Utambuzi wa mizinga katika mtiririko wa video kwa kutumia mbinu za mashine za kujifunza (+2 video kwenye jukwaa la Elbrus na Baikal)

Utambuzi wa mizinga katika mtiririko wa video kwa kutumia mbinu za mashine za kujifunza (+2 video kwenye jukwaa la Elbrus na Baikal)

Wakati wa shughuli zetu, kila siku tunakabiliwa na tatizo la kuamua vipaumbele vya maendeleo. Kwa kuzingatia mienendo ya juu ya maendeleo ya tasnia ya IT, mahitaji yanayoongezeka mara kwa mara kutoka kwa biashara na serikali kwa teknolojia mpya, kila wakati tunapoamua vekta ya maendeleo na kuwekeza nguvu na fedha zetu katika uwezo wa kisayansi wa kampuni yetu, tunahakikisha kwamba utafiti wetu na miradi yote ni ya msingi na ya asili ya taaluma tofauti.

Kwa hiyo, kwa kuendeleza teknolojia yetu kuu - mfumo wa utambuzi wa data wa HIEROGLYPH, tuna wasiwasi kuhusu kuboresha ubora wa utambuzi wa hati (mstari wetu mkuu wa biashara) na uwezekano wa kutumia teknolojia kutatua matatizo yanayohusiana ya utambuzi. Katika makala ya leo tutakuambia jinsi, kwa kuzingatia injini yetu ya utambuzi (hati), tulifanya utambuzi wa vitu vikubwa, muhimu vya kimkakati kwenye mkondo wa video.

Taarifa ya tatizo

Kutumia maendeleo yaliyopo, jenga mfumo wa utambuzi wa tank ambayo inafanya uwezekano wa kuainisha kitu, na pia kuamua viashiria vya msingi vya kijiometri (mwelekeo na umbali) katika hali zisizodhibitiwa bila matumizi ya vifaa maalum.

uamuzi

Tulichagua mbinu ya takwimu ya kujifunza mashine kama kanuni kuu ya kutatua tatizo. Lakini mojawapo ya matatizo muhimu ya kujifunza kwa mashine ni haja ya kuwa na kiasi cha kutosha cha data ya mafunzo. Kwa wazi, picha za asili zilizopatikana kutoka kwa matukio halisi yaliyo na vitu tunavyohitaji hazipatikani kwetu. Kwa hivyo, iliamuliwa kuamua kutoa data muhimu kwa mafunzo, kwa bahati nzuri Tuna uzoefu mwingi mahali hapa. Na bado, ilionekana kuwa si ya asili kwetu kuunganisha kabisa data ya kazi hii, hivyo mpangilio maalum uliandaliwa ili kuiga matukio halisi. Mfano huo una vitu mbalimbali vinavyoiga mashambani: vifuniko vya mazingira ya tabia, misitu, miti, ua, nk. Picha zilinaswa kwa kutumia muundo mdogo wa kamera ya kidijitali. Wakati wa mchakato wa kunasa picha, mandharinyuma ya tukio yalibadilika sana ili kufanya algoriti kuwa thabiti zaidi kwa mabadiliko ya usuli.

Utambuzi wa mizinga katika mtiririko wa video kwa kutumia mbinu za mashine za kujifunza (+2 video kwenye jukwaa la Elbrus na Baikal)

Vitu vilivyolengwa vilikuwa mifano 4 ya mizinga ya vita: T-90 (Urusi), M1A2 Abrams (USA), T-14 (Urusi), Merkava III (Israeli). Vitu viliwekwa katika nafasi tofauti za poligoni, na hivyo kupanua orodha ya pembe zinazokubalika zinazoonekana za kitu. Vizuizi vya uhandisi, miti, vichaka na vitu vingine vya mazingira vilichukua jukumu kubwa.

Utambuzi wa mizinga katika mtiririko wa video kwa kutumia mbinu za mashine za kujifunza (+2 video kwenye jukwaa la Elbrus na Baikal)

Kwa hivyo, katika siku kadhaa tulikusanya seti ya kutosha kwa mafunzo na tathmini iliyofuata ya ubora wa algorithm (makumi kadhaa ya maelfu ya picha).

