Met een speciale zoekaanpak kunt u mensen in bewakingsvideo's vinden op basis van hun beschrijving. De RT-kop luidde, "AI-algoritme kan je vinden in CCTV-beelden zonder gezichtsherkenning te gebruiken." Maar hoe? Hoogte, geslacht, kleding, geen gelaatstrekken, zijn de cadeaus, via een kunstmatige intelligentie-algoritme.

Het werk weerspiegelt het potentieel van deep learning-technieken. RT maakt een nuttig punt voor degenen die het concept van diep leren nog steeds kunnen vertroebelen met machine learning.

RT schreef dat in de inspanningen van de onderzoekers, deep learning ging verder dan machinaal leren (waarbij patronen worden vastgelegd in algoritmen en supervisie vereisen) door 'zelflerend' op te nemen - om een ​​convolutioneel neuraal netwerk (CNN) te trainen om zachte biometrie te herkennen met behulp van computervisie."

RT en andere sites rapporteerden over het team van onderzoekers dat de tool heeft gemaakt die mensen vindt in CCTV-beelden.

Hiren Galiyawala, Kenil Sjah, Vandit Gajjar en Mehul S. Raval beschreven hun werk in hun paper, "Persoon ophalen in bewakingsvideo met behulp van hoogte, Kleur en geslacht, " ingediend in september en nu op arXiv. Auteursaffiliaties omvatten de School of Engineering and Applied Science, Ahmedabad University en het LD College of Engineering, beide in Indië.

Attributen zoals deze - hoogte, bouwen, kleding-stof kleur, doektype en geslacht worden zachte biometrie genoemd. "De taak van het ophalen van personen in de video is zeer uitdagend vanwege occlusie, lichte staat, camerakwaliteit, houding, en zoomen. Echter, attributen zoals lengte, doek kleur, geslacht kan worden afgeleid uit bewakingsvideo van lage kwaliteit op afstand zonder medewerking van de proefpersoon. Dergelijke attributen staan ​​bekend als zachte biometrie, ’ schreven de auteurs.

Tristan Groen, TNW, gaf een voorbeeld, dat is een verzoek voor vrouwen die rode shirts dragen die 153 cm lang zijn. Het resultaat zou een videoclip zijn die is beperkt tot frames met mensen die aan die criteria voldoen.

Wat waren de resultaten? RT en andere sites zeiden dat het algoritme 28 van de 41 personen correct identificeerde in een dataset met zachte biometrische kenmerken en dat de onderzoekers zeiden - met slechts enkele kleine aanpassingen - de nauwkeurigheid aanzienlijk kon worden verbeterd.

De auteurs in de samenvatting zeiden dat de kleur- en geslachtsmodellen werden verfijnd met behulp van AlexNet. De laatste is een convolutioneel neuraal netwerk (CNN) dat zijn naam dankt aan de ontwerper, Alex Krizhevsky. Het AlexNet is getraind op meer dan 1 miljoen afbeeldingen uit de ImageNet-database, zei MathWorks.

"Het netwerk is 8 lagen diep en kan afbeeldingen classificeren in 1000 objectcategorieën, zoals toetsenbord, muis, potlood, en veel dieren. Als resultaat, het netwerk heeft rijke functierepresentaties geleerd voor een breed scala aan afbeeldingen."

Tristan Greene in TNW maakten een pleidooi voor waarom hun onderzoek ertoe doet.

Greene vond hun werk spannend vanwege de implicaties ervan voor het vinden van vermiste personen of het opsporen van verdachte criminelen.

Maar, hij voegde toe, "Misschien net zo belangrijk is het feit dat dit een legitiem antwoord is op het probleem van alomtegenwoordige surveillance." Een alternatief voor "alomtegenwoordig" zou alleen relevant zijn.

Greene zei:"Dit paradigma zou het gebruik van computers inhouden om archiefbeelden te doorzoeken, want alleen de gegevens zijn op zijn minst enigszins relevant. Het is een klein onderscheid, maar een die het verschil zou kunnen betekenen tussen regeringsvoyeurisme en burgerbescherming."

Greene dacht ook, "Als we video naar een neuraal netwerk konden sturen en het konden beperken tot een paar uur aan gecompileerd beeldmateriaal, het zou mogelijk zijn om mensen nauwkeurig te volgen via meerdere surveillance-feeds."

© 2018 Wetenschap X Netwerk