://habr.com/ru/company/smartengines/blog/351134/) и остварен стабилан рад програма на уређају у реалном времену.

Као резултат свих описаних радњи, добили смо пуноправни софтверски производ са значајним тактичко-техничким карактеристикама.

Паметни читач резервоара

Дакле, представљамо вам наш нови развој - програм за препознавање слика тенкова у видео стриму Паметни читач резервоара, која:

• Решава проблем „пријатељ или непријатељ“ за дати скуп објеката у реалном времену;
• Одређује геометријске параметре (удаљеност до објекта, преферирана оријентација објекта);
• Ради у неконтролисаним временским условима, као иу случају делимичног блокирања објекта страним предметима;
• Потпуно аутономан рад на циљном уређају, укључујући и одсуство радио комуникације;
• Листа подржаних архитектура процесора: Елбрус, Баикал, КОМДИВ, као и к86, к86_64, АРМ;
• Списак подржаних оперативних система: Елбрус ОС, АстраЛинук ОС, Атлик ОС, као и МС Виндовс, мацОС, разне Линук дистрибуције које подржавају гцц 4.8, Андроид, иОС;
• Потпуно домаћи развој.

Обично, у закључку наших чланака на Хабре, дајемо везу до тржишта, где свако ко користи свој мобилни телефон може преузети демо верзију апликације како би стварно проценио перформансе технологије. Овог пута, узимајући у обзир специфичности настале апликације, желимо свим нашим читаоцима да се никада у животу не суоче са проблемом брзог утврђивања да ли тенк припада одређеној страни.

Извор: ввв.хабр.цом