Deep learning wordt steeds interessanter voor video beveiliging

Waarom deep learning steeds interessanter wordt

Er zijn drie belangrijke redenen waarom deep learning populair is geworden in de laatste jaren. Ten eerste is dat de toename van de hoeveelheid data, omdat hiermee ook de algoritmische prestaties verbeteren. Met de grote hoeveelheid en goede kwaliteit van data worden patroonherkenning modellen steeds nauwkeuriger. De deep learning gebruikerservaring verbetert daarmee ook. Als gevolg zijn er steeds meer gebruikers betrokken, wat weer een groei in data en betere prestaties van de technologie tot gevolg heeft.

Ten tweede hebben we nu beschikking tot sterkere computer kracht. Deep learning modellen vereisen een grote hoeveelheid voorbeelden, waardoor het onvermijdelijk is om grote hoeveelheden berekeningen te maken. In het verleden waren computers niet in staat om complexe deep learning modellen met meer dan honderd lagen te verwerken. De snelle ontwikkeling van CPU’s, supercomputers, cloud computing, en dergelijke maken deep learning nu wel mogelijk.

Ten slotte speelt de netwerkarchitectuur van deep learning zijn eigen rol in het verbeteren van deep learning. Door constante verbetering van deep learning algoritmen kunnen objecten namelijk beter worden herkend. Voor complexere toepassingen zoals gezichtsherkenning of in situaties met andere belichting, hoeken, houdingen, expressies, accessoires, resoluties, etcetera, beïnvloedt de netwerkarchitectuur de nauwkeurigheid van herkenning. De ontwikkelingen op dit gebied maken deep learning steeds beter te gebruiken en waardevoller.

Video beveiliging toepassingen van deep learning

Deep learning kan veel betekenen op het gebied van video observatie voor de beveiligingsbranche. Zo heeft de technologie in de afgelopen jaren zeer goede resultaten gehad wat betreft onder andere spraak herkenning, computervisie en stem vertaling.

Een voorbeeld van een taak waarbij deep learning veel waarde kan toevoegen is gedrag analyse. Zelflerende software voor gedrag analyse leert wat normaal gedrag is voor mensen, voertuigen, machines en de omgeving gebaseerd op zijn eigen observatie van patronen van verschillende karakteristieken zoals grootte, snelheid, reflectiviteit, kleur, indeling, verticale of horizontale oriëntatie, etcetera. De software normaliseert de visuele data, wat betekent dat het de objecten en patronen die het observeert classificeert en labelt. Na een aantal weken van leren op deze wijze kan het herkennen wanneer patronen doorbroken worden. Zodra het zulke afwijkingen observeert, stuurt het een alarmsignaal. Als het bijvoorbeeld normaal is voor auto’s om op straat te rijden, dan zou een auto die de stoep op rijdt worden gezien als een afwijking. Als een omheind erf normaal gesproken leeg is ‘s nachts, dan zou het een afwijking zijn als een persoon op dat moment dat gebied betreedt.

Het op dit soort manieren toepassen van deep learning in de video beveiliging kan er daadwerkelijk voor zorgen dat er minder mankracht nodig is voor het doorzoeken van beeldmateriaal en het detecteren van afwijkingen. Bovendien kunnen alarmsignalen vaker tijdens of vooraf aan incidenten gegeven worden, doordat afwijkingen makkelijker en beter opgemerkt worden. De technologie neemt namelijk veel taken over van de mens en is in staat kwalitatieve resultaten te leveren.

Deep learning raakt potentieel elk aspect van video beveiliging, zoals gezicht detectie, voertuig detectie, gezichtsherkenning, herkenning van het merk van een voertuig, voetganger detectie, detectie van kenmerken van het menselijk lichaam, abnormale gezicht detectie, en analyse van menigten. Het heeft zelfs de mens overtroffen in de gebieden gezicht verificatie en beeld classificatie. De prestaties van de technologie worden waarschijnlijk alleen nog maar beter. Dat belooft veel goeds.

Geef een reactie

Vul je gegevens in of klik op een icoon om in te loggen.

WordPress.com logo

Je reageert onder je WordPress.com account. Log uit /  Bijwerken )

Google photo

Je reageert onder je Google account. Log uit /  Bijwerken )

Twitter-afbeelding

Je reageert onder je Twitter account. Log uit /  Bijwerken )

Facebook foto

Je reageert onder je Facebook account. Log uit /  Bijwerken )

Verbinden met %s