Waliamua kugawanya utambuzi yenyewe katika sehemu mbili: ujanibishaji wa kitu na uainishaji wa kitu. Ujanibishaji ulifanyika kwa kutumia darasa la Viola na Jones lililofunzwa (baada ya yote, tank ni kitu cha kawaida kigumu, sio mbaya zaidi kuliko uso, kwa hivyo njia ya "kipofu-kipofu" ya Viola na Jones huweka haraka kitu kinacholengwa). Lakini tulikabidhi uainishaji na azimio la pembe kwa mtandao wa neva wa kubadilisha - katika kazi hii ni muhimu kwetu kwamba kigunduzi kitafaulu kutambua sifa hizo ambazo, sema, hutofautisha T-90 kutoka kwa Merkava. Kama matokeo, iliwezekana kuunda muundo mzuri wa algorithms ambao husuluhisha kwa mafanikio shida ya ujanibishaji na uainishaji wa vitu vya aina moja.

Utambuzi wa mizinga katika mtiririko wa video kwa kutumia mbinu za mashine za kujifunza (+2 video kwenye jukwaa la Elbrus na Baikal)

Ifuatayo, tulizindua programu inayotokana kwenye majukwaa yetu yote yaliyopo (Intel, ARM, Elbrus, Baikal, KOMDIV), tuliboresha algoriti ngumu ili kuongeza utendaji (tayari tumeandika juu ya hili mara kadhaa katika nakala zetu, kwa mfano hapa. https://habr.com/ru/company/smartengines/blog/438948/ au https://habr.com/ru/company/smartengines/blog/351134/) na kufikia uendeshaji thabiti wa programu kwenye kifaa kwa wakati halisi.


Kama matokeo ya vitendo vyote vilivyoelezewa, tumepata bidhaa kamili ya programu na sifa muhimu za kiufundi na kiufundi.

Smart Tank Reader

Kwa hivyo, tunawasilisha kwako maendeleo yetu mapya - mpango wa kutambua picha za mizinga kwenye mkondo wa video Smart Tank Reader, ambayo:

Utambuzi wa mizinga katika mtiririko wa video kwa kutumia mbinu za mashine za kujifunza (+2 video kwenye jukwaa la Elbrus na Baikal)

  • Hutatua tatizo la "rafiki au adui" kwa seti fulani ya vitu kwa wakati halisi;
  • Huamua vigezo vya kijiometri (umbali wa kitu, mwelekeo unaopendelea wa kitu);
  • Inafanya kazi katika hali ya hali ya hewa isiyo na udhibiti, na pia katika kesi ya kuzuia sehemu ya kitu na vitu vya kigeni;
  • Uendeshaji kamili wa uhuru kwenye kifaa kinacholengwa, ikiwa ni pamoja na kutokuwepo kwa mawasiliano ya redio;
  • Orodha ya usanifu wa processor unaoungwa mkono: Elbrus, Baikal, KOMDIV, pamoja na x86, x86_64, ARM;
  • Orodha ya mifumo ya uendeshaji inayoungwa mkono: Elbrus OS, AstraLinux OS, Atlix OS, pamoja na MS Windows, macOS, usambazaji mbalimbali wa Linux unaounga mkono gcc 4.8, Android, iOS;
  • Maendeleo ya ndani kabisa.

Kwa kawaida, katika hitimisho la makala yetu kuhusu Habre, tunatoa kiungo cha soko, ambapo mtu yeyote anayetumia simu yake ya mkononi anaweza kupakua toleo la onyesho la programu ili kutathmini utendaji wa teknolojia. Wakati huu, kwa kuzingatia maelezo ya maombi yanayotokana, tunatamani wasomaji wetu wote kamwe katika maisha yao wasikabiliane na tatizo la kuamua haraka ikiwa tank ni ya upande fulani.

Chanzo: mapenzi.com

Kuongeza maoni